Die Entwicklung von Künstlicher Intelligenz (KI) war in den vergangenen Jahren maßgeblich von einem technikzentrierten Designansatz geprägt. Der neuartige, sich davon abhebende Ansatz der „Hybrid Intelligence“ fokussiert eine integrative Herangehensweise, die sowohl die menschliche als auch die algorithmisch-technische Perspektive integriert. Die vorliegende Arbeit untersucht ein praktisches Anwendungsbeispiel der Realisierung von „Hybrid Intelligence“. In einem realen betrieblichen Anwendungsfeld soll im Kontext des grafischen Bildzuschnitts ein Empfehlungssystem entwickelt werden, welches Anwender:innen durch KI-Technologie algorithmisch generierte Bildzuschnitte vorschlägt. Dabei wird eine Form der Interaktion und eine Tiefe der KI-Integration gesucht, die sowohl menschliche als auch algorithmische Fähigkeiten berücksichtigt und optimal kombiniert. Ziel ist die Erschaffung eines interaktiven, intelligenten Systems, welches leistungsfähiger ist als eine KI-Technologie oder der Mensch alleine es wäre. Zur Analyse, Konkretisierung und Evaluation dieses Automatisierungsproblems orientiert sich die Arbeit am siebenstufigen Prozess nach Mackeprang et al. für den Aufbau interaktiver intelligenter Systeme. Am Ende dieses Prozesses steht die Identifizierung der sogenannten Sweet-Spot-Konfiguration. Diese beschreibt die optimale Kombination der Zusammenarbeit von Mensch und KI. Hierzu werden zunächst alle möglichen Konfigurationen definiert, die sich jeweils in Interaktionsform und Tiefe der KI-Integration unterscheiden. Im nächsten Schritt werden diese Konfigurationen in funktionalen Programmcode überführt und ihre Leistungsfähigkeit in Usertests bewertet. Die Evaluation erfolgt auf Basis der benötigten Zeit je Bildzuschnitt, der Qualität der algorithmisch generierten Bildzuschnitte, der von den Anwender:innen subjektiv wahrgenommenen Arbeitsbelastung sowie des Nutzens für Anwender:innen im Umgang mit dem System. Dabei zeichnet sich die Konfiguration mit einem mittleren Automatisierungsgrad als die performanteste aller getesteten Varianten ab. Diese entspricht einem Automatisierungslevel 5 nach Sheridan et al.. Neben einer Zeitersparnis von 62% im Vergleich zur Ausgangskonfiguration, die einem komplett manuellen Bildzuschnitt durch die Anwender:innen entspricht, ermöglicht sie zudem eine um 60% geringer wahrgenommene Arbeitsbelastung. Gleichzeitig stellte sich heraus, dass die Benutzer:innenfreundlichkeit optimiert werden konnte und der Korrekturaufwand bei den algorithmisch generierten Bildzuschnitten für die Nutzer:innen am geringsten ausfiel. Dieses Ergebnis zeigt, dass das gewählte methodische Vorgehen geeignet ist, um im Zuge der Implementierung KI-gestützter Automatisierung das synergetische Potenzial hybrider Intelligenz zu optimieren.
Lately, the development of artificial intelligence (AI) has been dominated by a technology-centric design approach. The novel approach of "Hybrid Intelligence", which stands out from this, focuses on an integrative method that integrates both the human and the algorithmic-technical perspective. The present work examines a practical application example of the realization of "Hybrid Intelligence". In the context of graphical image cropping, a recommendation system has been developed in a real operational application field, which suggests algorithmically generated image cropping to users using AI technology. The aim is to find a form of interaction and a degree/level of AI integration that takes into account and optimally combines both human and algorithmic skills. The goal is to create an interactive, intelligent system that is more efficient than either AI technology or humans alone would be. To analyze, concretize, and evaluate this automation problem, the work is guided by Mackeprang et al.'s seven-step process for building interactive intelligent systems. At the end of this process, the identification of the so-called sweet spot configuration will take place, which describes the optimal combination of human and AI collaboration. For this purpose, first, all possible configurations are defined, each differing in the form of interaction and depth of AI integration. In the next step, these configurations are transferred into functional program code and their performance is evaluated in user tests. The evaluation is based on the time required per image section, the quality of the algorithmically generated image sections, the workload subjectively perceived by the users, and the benefits for users in dealing with the system. The configuration with a medium level of automation was identified as the best performing of all the tested variants. This corresponds to an automation level of 5 according to Sheridan et al.. In addition to a time saving of 62% compared to the initial configuration, which corresponds to a completely manual image cropping by the users, it also enables a 60% lower perceived workload. At the same time, an optimized user-friendliness as well as the lowest correction effort for the algorithmically generated image cropping were shown. The results prove that the selected methodological approach is suitable for optimizing the synergetic potential of hybrid intelligence while implementing AI-supported automation.
