Maschinelles Lernen ist ein wichtiger Wachstumsfaktor für Unternehmen. Das ist die gute Nachricht. Die schlechte: Nur wenige Firmen nützen Maschinelles Lernen. Der Grund dafür liegt weniger in seiner Funktionalität als den Problemen bei der Umsetzung.
In der Harvard Business Review ist nachzulesen, wie Algorithmen Manager unterstützen können, indem sie datenbasierte Entscheidungen ermöglichen. Das ermöglicht frühere und bessere Weichenstellungen.
Beispiel Accenture: Die Beratungsfirma arbeitet an mehreren Software-Projekten gleichzeitig, und oft werden Probleme erst entdeckt, wenn ein Projekt schon zu weit fortgeschritten ist. Eine post mortem Fehleranalyse ist angesichts der zahlreichen parallelen Baustellen zeit- und energieintensiv. Besser wäre es, möglichen Fehlern schon vorzugreifen:
A proactive solution would save time and reduce the risk of the problems occurring in the first place. Our team decided to address this problem by finding patterns in a complex volume of data, building machine learning models, and using them to anticipate the occurrence of critical problems. We called our effort “AI project manager.”
Entscheidung vier Wochen im Voraus
Für den „AI Project Manager“ werden vergangene Daten von Software-Projekten herangezogen, um ein auf Maschinelles Lernen (ML) basiertes Modell zu trainieren. Das Modell sollte potentielle Risiken bereits vier Wochen vor Eintritt vorhersagen können. Data Science-Instrumente wie Deep Learning, Auto ML und „AI that creates AI“ waren für das neue ML-Paradigma namens ML 2.0 nicht nötig.
ML 2.0 fusst auf vier Aspekten:
- Schnelle Abwicklung: In sieben Schritten hilft ML 2.0, ausgehend von den Rohdaten ein einsatzfähiges Modell zu entwickeln. Ein vierköpfiges Team brauchte dafür beispielsweise nur acht Wochen:
This would not have been possible under the old paradigm, which requires costly buy-ins, like one-off software built for discovery and complex algorithms whose benefit can’t be quantified.
- Mehr Einbindung von Domain Experten: ML 2.0 bietet Domain Experten ein Tool, mit dem sie Schlüsselparameter herausarbeiten und Business Value schaffen können.
- Automatisiertes Feature Engineering: Feature Engineering filtert Muster aus den Rohdaten. Die Zusammenarbeit mit Domain Experten ist dabei wichtig: Während eines Versuchs empfahl das Tool zum Beispiel 40.000 Muster, wovon Domain Experten die 100 vielversprechendsten auswählten.
- Intelligente Modell-Tests: ML 2.0 enthält eine automatische Testing Suite, die unter anderem vorhergehende Zustände der Daten simuliere kann.
ML-Experten müssen sich bewusst werden, dass die neuesten Entwicklungen im Bereich AI nur dann Sinn machen, wenn Organisationen mit der Umsetzung nicht überfordert sind. ML 2.0 kann dabei helfen, die Lücke zwischen Theorie und Praxis zu schliessen und ermöglicht datenbasierte, zukunftsgerichtete Entscheidungen.