Machine Learning & Künstliche Intelligenz

Analytics & Data Science

Im Grunde ist der Einsatz von Algorithmen in operativen Geschäftsprozessen heutzutage relativ einfach. Mit Hilfe von cloudbasierten Anwendungen wie AWS (Amazon Web Services), GCP (Google Cloud Platform) oder Microsoft Azure lassen sich vergleichsweise schnell Infrastrukturen entwickeln, die das Training und die Produktion eines oder mehrerer Machine Learning Modelle ermöglichen. Data Scientists erstellen je nach Anwendungsfall Target- oder klassenbasierte Modelle (supervised-, bzw. unsupervised Learning), welche dann von Data Engineers in produktive Umgebungen überführt werden. Über eine Schnittstelle lassen sich Ergebnisse dieser Modelle (z.B. Preisvorhersagen, Empfehlungen für ein Produkt oder ein Service, Anomalien bei Transaktionen, etc.) Anwendern oder Applikationen verfügbar machen.

Modellentwicklung

Neben der Auswahl eines Algorithmus ist ein entsprechendes Feature Engineering und Preprocessing entscheidend für die spätere Performance eines Vorhersagemodells. In den letzten Jahren haben neben Deep Learning Verfahren, welche vor allem für die Text- und Bilderkennung eingesetzt werden, Gradient boosting Verfahren aufgrund Ihrer Leistungsfähigkeit an Popularität gewonnen. Soweit es alle Rahmenbedingungen zulassen, setzen auch wir sehr stark auf solche Machine Learning Modelle. Wenn „Explainability“, Flexibilität und Transparenz über Prozesse und Ursachen im Vordergrund stehen, sind meist „klassischere“ Modelle wie Regression (Linear, Logit, Ridge, Bayes, etc.), Decision Trees, SVMs oder verschiedene Clustering-Verfahren denkbar. Schauen Sie für mehr Informationen zum Thema auch in unseren Blog.

Infrastruktur

Je nachdem, in welcher Kontinuität Sie Vorhersagen durch ein Modell erhalten wollen, benötigen Sie dafür eine mehr oder weniger ausgefeilte Analytics-Infrastruktur. Für die Erstellung eines Prototypen im Rahmen eines „Proof of Concept“, benötigen Sie lediglich den Zugang zu den erforderlichen Daten. Wenn Sie Modelle in produktiven Systemen nutzen wollen, kommen verschiedenste Möglichkeiten in Betracht, deren Auswahl sich in erster Linie an Ihrem Businessplan und Ihrer vorhandenen IT-Infrastruktur orientiert.

Produktion

Nach dem Training eines Modells und der Überführung des zugehörigen Inference Codes in eine Produktionsumgebung wie z.B. Docker, Sagemaker, Azure DataBricks oder Knime, kann nach bestandener QA durch die Data Science Unit und entsprechenden Businessunits das ML Modell genutzt werden. Beispielsweise durch Ihre Mitarbeiter direkt, durch eine API über eine Software, Ihrer Webseite oder Apps auf dem Smartphone. Für eine Übersicht zu möglichen Use Cases schauen Sie auch im Bereich Consulting.