Endlich erfolgreiches Machine Learning: Ohne BI kein KI

Endlich erfolgreiches Machine Learning: Ohne BI kein KI

Oder anders ausgedrückt: Ohne Daten keine Künstliche Intelligenz
17 Minuten
Podcast
Podcaster
Business Intelligence - Warum Datenstrategie den Unternehmenserfolg steigert!

Beschreibung

vor 2 Monaten
Ob Empfehlungen in Online-Shops, die automatische Gesichtserkennung
in Fotos, „Alexa“ oder „Siri“ – Im Alltag begegnen wir ständig
sogenannter Künstlicher Intelligenz. Aber auch im Rahmen der
Digitalisierung, mit der sich mittlerweile viele Unternehmen
beschäftigen, taucht der Begriff „Künstliche Intelligenz“ immer
häufiger auf. Künstliche Intelligenz – kurz KI – ist nur möglich
mit einer guten Datenbasis, denn diese bildet das Fundament für KI
und Machine Learning. Aber wie bereite ich meine Daten am besten
für das Thema Künstliche Intelligenz auf? Man stelle sich eine
Pyramide vor: unten ist meine Datenbasis und ganz oben steht das
Thema Machine Learning. Aber wie gelange ich eigentlich dorthin?
Stufe 1: Auf der untersten Stufe meiner Pyramide befindet sich die
Basis und damit die Fragestellung „Wie erfasse ich die Daten und wo
erfasse ich sie sinnvoll“? Was sind meine Rohdaten, was sind meine
öffentlichen Daten (z.B. Wetterdaten) oder verwende ich bezahlte
Daten? Wie können die Daten ggfs. erzeugt werden und müsste ich
dafür Sensorik (z.B. in der Produktion) einsetzen. Stufe 2: Welche
Daten möchte ich erheben, wann möchte ich sie erheben und wo will
ich die Daten speichern? Was bekomme ich inhaltlich aus meinem
„Datensilo“? Für das Thema Künstliche Intelligenz benötige ich eine
große Datenbasis. Aber wo speichere ich meine strukturierten oder
unstrukturierten Daten? Welche Dateiformate oder Metadaten müssen
ggfs. erzeugt werden? Sobald man die Daten auswerten oder
analysieren möchten, sollten sie an einen zentralen Ort überführt
werden. Stufe 3: Wenn beide Stufen erfolgreich umgesetzt wurden,
können auf dieser Basis bereits Analysen und Auswertungen erstellt
werden. Im Normalfall überprüft der Data Scientist manuell die
Daten auf Fehler. Es wäre eine große Verbesserung, wenn Daten
automatisiert und vor allem fehlerfrei generiert werden könnten.
Stufe 4: Ich reichere meine Daten an und entscheide mich für ein
Machine Learning Modell Das bedeutet, ich „label“ meine Daten: Das
funktioniert zum Beispiel in der Bilderkennung schon sehr gut z.B.
werden dort Bilder von z.B. Äpfeln und Apfelsinen manuell markiert
um die Künstliche Intelligenz weiter zu trainieren. Es gibt
verschiedene Modelle für machine Learning – dazu sollte man sich
vorab fragen, ob ich ein neuronales Netz oder ggfs. andere Infos
für mein Modell benötige? Man kann aber auch fertige Machine
Learning Modelle nutzen (Facebook, Google oder Azure). Wichtig ist,
diese vorab zu testen, um sich dann für ein Modell zu entscheiden,
welches zu seinen Anforderungen passt. Stufe 5: Das Machine
Learning Modell wird jetzt gefüttert und trainiert Die Daten und
Ergebnisse aus meinen Machine Learning Rhythmus mache ich für alle
nutzbar und füttere mit den gewonnenen Daten mein Modell. Mit
diesen Ergebnissen wiederum, können u.a. neue Geschäftsmodelle oder
Ideen generiert werden. Fazit: Überspringen Sie bitte keine der
oben genannten Stufen – es ist zwar aufwändiger, aber man muss
diesen Weg gehen, um die besten Ergebnisse beim Machine Learning zu
erzielen. Finden Sie zusätzlich noch einen geeignete Low Code
Plattform, die ihnen die Daten automatisiert aufbereitet, denn
manuell zu programmieren ist nicht mehr zeitgemäß. So schaffen Sie
beste Voraussetzungen für das Thema Künstliche Intelligenz.

Kommentare (0)

Lade Inhalte...

Abonnenten

15
15
:
: