In Angeboten steht das Modell im Mittelpunkt. In Projektpostmortems steht dort fast immer etwas anderes.

Fünf Prüfpunkte vor dem Projekt

  • Vollständigkeit. Fehlen Werte systematisch – und wenn ja, warum? Systematische Lücken sind gefährlicher als zufällige.
  • Aktualität. Bilden die Daten die heutige Lage ab oder eine von vor drei Jahren?
  • Einheitlichkeit. Vier Schreibweisen desselben Kunden sind vier Kunden, solange niemand sie zusammenführt.
  • Repräsentativität. Kommen die Fälle vor, die später entschieden werden sollen – auch die seltenen?
  • Menge. Reicht es für das gewählte Verfahren, und wie lässt sich das vorab prüfen?

Der Punkt, der übersehen wird

Historische Daten enthalten historische Entscheidungen

Wer ein Modell auf vergangenen Personalentscheidungen trainiert, trainiert es auf den Auswahlmustern der Vergangenheit – einschließlich der unbeabsichtigten. Das Modell wird gut darin, diese Muster fortzuschreiben. Genau das ist meist nicht das Ziel.

Der Ablauf, der funktioniert

  1. Datenprüfung vor Modellauswahl

    Ein abgegrenzter, bezahlter Arbeitsschritt mit offenem Ergebnis. Er muss auch zu dem Schluss kommen dürfen, dass das Vorhaben so nicht trägt.

  2. Kleiner Vorversuch auf echten Daten

    Nicht auf Beispieldaten des Anbieters. Erst hier zeigt sich, ob die Datenlage die Fragestellung hergibt.

  3. Aufbereitungsaufwand beziffern

    Danach – nicht davor – lässt sich der größte Kostenposten schätzen, statt ihn zu raten.

  4. Erst dann über Modelle sprechen

    Die Datenlage schränkt die sinnvollen Verfahren ein. Umgekehrt funktioniert es nicht.

Ein brauchbares Auswahlkriterium

Eine Agentur, die zuerst eine Datenprüfung anbietet und danach entscheidet, ob das Projekt sinnvoll ist, arbeitet sorgfältiger als eine, die direkt ein Modell verkauft. Wer das Nein nicht anbietet, hat es nicht vorgesehen.

Weiterlesen Trainingsdaten Bias Was KI-Projekte kosten