Machine Learning für Bloody Beginners. Teil 3: How to get started?

 
 Kevin von Ignaris erklärt die Datenstruktur für ein Machine Learning Modell - Foto: www.scheffen.de

Kevin von Ignaris erklärt die Datenstruktur für ein Machine Learning Modell - Foto: www.scheffen.de

Teil 1: Die Grundlagen
Teil 2: Deep Learning & Anwendungsfälle

Teil 3: How to get started?

Einführung

Künstliche Intelligenz ist die Elektrizität des 21. Jahrhunderts. Mit diesen Worten beschreibt Andrew Ng, einer der bekanntesten Wissenschaftler auf dem Gebiet der künstlichen Intelligenz, sein Forschungsgebiet. Doch was steckt hinter dieser Aussage? Die Nutzbarmachung von Elektrizität hat die zweite Industrielle Revolution losgetreten und prägt unser Leben bis heute. Wenn künstliche Intelligenz die Elektrizität des 21. Jahrhunderts ist, stehen wir erneut vor einer industriellen Revolution. Wie Elektrizität wird künstliche Intelligenz neue Geschäftsmodelle ermöglichen und bestehende Produkte ablösen oder neu erfinden.

Ein gutes Beispiel ist die Landwirtschaft, in der billige Sensoren den Zustand der Pflanzen und des Feldes im Auge behalten. Mittels künstlicher Intelligenz können die optimalen Düngestoffe und der optimale Düngezeitpunkt ermitteln werden. Dadurch werden die Ernteerträge maximiert, ohne Ressourcen zu verschwenden. Mit ein wenig Kreativität fallen einem schnell unzählige weitere Möglichkeiten ein, egal in welchem Anwendungsbereich. Um an dieser Revolution zu profitieren, müssen wir überlegen wie künstliche Intelligenz unser Unternehmen bereichern kann und wo wir das Potential haben unsere Prozesse zu optimieren und automatisieren.

Standard- oder Individualsoftware?

Wichtig ist dabei zwischen zwei Problemklassen zu unterscheiden. Die erste Klasse umfasst Probleme die viele andere Firmen ebenfalls haben, wie z.B. die automatisierte Beantwortung von Kundenanfragen. Die zweite Klasse beinhaltet Probleme die sehr Unternehmens- oder Branchenspezifisch sind.

In der ersten Klasse begegnen wir häufig Lösungen, die unser operatives Geschäft entlasten und zu einer Kostenreduktion führen. Lösungen zu diesen Problemen muss man nicht selbst entwickeln, oft gibt es sogar mehrere Anbieter die sich auf das Bereitstellen einer Lösungen fokussieren. Wichtig ist zu berücksichtigen, dass viele Lösungen noch sehr jung sind und mit der Zeit und zusätzlichen Daten immer besser werden. Vor dem Einsatz sollte man sich jedoch die Frage stellen, wie wichtig die Korrektheit der Ergebnisse sind. Eine Lösung muss keine zu 100% richtigen Antworten liefern um einen Nutzen zu stiften. Sind fehlerfreie Ergebnisse jedoch kritisch und Fehler resultieren in großen Kosten ist es empfohlen abzuwarten, bevor die Technologie bei ihnen eingesetzt wird. Ist man von Anfang an als Nutzer einer Lösung dabei, so hat man die Möglichlichkeit auf Entwicklung durch Feedback Einfluss zu nehmen und damit besser auf die eigenen Probleme anzupassen. Die Tool-Anbieter brauchen die ersten Kunden um das Produkt weiterzuentwickeln und Daten zu generieren - hier entstehen schöne Synergieeffekte.

Die Zweite Klasse an Problemen sind die, deren Lösung man Intern entwickeln muss. Hier ist der Markt zu klein und oft gibt es auch keine frei verfügbaren oder vergleichbaren Daten, mit denen Drittanbieter ein Produkt entwickeln könnten. Die Eigenentwicklung bietet hier einen strategischen Vorteil gegenüber den Konkurrenten und erlaubt es weitere Daten zu sammeln und das Ergebnis kontinuierlich zu verbessern. Google liefert hierfür ein gutes Beispiel. Mit maschinellem Lernen können Präferenzen von Benutzern ermittelt und relevantere Suchergebnisse präsentiert werden. Dadurch ist der Nutzer eher geneigt Google zu nutzen als Konkurrenzprodukte. Außerdem können die Werbeanzeigen einem relevanteren Publikum präsentiert werden, was einen direkten Einfluss auf den Umsatz hat. Jede Technologie die intern entwickelt wird, insbesondere Lösungen im Bereich der künstlichen Intelligenz, stellen ein Vermögensgegenstand dar und erhöhen damit  den Unternehmenswert.

Wichtig ist nicht nur das Produkt einzukaufen, sondern auch das Know-How und die Fertigkeiten zur Weiterentwicklung. Bei maschinell lernenden Produktlösungen gilt meist das Pareto Prinzip - 20% der Arbeit erreichen 80% der Resultate. Die ersten 20% Arbeit werden auch als Machbarkeitsstudie gesehen. Hier schadet es nicht externe Dienstleister mit der Entwicklung zu beauftragen und in einem abgesteckten Projektbudget die Problematik zu erarbeiten. Für die letzten 20% der Ergebnisse und die kontinuierliche Weiterentwicklung ist es hingegen günstiger und strategisch sinnvoller das Know-How ins eigene Team zu integrieren.

 

Benötigt Dein Unternehmen Unterstützung bezüglich künstlicher Intelligenz kannst du uns gerne kontaktieren (E-Mail) oder einfach im Hafven ansprechen.

PS: Weil wir keine Werbung für Google machen wollten, nennen wir hier noch Alternative Suchmaschinen. Dies sind unter anderem DuckDuckGo (sammeln keine persönlichen Daten) und Ecosia (Pflanzen Bäume für Suchanfragen). 

 
Philipp_Schelske.jpg

Philipp Schelske

Philipp studierte Informatik an der Leibniz Universität Hannover und war Teamleiter beim Pilotprojekt “Autonomous Driving” von Horsepower. Hier konnte er insbesondere Erfahrungen in der Anwendung und Optimierung von komplexen Machine Learning Modellen des autonomen Fahrens sammeln.
Bei Ignaris (ehemals Refindit) entwickelt und optimiert er Machine Learning Modelle und beschäftigt sich mit Data Engineering.

Kontakt: Philipp Schelske (E-Mail)

 

Ignaris

Ignaris ist ein Beratungsunternehmen für Machine Learning, Deep Learning und Data Science. Wir begleiten von der Weiterbildung von Mitarbeitern über die Analyse bis zur Implementation von Machine Learning Anwendungen im Unternehmensumfeld.