Qualitätskontrolle mit KI: Was wissen wir über nicht markierte Fälle?

Wenn eine KI bei der Auswahl der zu prüfenden Teile hilft, entscheidet die Führungskraft nicht nur über den Einsatz von Ressourcen: Sie beeinflusst auch die Datengrundlage für spätere Lernprozesse. Die präzise Frage lautet: Wie lässt sich dieses Verfahren beurteilen, wenn nicht markierte Teile nur selten nachgeprüft werden?

Was die Forschung belegt

Jerker Denrell (2003, Organization Science) zeigt anhand einer theoretischen Analyse, wie die Unterrepräsentation von Misserfolgen in der beobachtbaren Erfahrung das Lernen und die Bewertung von Praktiken verzerren kann. Eine Praxis kann vorteilhaft erscheinen, weil Situationen, in denen sie versagt, weniger sichtbar sind. Diese Arbeit behandelt keine industrielle KI, beschreibt aber ein für deren Bewertung relevantes Problem: Die beobachteten Fälle repräsentieren nicht zwingend alle bearbeiteten Fälle.

Lernen setzt auch voraus, die Sichtbarkeit der Fälle zu verstehen

James March, Lee Sproull und Michal Tamuz (1991, Organization Science) untersuchen Lernmöglichkeiten bei spärlicher Erfahrung und betonen die Rolle ihrer Interpretation. Ereignisse zu sammeln genügt daher nicht, um festzustellen, was eine Organisation daraus lernen kann. Auf eine KI-gestützte Prüfsteuerung übertragen, legt diese Überlegung nahe, nicht nur das Prüfergebnis zu dokumentieren, sondern auch den Grund für die Auswahl eines Teils.

Der voreilige Schluss

Daraus könnte man ableiten, dass alle Teile gleich geprüft werden müssen oder dass auf gezielte Prüfungen zu verzichten ist. Die Arbeiten rechtfertigen keinen dieser Schlüsse: Ressourcen zu konzentrieren kann unter Beachtung der geltenden Qualitätsanforderungen weiterhin sinnvoll sein. Entscheidend ist die Unterscheidung zwischen der operativen Auswahl für Prüfungen und der Stichprobe, die zur Bewertung dieser Auswahl erforderlich ist. (unsere Weiterbildungen für Führungskräfte und Mitarbeitende)

Was die üblichen Ergebnisse nicht belegen

Die Fehlerquote unter den markierten Teilen beschreibt diese Auswahl, nicht die Fehler ausserhalb davon. Wenn ausschliesslich diese Teile in die Korrektur des Systems einfliessen, besteht das Risiko, eine selektive Beobachtung fortzusetzen, ohne ihre Folgen zu messen. Die beiden zitierten Artikel bestimmen allerdings weder das Ausmass dieses Risikos für eine konkrete KI noch eine geeignete Stichprobengrösse für einen Neuenburger Betrieb.

Eine überprüfbare Praxis in Neuchâtel

In einem Betrieb der Mikrotechnik, Uhrenindustrie oder Präzisionsmikroelektronik in Neuchâtel bleiben die vorgeschriebenen Kontrollen bestehen; ergänzend werden während eines vorab festgelegten Zeitraums zufällig ausgewählte, von der KI nicht markierte Teile nach einem von der Qualitätsverantwortung freigegebenen Protokoll geprüft. Dokumentiert werden die betreffende Grundgesamtheit, die Auswahlregel, die Anzahl geprüfter Teile und die nach den üblichen Kriterien bestätigten Nichtkonformitäten. Die Kennzahl ist der Anteil der Nichtkonformitäten in dieser Stichprobe samt seiner Unsicherheit: Kein beobachteter Fehler bedeutet nicht, dass kein Risiko besteht. Im SHR-Programm « Manager à l'ère de l'intelligence artificielle » bietet dieses Protokoll eine konkrete Führungsübung: die Beobachtung organisieren, bevor man die Leistung beurteilt. Weiterführend: entdecken Sie die Führen im Zeitalter der künstlichen Intelligenz-Weiterbildung in Neuenburg im Kanton Neuenburg, oder durchstöbern Sie unsere Weiterbildungen für Führungskräfte und Mitarbeitende in der Schweiz.

In Bildern: Führen im Zeitalter der künstlichen Intelligenz in Neuenburg

• führen im zeitalter der künstlichen intelligenz
• Neuenburg
• forschung
• Weiterbildung neuenburg