Mit Machine Learning das Potenzial aus Daten nutzen
Big Data ist Realität, aber daraus Wissen zu generieren ist nach wie vor eine Herausforderung. Inzwischen ist aber klar: Gewinner des digitalen Wandels wird sein, wer mit Daten Wertschöpfung betreiben kann. Durch den gezielten Einsatz von Machine Learning Verfahren lassen sich aus Daten neue Erkenntnisse gewinnen und Vorhersagen treffen. So können Unternehmen von Marketing über Vertrieb bis zum After Sales ihre Geschäftsprozesse optimieren oder gar völlig neu gestalten.
Welche Chancen und Risiken bringt Machine Learning für Ihr Geschäftsmodell?
Welche gängigen Technologien werden im Markt bereits erfolgreich eingesetzt?
Welche Best Practices können Sie auf Ihr operatives Geschäft übertragen?
Über diese und weitere Fragen haben wir gemeinsam mit Kunden und Partnern auf dem diesjährigen IoT slashTalk gesprochen.
Wie schnell die Grenzen der kognitiven Wahrnehmung des Menschen erreicht sind, wurde schon in der Moderation von doubleSlash IoT Experte Simon Noggler deutlich. So würden Sie vermutlich – wie er selbst – auch davon ausgehen, auf diesem Bild das Logo des Lifestyle Labels „Hollister“ vor sich zu haben.
Ein direkter Vergleich zeigt jedoch, dass es sich hier nicht um das Logo der Marke „Hollister“ handelt.
Was ist hier passiert? Die Suchmaschine wurde mit einer Vielzahl an Bildern „gefüttert“ und hat anhand dieser Trainingsdaten gelernt, wie welches Logo aussieht. Das System der Suchmaschine hat den menschlichen Wahrnehmungsfehler nicht begangen und die Möwe direkt als das Logo der Marke „Cleptomanicx“ erkannt.
Schlägt also der Computer den Menschen, wenn es ums Lernen geht?
Machine Learning in einer mobilen und vernetzten Welt – Chancen und Herausforderungen
Dr. Dirk Wacker, Director Technology and Innovation bei der Giesecke+Devrient Mobile Security GmbH gab einen Einblick in das breite Feld des maschinellen Lernens – vom Computer Spiel Alpha Go, über Self Service Angebote in der Medizin bis hin zum autonomen Fahren – mittlerweile steckt maschinelle Intelligenz in vielen Anwendungen. Seine Kernaussage: Machine Learning – a gift and a curse.
Demokratisierung des Machine Learnings – Wege zur praktischen Umsetzung
Nico Wilhelm, Partner Development Manager bei Microsoft Deutschland GmbH und Dr. Philipp Kesten, Senior Director Field Engineering bei PTC sprachen darüber, wieso Cloud und Infrastruktur so wichtig für Machine Learning Projekte sind und dass eine der wichtigsten Voraussetzungen für die Demokratisierung der Technologie die einfache Anwendung für Fachbereiche ist.
Wer bewertet besser: Mensch oder Maschine? Anwendung von Machine Learning auf einen operatorbasierten Labortest
Dr. Thomas Mühlenstädt, Industrial Statistician bei der W. L. GORE & Associates GmbH gab Einblicke in die Testverfahren via Bilderkennung für Gore-Tex® Materialien und beschrieb Herausforderungen und Chancen, die in diesem Verfahren stecken.
Abgerundet wurde der slashTalk durch drei Lighning Talks unserer doubleSlash Kollegen rund um das Thema Machine Learning.
Ralf Richter, IoT Lead Developer, beschäftigte sich mit der Frage, warum AI die Cloud liebt:
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.Mehr erfahren
Data Integration Experte Markus Beller gab einen Einblick in die Fehleranfälligkeit von Bilderkennungsalgorithmen:
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.Mehr erfahren
Julian Mehne, Experte für Data Science, zeigte, wie Voreingenommenheit (Englisch: biases) Machine Learning beeinflussen können:
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.Mehr erfahren
Change Management nicht vernachlässigen
Die Einblicke und Best Practices der Referenten haben gezeigt, dass Change Management auch in Machine Learning Projekten eine sehr wichtige Aufgabe ist. Denn wenn menschliche Aufgaben durch Maschinen ersetzt werden, entstehen natürlich Fragen, womöglich gar Ängste, bei den Mitarbeitern. Diesen sollte man sensibel begegnen. Gleichzeitig bringt maschinelles Lernen neue Anforderungen mit sich. Es ändern sich also die Anforderungsprofile an Mitarbeiter – weg vom Operator hin zum Betreuer und Weiterentwickler des Systems. Das gilt im Projekt mit zu denken und diesen Veränderungsprozess mit zu begleiten.
Biases in Machine Learning Projekten
Die Auswirkungen von Biases in Machine Learning Projekten sind nicht zu unterschätzen, denn auch hier gilt „Garbage in – Garbage out“. Wenn die Daten (Input) nicht sauber oder nicht repräsentativ sind, dann ist die Aussagekraft des Modells (Output) auch nicht zufriedenstellend.
Auch die Auswahl des Werkzeugs, z.B. eines bestimmten Algorithmus, impliziert an sich schon eine bestimmte Voreingenommenheit. Das kann zu unzufrieden stellenden Ergebnissen führen.
