Fünf Schlüssel fürzu einer erfolgreichen Machine-Learning-Initiative

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.

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