Große Fragen des RWDS: Wie lässt sich die Rolle der Statistik in der KI hervorheben?

Von Annie Flynn

Künstliche Intelligenz mag heute für Schlagzeilen sorgen, aber hinter vielen ihrer leistungsstärksten Systeme verbirgt sich etwas Älteres, Tiefgründigeres und Wesentlicheres: Statistiken. Anfang dieses Monats veröffentlichte RSS ein wegweisendes Positionspapier mit dem Titel „AI is Statistics“. Donna Philips, Vorsitzende der KI-Arbeitsgruppe der Gesellschaft, die die Entwicklung leitete, stellt den Artikel vor und sagt: „KI-Systeme basieren auf statistischer Mustererkennung. Sie müssen mit strenger statistischer Präzision entwickelt, bewertet und gesteuert werden.“

Dass dies nicht allgemein verstanden wird, ist aus vielen Gründen problematisch. Wenn KI als Magie und nicht als angewandte Statistik betrachtet wird, wird es einfacher zu glauben, dass sie objektiv, unfehlbar oder autonom ist, während sie in Wirklichkeit probabilistisch und hypothesengesteuert ist. Organisationen geben möglicherweise Tools und Branding Vorrang vor strenger Datenerfassung, experimentellem Design und Evaluierung. Ohne eine statistische Perspektive sind Fragen wie „Wie sicher sind wir?“ nicht möglich. », „Im Vergleich zu was?“ und „Unter welchen Bedingungen?“ » werden seltener gefragt. Und letztendlich übersieht die Nachfrage nach „KI-Talenten“ möglicherweise das statistische Fachwissen, das zum Aufbau zuverlässiger Systeme erforderlich ist.

In dieser neuesten Folge von „Real World Data Science Big Questions“ geht unser Expertengremium einer täuschend einfachen Frage nach: Wie können wir die Rolle von Statistiken in der KI besser hervorheben? Sehen Sie sich unten an und lesen Sie weiter, um einige wichtige Erkenntnisse und Analysen zu erhalten.

Sehen Sie sich die Diskussion an

Gerichte zum Mitnehmen auf einen Blick

KI basiert auf statistischem Denken – auch wenn es nicht so gekennzeichnet ist.
Berufsbezeichnungen ändern sich; Dies gilt nicht für Grundkompetenzen.
Statistiken werden manchmal unterschätzt Der Schwerpunkt liegt eher auf der Mechanik als auf der Wirkung.
Kommunikation und Visualisierung stehen im Mittelpunkt, und nicht nebensächlich für die moderne statistische Arbeit.
Freundlichkeit, Zusammenarbeit und Vertrauen sind berufliche Vermögenswerte.
Die Zukunft gehört kompetenzbasierten Identitäten, nicht titelbasierten Identitäten.

Schlüsselthemen und Analyse

Das „Rebranding“-Meme

Das Panel beginnt mit einem bekannten Witz: Nehmen Sie Statistiken, stellen Sie sie in einen neuen Rahmen, nennen Sie sie maschinelles Lernen oder KI, und plötzlich sind alle aufmerksam. Es ist humorvoll, aber aufschlussreich.

Viele Stellen, die heute als „KI“- oder „Data Science“-Stellen ausgeschrieben werden, sind zutiefst statistisch. Sie umfassen Unsicherheitsmodellierung, Hypothesenvalidierung, Bias-Management, Leistungsbewertung und Interpretation der Ergebnisse. Mit anderen Worten: grundlegende statistische Fähigkeiten.

Anstatt sich dieser Umbenennung zu widersetzen, schlägt das Gremium vor, sie als Teil der natürlichen Entwicklung der Fachgebiete anzuerkennen. Die entscheidende Frage lautet nicht mehr „Wie sollen wir uns nennen?“ » sondern „Welchen Wert bringen wir?“ »

Identität versus Fähigkeiten

Eine der stärksten Botschaften der Diskussion ist: Identifizieren Sie sich nicht zu sehr mit einer Berufsbezeichnung.

