Ob Empfehlungen in Online-Shops, die automatische Gesichtserkennung in Fotos, „Alexa“ oder „Siri“ – Im Alltag begegnen wir ständig sogenannter Künstlicher Intelligenz.
Gratis Business Intelligence-Akademie zeigt Dir die klare Anleitung genau dafür:
✅ Den Unternehmenswert durch die Monetarisierung Deiner Daten deutlich zu steigern und damit Vorreiter in der Digitalisierung zu werden
✅ Eine zentrale Datenbasis für Dein Unternehmen aufzubauen, um die richtigen Unternehmensentscheidungen zu treffen
✅ Transparenzpower schaffen - Abschaffung aller Datensilos in Deinem Unternehmen
und das Ganze wirklich kostenlos.
Jetzt anmelden:
https://bimanu-solutions.de/business-intelligence-basic-builder
--------------------------------------------------------------------------
Mit unserer BI-Software kannst Du erste Analytics-Anwendungen innerhalb
Aber auch im Rahmen der Digitalisierung, mit der sich mittlerweile viele Unternehmen beschäftigen, taucht der Begriff „Künstliche Intelligenz“ immer häufiger auf. Künstliche Intelligenz – kurz KI – ist nur möglich mit einer guten Datenbasis, denn diese bildet das Fundament für KI und Machine Learning.
Aber wie bereite ich meine Daten am besten für das Thema Künstliche Intelligenz auf?
Man stelle sich eine Pyramide vor: unten ist meine Datenbasis und ganz oben steht das Thema Machine Learning.
Aber wie gelange ich eigentlich dorthin?
Stufe 1: Auf der untersten Stufe meiner Pyramide befindet sich die Basis und damit die Fragestellung „Wie erfasse ich die Daten und wo erfasse ich sie sinnvoll“?
Was sind meine Rohdaten, was sind meine öffentlichen Daten (z.B. Wetterdaten) oder verwende ich bezahlte Daten? Wie können die Daten ggfs. erzeugt werden und müsste ich dafür Sensorik (z.B. in der Produktion) einsetzen.
Stufe 2: Welche Daten möchte ich erheben, wann möchte ich sie erheben und wo will ich die Daten speichern?
Was bekomme ich inhaltlich aus meinem „Datensilo“? Für das Thema Künstliche Intelligenz benötige ich eine große Datenbasis. Aber wo speichere ich meine strukturierten oder unstrukturierten Daten? Welche Dateiformate oder Metadaten müssen ggfs. erzeugt werden?
Sobald man die Daten auswerten oder analysieren möchten, sollten sie an einen zentralen Ort überführt werden.
Stufe 3: Wenn beide Stufen erfolgreich umgesetzt wurden, können auf dieser Basis bereits Analysen und Auswertungen erstellt werden.
Im Normalfall überprüft der Data Scientist manuell die Daten auf Fehler. Es wäre eine große Verbesserung, wenn Daten automatisiert und vor allem fehlerfrei generiert werden könnten.
Stufe 4: Ich reichere meine Daten an und entscheide mich für ein Machine Learning Modell
Das bedeutet, ich „label“ meine Daten: Das funktioniert zum Beispiel in der Bilderkennung schon sehr gut z.B. werden dort Bilder von z.B. Äpfeln und Apfelsinen manuell markiert um die Künstliche Intelligenz weiter zu trainieren.
Es gibt verschiedene Modelle für machine Learning – dazu sollte man sich vorab fragen, ob ich ein neuronales Netz oder ggfs. andere Infos für mein Modell benötige? Man kann aber auch fertige Machine Learning Modelle nutzen (Facebook, Google oder Azure). Wichtig ist, diese vorab zu testen, um sich dann für ein Modell zu entscheiden, welches zu seinen Anforderungen passt.
Stufe 5: Das Machine Learning Modell wird jetzt gefüttert und trainiert
Die Daten und Ergebnisse aus meinen Machine Learning Rhythmus mache ich für alle nutzbar und füttere mit den gewonnenen Daten mein Modell. Mit diesen Ergebnissen wiederum, können u.a. neue Geschäftsmodelle oder Ideen generiert werden.
Fazit: Überspringen Sie bitte keine der oben genannten Stufen – es ist zwar aufwändiger, aber man muss diesen Weg gehen, um die besten Ergebnisse beim Machine Learning zu erzielen. Finden Sie zusätzlich noch einen geeignete Low Code Plattform, die ihnen die Daten automatisiert aufbereitet, denn manuell zu programmieren ist nicht mehr zeitgemäß. So schaffen Sie beste Voraussetzungen für das Thema Künstliche Intelligenz.