Service

  • Data and AI
  • Technology and Engineering

Blog

by Markham Lee, Sr. Software Development Engineer

Fünf Schlüssel fürzu einer erfolgreichen Machine-Learning-Initiative

Sie haben ein Data-Science-Team aufgebaut und/oder Beratende eingestellt, Sie haben die Schlüsselbereiche Ihres Unternehmens identifiziert, die Sie mit KI oder maschinellem Lernen (ML) automatisieren oder verbessern möchten, und Sie sind bereit, loszulegen. Allerdings können digitale Transformationen schwierig sein, und Projekte zum maschinellen Lernen bringen eine Reihe von Herausforderungen mit sich. Wenn diese nicht ordnungsgemäß berücksichtigt werden, können sie dazu führen, dass die Ergebnisse der Projekte die Erwartungen nicht erfüllen.

Sie wollen das Beste aus Ihrer ML-Investition herausholen? Lassen Sie uns fünf Dinge beleuchten, die Sie im Auge behalten sollten, um sicherzustellen, dass Ihre KI-bezogenen Initiativen erfolgreich sind. Beachten Sie, dass die unten aufgeführten Punkte hauptsächlich mit Projekten im Bereich der prädiktiven Analytik in Verbindung stehen und dass Projekte im Bereich Computer Vision und Sprachverarbeitung ihre eigenen Herausforderungen mit sich bringen.

Schlüssel 1: Wählen Sie ein gutes Projekt

Obwohl dies offensichtlich erscheint, ist es wichtig zu bedenken, dass Maschinelles Lernen effektiv angewandte Statistik ist. Das bedeutet, dass die Projekte mit den höchsten Erfolgsaussichten diejenigen sind, für die bekannte mathematische oder statistische Beziehungen zwischen dem, was Sie vorhersagen möchten, und Ihren Daten bestehen. Denken Sie an Hypothekenausfälle, Betrugserkennung oder alles, bei dem bekannte Muster als Ausgangspunkt für den Aufbau Ihrer ML-Modelle dienen können. Dies bedeutet nicht, dass Sie ML nicht auf neue Probleme oder Bereiche anwenden können, in denen Sie keine Muster oder mathematischen Beziehungen identifiziert haben. Stattdessen bedeutet dies, dass Sie wahrscheinlich eine eingehende Datenanalyse durchführen müssen, um diese Muster zu finden, bevor Sie mit der ML-Arbeit beginnen. Beachten Sie, dass dies eine Gelegenheit für einen Datenanalysten sein kann, potenziell einen erheblichen Wert zu liefern, noch bevor Sie mit der ML-Arbeit beginnen.

 

Es ist zwar einfach und/oder verlockend, den Ansatz "Alles mit maschinellem Lernen" zu wählen und darauf zu hoffen, dass Ihre Teams so produktive Ergebnisse liefern. Jedoch ist es eine weitaus klügere und effizientere Ressourcennutzung, zunächst zu prüfen, ob Ihr Anwendungsfall bzw. Ihre Anwendungsfälle überhaupt von maschinellem Lernen profitieren können.

Schlüssel 2: Erkennen Sie die Ursache-Wirkungs-Beziehungen

Dies ist eine Erweiterung des ersten Punkts. Um die Ergebnisse zu erhalten, welche die Datenforschenden modellieren oder vorhersagen lassen sollen, müssen Sie die spezifischen Dinge identifizieren. Angenommen, Sie versuchen, Ankunftszeiten für Pendlerzüge vorherzusagen. Oberflächlich betrachtet klingt es so, als müssten Sie Dinge wie Geschwindigkeit, Standort, Entfernung zur nächsten Haltestelle, voraussichtliche Abfahrtszeit usw. kennen. Stattdessen handelt es sich eher um die Vorhersage dessen, was eine Zugverspätung verursachen könnte, gefolgt von der Vorhersage, wie lange es dauern würde, diese Probleme zu beheben. Das bedeutet, vor potenziellen Pannen Wetterprobleme, Probleme aufgrund eines unerwarteten Anstiegs der Fahrgastzahlen usw. vorauszusehen. Wenn es keine signifikanten Probleme auf den Gleisen gibt, können Sie mit einfacher Mathematik vorhersagen, wann ein Zug ankommen wird, basierend auf Geschwindigkeit, Standort und Entfernung zur nächsten Station. ML bietet somit einen Mehrwert, Dinge zu prognostizieren, die schief gehen können und die Auswirkungen dieser unerwünschten Ereignisse auf die Ankunftszeiten vorherzusagen.

