Voraussetzungen für Machine Learning Projekte

Die wichtigste Komponente für ein lukratives ML Projekt im Unternehmen sind die Daten.

Grosse Unternehmen kaufen sich diese Datensätze oftmals bei einem anderen Unternehmen ein, welches Eigentümer der Daten ist oder es wird eine Vereinbarung über das Eigentum bzw. der Aufteilung dieser Daten geschlossen. Für kleinere Unternehmen, …

…welche nicht über die Mittel verfügen, um die Daten zu kaufen, besteht der erste Schritt darin Daten zu beschaffen, für die sie ein ML-Modell erstellen wollen.

Diese Voraussetzung zeigt auch gleichzeitig auf, wie weit die Spanne sein kann und das Kreativität von hoher Bedeutung für das ML Projekt ist. So kann man z.B. das gesamte Facebook-Modell als Akquisitionssystem für eine Menge kostenloser Daten (Fotos, Beiträge, Beziehungen usw.) betrachten.

Ein Unternehmen, welches erst einmal herausgefunden hat, wie und woher es sich seine Daten beschafft, ob die Daten qualitativ dem Projektziel gerecht werden, was die Anforderungen an die Daten sind, um daraus dann eine Basis zu legen – wird sich als nächstes mit dem Model beschäftigen müssen.

Angefangen von einfachen initialen Modellen, über das Trainieren der Daten, das Ausprobieren verschiedener Ansätze, die Reproduzierbarkeit der Ergebnisse und Machbarkeitsanalysen, wird das Projektteam einige Iterationen durchleben müssen, bis sie zur Findung des Modells kommen, welches es anschliessend dann zu verfeinern gilt.

Ist das ML-Modell entwickelt, geht es in eine Testphase über. Dabei werden Testprotokolle durchgeführt, welche das ML-Modell auf Datenstruktur, Funktionalität, Performance, sowie auf das Verhalten “in wilder”, nicht antrainierter, Umgebung testen. Die letzten beiden Phasen gehen Hand in Hand, wobei das neue Modell in eine – vorerst kleine – Usergruppe verteilt wird, nochmals genaustens überwacht wird und eventuell nochmal Anpassungen gemacht werden, bevor das ML-Modell grossflächig im Feld implementiert werden kann.

Ist ein Modell erst einmal in einem Geschäftsfeld, werden periodische Wartungen nötig sein, da Veränderungen unerwartete Auswirkungen auf die Qualität der ML-Methode haben können.

Quellen:

Managing Machine Learning Projects, Data Science Process Alliance: https://www.datascience-pm.com/machine-learning-project-management/

Managing Machine Learnin Projects, Towards Data Science: https://towardsdatascience.com/managing-machine-learning-projects-226a37fc4bfa

Essential 6 Prerequisites for Machine Learning, Guvi: https://blog.guvi.in/prerequisites-for-machine-learning/

Autor: sepideh

Sepideh Ataie, geboren 1995, schreibt aktuell an ihrer Masterthesis im Bereich Machine Learning, im Studiengang Business Application Architectures, Fakultät Wirtschaftsinformatik an der Hochschule Furtwangen University. Nach ihrem B. Sc. Abschluss im Studiengang WirtschaftsNetze (eBusiness) wollte sie ihr technisches Wissen erweitern, wie auch die grundlegenden Kenntnisse in vielen Themenbereichen der IT, mit Hilfe vom Masterstudiengang (BAM) vertiefen. Nebenbei arbeitet sie als IT-Beraterin in einer Unternehmensberatung in Zürich, wo sie ihr theoretisches IT Wissen aus dem Studium gezielt auch in die Praxis umsetzen kann. Sepideh schreibt in Mupples über Machine Learning and its use in Business Firms (Opportunities and Challenges)

Schreibe einen Kommentar

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.