Wie diverse Teams Data Science voranbringen

Ebenso könne Vielfalt in Bezug auf ethnische Zugehörigkeit, Geschlecht und andere Merkmale dazu beitragen, einen ethischeren Rahmen für das Onboarding von Daten zu schaffen und eine Vielfalt von Gedanken einzubringen. In seinem eigenen Team hätten beispielsweise rund 25 Prozent einen reinen Mathematik- oder Statistikhintergrund, berichtet KI-Experte Menon. Der Rest komme aus anderen Bereichen, darunter ein Bioinformatiker. "Dieser unterschiedliche Hintergrund ist hilfreich."

Datenverzerrungen werden verstärkt

KI hat das Potenzial, Probleme mit Datenverzerrungen zu verstärken, was zu tödlichen Ergebnissen führen könnte, meint Davi Ottenheimer, Vice President für digitales Vertrauen und Ethik bei Inrupt, einem Unternehmen, das Nutzern die Kontrolle über ihre Daten gibt. So würden beispielsweise frühe Bilderkennungssysteme Gesichter von People of Color falsch klassifizieren, und einige KI-Systeme würden Hände von People of Color als waffenhaltend einstufen - nicht jedoch weiße Hände. Ein Grund sei, dass Teams, die die Systeme entwickeln, keine Vielfalt aufweisen. "Ein Mangel an Vielfalt in einem Team könnte dazu führen, dass unschuldige Menschen getötet werden", sagt Ottenheimer.

Ein Mensch, viele Facetten

Alison Alvarez, Mitbegründerin und CEO von BlastPoint, einem Datenunternehmen für Finanzinstitute und Versorgungsunternehmen, fügt hinzu: "Es gibt so viele Beispiele in der Technik, wo das Fehlen eines vielfältigen Teams zu schlechten Ergebnissen führen kann." Als beispielsweise Sensoren zum Händewaschen auf den Markt kamen, erkannten sie dunkle Haut nicht. "Sie hatten kein diverses Team, das sie entwickelt und getestet hat."

Aber Vielfalt hat mehr Dimensionen als nur Geschlecht, Herkunft [race] oder sexuelle Orientierung. Diversity könne auch die nationale Zugehörigkeit einer Person umfassen, oder ob sie Allergien oder andere gesundheitliche Probleme hat, schlägt Alvarez vor. Die Vielfalt kann sich sogar auf Rolle und Rang einer Person im Unternehmen beziehen.

"Wenn man die Leute auf der unteren Ebene nicht befähigt, werden ihre Beobachtungen heruntergestuft", sagt die CEO. So hätte beispielsweise die Katastrophe der Raumfähre Challenger verhindert werden können, da die zuständigen Ingenieure zwei Jahre lang vor der Unzuverlässigkeit der Dichtungen gewarnt hatten - auch noch am Vorabend des Starts selbst.

Viele Augen sehen mehr als zwei

Laut der ehemaligen Microsoft-Vizepräsidentin Gavriella Schuster ist es leicht, Dinge zu übersehen, wenn nur ein Paar Augen auf die Daten schaut. Heute ist sie Gründungsmitglied von Women in Cloud und Women in Technology, Beiratsmitglied der Women Business Collaborative, Vorstandsmitglied bei Nerdio und Mimecast sowie strategische Beraterin bei Berkshire Partners. "Oftmals nutzen Menschen Daten, um ihre eigenen Annahmen zu bestätigen und sie ignorieren Daten, die diese Annahmen nicht unterstützen", sagt sie. Wenn mehr Augen eine Reihe von Daten betrachten würden, könne man dieses Phänomen vermeiden.

Schuster empfiehlt Unternehmen, nicht nur nach Leuten zu suchen, die beispielsweise zehn Jahre Erfahrung in Data Science haben. "Würde man nur nach Experten mit dieser Erfahrung suchen, bekommt man in der Regel keinen breit gefächerten Pool von Kandidaten." Außerdem verändere sich die Datenwissenschaft schnell, und es könne ein Nachteil sein, keine neueren Mitarbeiter im Team zu haben, die vielleicht anders über KI und Datenprozesse denken. "Was man wirklich braucht, sind Menschen, die eine gewisse Erfahrung im Organisieren von Informationen und im Durchdenken von Mustern haben."

Business-User einbeziehen

Weitere Kandidaten könnten aus anderen Bereichen oder Abteilungen des Unternehmens kommen, die Produkte des Data-Science-Teams verwenden. Sie verstehen die Benutzeranforderungen und den Geschäftswert und verfügen über das erforderliche Fachwissen.