Wie findet man Use Cases für KI?

Mit diesem Prozess haben wir mehr als 50 Unternehmen bei der Entscheidung geholfen, was sie mit KI tun können.

image

Maschinelles Lernen ist ein äußerst vielseitiges Tool. Einige Anwendungen sind sehr öffentlich, wie der Movie Recommender von Netflix oder Google Translate. Viele weitere werden hinter den Kulissen von Teams gebaut, die mit KI sehr spezielle Probleme für ihr Geschäft lösen.

Wenn Ihr Unternehmen über eine große Datenmenge verfügt und Sie sich fragen: “Wie kann ich mit KI etwas Intelligentes aus unseren Daten aufbauen? Lesen Sie weiter! Wir haben vielen Unternehmen geholfen, diese Frage zu beantworten. Dabei gehen wir folgendermaßen vor:

1. Ein Treffen mit den richtigen Leuten arrangieren

2. Alle in maschinelles Lernen einführen

3. Alles aufnehmen, wenig annehmen

4. Eine Liste von Prozessen erstellen, die bereit für maschinelles Lernen sind

5. Machbarkeit prüfen

6. Prioritäten definieren

7. Forschung

8. Eine Entscheidung treffen

1. Ein Treffen mit den richtigen Leuten arrangieren

Welchen Anwendungsfall Sie auch immer entdecken, er muss in den Unternehmenszielen und -daten verankert sein. Weder Management noch IT können Ihnen alle Antworten geben. Sie brauchen ein interdisziplinäres Treffen. Bringen Sie einen Produkt-Visionär (CEO, VP Product) und jemanden, der alle Datensätze kennt (CTO, Head of Data Engineering) zusammen. Für den Termin sollten Sie mindestens einen halben Tag einplanen.

Sie brauchen ein interdisziplinäres Treffen.

2. Alle in maschinelles Lernen einführen

Instrumente

Maschinelles Lernen ist ein Instrument wie jedes andere: Je besser Sie es verstehen, desto besser können Sie es einsetzen. Wenn Leute denken, es sei eine magische Blackbox, dann werden sie Ihnen bei Ihrer Suche nicht helfen können.

Bleiben Sie also pragmatisch, lassen Sie die Mathematik weg und kümmern Sie sich um diese drei Grundlagen des maschinellen Lernens:

  1. Was ist maschinelles Lernen?
  2. Wann können Sie es benutzen?
  3. Was sind die üblichen Missverständnisse?

Ich habe einen Beitrag geschrieben, um diese Fragen zu beantworten: Die 3 Grundlagen des maschinellen Lernens

Sobald alle verstehen, was maschinelles Lernen ist, ist es Zeit für Sie, vom Team zu lernen:

3. Alles aufnehmen, wenig annehmen

Jede Firma ist einzigartig. Selbst in kleinen Industrien ist der Unterschied in dem, was zwei verschiedene Unternehmen benötigen, größer, als Sie vielleicht denken. Versuchen Sie nicht, Ihr Unternehmen in eine vorgefertigte Form zu pressen.

TerrainKartieren Sie das Gelände.

Kartieren Sie das Geschäftsgebiet:

Ziele. Welche Ziele treiben das Unternehmen derzeit an? Was sind die Herausforderungen hinter diesen Zielen?

Geschichte. Welche Projekte wurden in der Vergangenheit realisiert? Was waren die Ergebnisse, die Herausforderungen und die Learnings?

Daten. Welches Datenmaterial gibt es? Wo wird es erzeugt und wo wird es gespeichert? Wie viel konsistente Geschichte gibt es in jeder Datenbank? Wie genau sehen die Tabellen aus? Können die verschiedenen Datensätze auf eindeutige Identifikatoren zusammengeführt werden?

Infrastruktur. Was ist die bevorzugte Infrastruktur? Gibt es relevante Richtlinien oder Einschränkungen, welche Anbieter verwendet werden sollen (On-Premises, AWS oder Google Cloud)?

Data Science Strategy. Was ist Ihre Data Science Vision? Möchten Sie Ihr eigenes Expertenteam aufbauen oder möchten Sie ein erfahrenes Team finden, um eine Lösung zu entwickeln? Oder eine Kombination aus beidem?

Nachdem Sie wissen, was Ihr Geschäft im Moment antreibt, können Sie konkreter werden. Jetzt ist es an der Zeit, alle möglichen Anwendungsfälle zu sammeln.

4. Eine Liste von Prozessen erstellen, die bereit für maschinelles Lernen sind.

Wo werden viele Daten verwendet, um die Entscheidungsfindung zu automatisieren?

Das maschinelle Lernen ist nur ein Instrument, um die Mustererkennung zu automatisieren und dann intelligente Vorhersagen auf der Grundlage dieser Muster zu treffen. Meistens geht es darum, einen bestehenden Prozess zu verbessern, indem man ihn ein wenig intelligenter macht. Prozesse, die gute Kandidaten für maschinelles Lernen sind, sind in der Regel:

Datenbasiert: Die Entscheidungsfindung basiert dabei bereits vollständig auf Daten.

Großer Maßstab: Entscheidungen werden immer wieder getroffen, tausend- oder millionenfach.

Automatisiert: Der Prozess verwendet bereits in gewissem Umfang Software.

Motor

Bereits automatisierte, groß angelegte, datenbasierte Entscheidungsprozesse sind die perfekten Kandidaten für maschinelle Lernsysteme.

Gute Beispiele:

  • Produktempfehlungen
  • Kreditwürdigkeitsprüfung
  • Personalisiertes Marketing
  • Betrugserkennung
  • Bilderkennung

Überlegen Sie also, wo viele Daten verwendet werden, um die Entscheidungsfindung zu automatisieren, und ob es Raum für Verbesserungen gibt.

Der zweitbeste Ort, um maschinelles Lernen zu nutzen, ist die Unterstützung eines Prozesses, der derzeit von Menschen durchgeführt wird. Wenn der Prozess vollständig datenbasiert, sich oft wiederholend, langwierig und daher langsam ist, könnte eine Verbesserung angesagt sein. Können Sie die Prozesse bschleunigen, indem Sie eine Maschine trainieren, die einige dieser Entscheidungen für Sie treffen kann?

5. Machbarkeit prüfen

Finden Sie für jeden Anwendungsfall heraus, ob die erforderlichen Daten erfasst werden. Prüfen Sie insbesondere, ob die verschiedenen Datensätze, die Sie benötigen, zusammengeführt werden können.

Je mehr Machine Learning projekte Sie bereits umgesetzt haben, desto besser können Sie die richtigen Fragen stellen. Bauen Sie auf Ihren bisherigen Erfahrungen auf:

  • Was sind die üblichen Fallstricke bei Projekten wie diesem?
  • Welche Datensätze sind die wichtigsten und welche sind optional?
  • