#021 - Endlich erfolgreiches Machine Learning: Ohne BI kein KI

Ob Empfehlungen in Online-Shops, die automatische Gesichtserkennung
in Fotos, „Alexa“ oder „Siri“ – Im Alltag begegnen wir ständig
sogenannter Künstlicher Intelligenz. Gratis Business
Intelligence-Akademie zeigt Dir die klare Anleitung genau dafür:
Den Unternehmenswert durch die Monetarisierung Deiner Daten
deutlich zu steigern und damit Vorreiter in der Digitalisierung zu
werden Eine zentrale Datenbasis für Dein Unternehmen aufzubauen, um
die richtigen Unternehmensentscheidungen zu treffen
Transparenzpower schaffen - Abschaffung aller Datensilos in Deinem
Unternehmen und das Ganze wirklich kostenlos. Jetzt anmelden:
https://bimanu-solutions.de/business-intelligence-basic-builder
--------------------------------------------------------------------------
Mit unserer BI-Software kannst Du erste Analytics-Anwendungen
innerhalb 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.