„Statistiker“, „Datenwissenschaftler“ und „KI-Spezialist“ sind potenziell kurzlebige Bezeichnungen, während die ihnen zugrunde liegenden Fähigkeiten dieselben bleiben:

Formulieren Sie die Probleme gut
Hinterfragen von Annahmen („Sind Sie sicher? Sind Sie sicher-sicher-sicher?“)
Unsicherheit quantifizieren
Entwerfen Sie robuste und vertretbare Analysen

Das Gremium schlägt vor, dass die gesündeste berufliche Position darin besteht, sich weniger auf die Identität als vielmehr auf das zu konzentrieren, was man tun kann und was einem am Herzen liegt.

Das Kommunikationsdefizit: Liebe zur Wurstherstellung

Das Gremium stellt fest, dass Statistiker die Dinge manchmal schwieriger machen als nötig – zumindest in der Art und Weise, wie sie ihre Arbeit erklären.

„Wir interessieren uns zu sehr für Mechanik“, bemerkt ein Redner. „Es interessiert niemanden, wie du die Wurst gemacht hast.“

Das soll nicht heißen, dass Strenge unwichtig wäre. Das bedeutet, dass die Wirkung die Erzählung vorantreiben muss. Anstatt sich zunächst auf Modelle, Methoden und Diagnostik zu konzentrieren, könnten Statistiker damit beginnen:

Welches Problem wurde gelöst?
Wie hat dies das Leben einfacher, sicherer oder besser gemacht?
Welche Entscheidung wurde dadurch getroffen?

KI wurde effektiv kommerzialisiert, weil sie auf Transformation und Möglichkeiten ausgerichtet ist. Auch die Statistik kann diesen Platz beanspruchen, ohne dass die Integrität darunter leidet.

Visualisieren und erwecken Sie Daten zum Leben

Visualisierung ist eine wichtige Brücke zwischen statistischem Denken und tatsächlicher Wirkung. Gute Visualisierung:

Macht Unsicherheit lesbar
Baut Vertrauen auf
Ermöglicht die Entscheidungsfindung
Erzählt evidenzbasierte Geschichten

In einer Welt voller Dashboards und generativer Ergebnisse ist die Fähigkeit, Daten klar und verantwortungsvoll darzustellen, keine Soft Skills. Dies ist eine grundlegende Infrastruktur.

Vertrauen, Zusammenarbeit und Berufskultur

Menschen möchten mit Statistikern zusammenarbeiten, denen sie vertrauen, und das beruht nicht nur auf technischer Kompetenz, sondern auch auf Klarheit, Offenheit und Zusammenarbeit.

Da KI-Systeme immer leistungsfähiger und umstrittener werden, werden Fachleute, die sie erklären, kontextualisieren und verantwortungsvoll einsetzen können, in der Lage sein, sie zu lösen.

Von der Grunddisziplin zum sichtbaren Fundament

Wenn sich die KI weiterentwickelt – was sicherlich der Fall sein wird –, werden sich auch die Etiketten derjenigen, die daran arbeiten, weiterentwickeln. Aber Unsicherheit, Schlussfolgerung, Modellierung und kritisches Denken führen nirgendwo hin.

Wir würden uns über Beiträge auf der Website freuen, die sich mit diesem Problem befassen.

Werden Statistiken in der KI-Debatte unterbewertet oder gedeihen sie im Stillen?

Wo prägt statistisches Denken Ihrer Erfahrung nach die KI-Arbeit am deutlichsten?

Und wo wird es am wenigsten erkannt?

Haben Sie gesehen, dass statistische Arbeit in Ihrem Unternehmen in KI umbenannt wurde?

Wir suchen aktiv nach Einsendungen zu diesen Themen. Wenn Sie also an der Diskussion teilnehmen möchten, nehmen Sie Kontakt mit uns auf.

Dieser Artikel wurde von Real World Data Science unter einer Creative Commons Attribution 4.0 International License (CC BY 4.0) erneut veröffentlicht. Lesen Sie hier den Originalartikel.