 

Schlüssel 3: Legen Sie fest, wie Sie den Geschäftswert oder Erfolg messen wollen

ML-Modelle sind statistische Modelle und werden mit verschiedenen Genauigkeitsmetriken geliefert wie „Präzision“, „Rückruf“, „F1-Scores“, „Fläche unter der Kurve“ und ähnliches. Obwohl diese Metriken für Datenforschende sinnvoll sind, um die Qualität ihrer Modelle zu messen, sind sie für Geschäftsinteressierte nicht unbedingt nützlich. Stattdessen muss darüber diskutiert werden, wie der Wert, den dieses Modell für das Geschäft liefert, gemessen wird. Zum Beispiel die Reduzierung von Betrugskosten oder Ausfallraten, wenn das Modell auf eine Reihe historischer Kreditkartentransaktionen oder Hypothekendarlehen angewendet wurde. Eine weitere Maßnahme könnte die Reduzierung von Arbeitskosten sein, wenn das Modell zur Automatisierung eines Geschäftsprozesses eingesetzt wurde. Eine Diskussion darüber, wie die Ergebnisse des Modells in etwas umgesetzt werden, das für Ihr Unternehmen relevant ist, und welche Geschäftskennzahlen für Sie am wichtigsten sind, trägt dazu bei, dass sich alle Beteiligten darüber einig sind, wie der Erfolg aussehen soll.

 

Schlüssel 4: Seien Sie nicht überrascht, wenn sich der Großteil der Bemühungen auf den Aufbau der Infrastruktur für die Erfassung und Untersuchung zusätzlicher Daten konzentriert

Das bedeutet, dass die Beseitigung von Hindernissen bei der Erfassung von Daten aus dem gesamten Unternehmen und die Ermittlung von Datenquellen, die zur Anreicherung Ihrer aktuellen Daten verwendet werden können, usw. alles entscheidende Erfolgsfaktoren sind. Denken Sie an das Beispiel des Pendlerzuges: Das Sammeln von Echtzeitdaten zu Wetterbedingungen, Ausfällen, Fahrgastaufkommen und den Zuständen der Zugwagen wird wahrscheinlich Ihr kritischer Erfolgsfaktor sein. Einer der Gründe beispielsweise, warum die niederländischen Personenzüge in Bezug auf die Pünktlichkeitsquote weltweit an dritter Stelle stehen, sind die Daten, die sie in Echtzeit sammeln und auswerten. Seien Sie also nicht überrascht, wenn sich herausstellt, dass der kritische Pfad Ihres Projekts den Aufbau neuer Dateneingabe-Pipelines und/oder den Einsatz von IoT-Geräten erfordert, um die Daten zu sammeln, die Ihre maschinellen Lernmodelle effektiv machen. Es wird also nötig sein, eine erhebliche Menge Zeit damit zu verbringen, Hindernisse zu beseitigen und Ihr Data-Science-Team dabei zu unterstützen, Zugang zu den benötigten Daten zu erhalten.

 

Schlüssel 5: Ein wissenschaftliches Projekt

Hier geht es um die Erkenntnis, dass ein Data-Science-Projekt ein iterativer Prozess ist, bei dem Sie viel Zeit damit verbringen, mehr über Ihre Daten, Ihr Geschäft, zusätzliche Datenanforderungen usw. zu erfahren. Außerdem könnte die Datenlage nicht die Geschichte erzählen, die Sie im Kopf haben. Sie wird möglicherweise eine Neubewertung der Lösung des Problems oder eine Umstellung auf die Arbeit an anderen Problemen erfordern, von denen Sie zuvor nichts wussten oder die Sie nicht in Betracht gezogen haben. Mit anderen Worten: Der Weg zur Lösung Ihres Problems mit ML wird wahrscheinlich nicht linear sein. Sie sollten dies jedoch nicht als verschwendete Anstrengung betrachten. Zu lernen, was nicht funktioniert oder nicht so funktioniert wie Sie denken, ist genauso wichtig, wie zu lernen, was funktioniert. Es ist auch sehr wahrscheinlich, dass die während des Aufbaus Ihrer ML-Modelle gewonnenen Erkenntnisse anderswo in Ihrem Unternehmen angewandt werden können. Zum Beispiel könnte das Entwickeln eines besseren Verständnisses der Ausgabenmuster Ihrer Kundschaft bei der Erstellung eines Betrugserkennungsmodells möglicherweise Marketingbemühungen, Einzelhandelspartnerschaften und Zufriedenheit der Kundschaft verbessern.

Die erstmalige Einführung von maschinellem Lernen kann einschüchternd wirken, und der Prozess kann frustrierend sein, wenn er nicht ganz so verläuft, wie die typischen aufregenden Schlagzeilen über Unternehmen und die Einführung von KI/ML. Mit ein wenig Planung, Weitsicht und Verständnis für den Prozess können Sie jedoch Ihre Erfolgschancen erheblich verbessern und sicherstellen, dass Ihre Machine-Learning-Projekte einen langfristigen Nutzen für Ihr Unternehmen bringen.

Abstarct image showing Nortal Tark solution

Nortal Tark

Dies ist nur ein Teil dessen, was Sie in Betracht ziehen könnten, wenn Sie bereit sind, Dinge wie Maschinelles Lernen, KI und Large Language Models (LLMs) in Ihre Arbeit zu integrieren.

Nortal Tark ist unser neuestes KI-Angebot, das die Möglichkeit von LLMs nutzt, um aus den Daten unserer Kundschaft zu deren Bedingungen einen Mehrwert zu schaffen. Erfahren Sie, wie wir die Fähigkeit der KI, Wissen zu erwerben, mit der Fähigkeit kombinieren, etwas Nützliches mit diesem Wissen anzufangen.

Mehr erfahren

Kontaktieren Sie uns 

Wir machen Ihr Projekt zu unserem Anliegen.