Machine Learning

Automatisiertes Maschinelles Lernen.

Plattformen für Automatisiertes Maschinelles Lernen (AutoML) helfen Unternehmen, tiefere Einblicke in ihre Geschäftsdaten zu gewinnen – auch ohne spezifische Programmierkenntnisse. Ihr betriebswirtschaftlicher Nutzen wächst.

* Von Robin Richter und Sebastian Fendel 

Viele Unternehmen assoziieren mit Künstlicher Intelligenz (KI) den kostspieligen Einsatz von Fachleuten, hohe Hardwareanforderungen und langwierige Projekte. AutoML-Technologie ermöglicht es, auch ohne Experten-Know-how, betriebliche Herausforderungen durch Maschinelles Lernen zu lösen. 

Durch den Einsatz derart intelligenter Plattformen können Unternehmen viele Stolpersteine auf dem Weg zu besseren Entscheidungen aus dem Weg räumen. 

Die größte Herausforderung ist häufig die Überprüfung des Mehrwertes durch den Einsatz von KI. Dabei geht es nicht primär darum, den Menschen zu ersetzen, sondern ihn durch die Ausarbeitung optimaler Entscheidungsvorschläge bestmöglich zu unterstützen. Wenn dies gelingt, sinken die Bestände, Kundenabwanderungsquoten und Ausschussquoten, und es steigen der Umsatz und die Margen.

Im ersten Schritt wird der geschäftliche Mehrwert durch den KI-Einsatz und der prognostizierte Projektaufwand geprüft. Anhand der quantifizierten Mehrwerte lassen sich dann die Projekte  in eine Rangfolge bringen und priorisieren.

Der große Vorteil von AutoML-Plattformen besteht darin, dass Mitarbeiter mit grundlegenden Daten- und Statistik-kenntnissen eigenständig in der Lage sind, den Mehrwert zu evaluieren und diesen auch professionell zu visualisieren. Auf diese Weise lernen die Fachbereiche, weitgehend selbständig mit Künstlicher Intelligenz zu arbeiten. Ein herausragender Vorteil der Plattformen liegt in der zusammenfassenden Aufbereitung der Ergebnisse in einem Dashboard. 

Intelligente Prozessabläufe.
Künstliche Intelligenz nutzt Modelle des Maschinellen Lernens, um zum Beispiel Prognosen zu erstellen oder Routinetätigkeiten zu lenken, Entscheidungsvorschläge automatisch zu erzeugen oder besonders profitable Kundengruppen zu erkennen. 

Das Vorgehen in KI-Projekten ist meist ähnlich: In der ersten Phase werden die benötigten Daten ausgewählt und aufbereitet. Daraufhin folgen die Entwicklung, Ableitung und Auswahl der geeigneten Variablen. Erst dann beginnt die Phase des Machine Learnings. Nach der Auswahl des Modells werden zunächst dessen Parameter optimiert, anschließend mit einem Teil der Daten trainiert und anhand eines Tests evaluiert. Für die Ausführung dieser Arbeitsschritte war früher viel technisches, statistisches und fachliches Know-how nötig. Heute lassen sich diese Schritte mithilfe von AutoML-Plattformen (teil-)automatisieren.

Den ganzen Artikel lesen Sie in der Druck- und Digitalausgabe Nr. 1/2020. Hier bestellen.

 

* Robin Richter ist «Solution Expert» bei der avantum consult AG und Leiter des Competence Centers AI. Er verfügt über mehr als acht Jahre Erfahrung mit Data Mining-Projekten und sammelte umfangreiche Expertise in der Projektumsetzung und Beratung.

* Sebastian Fendel arbeitet als «Consultant» bei der avantum consult AG, mit Expertise auf den Gebieten Predictive Analytics, Data Mining und Machine Learning. Er hat Erfahrung mit Data Mining-Projekten, Data Quality Management und automatisierten Preiskalkulationen.

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net

© ProfilePublishing Germany GmbH 2020. Alle Rechte vorbehalten. 

Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite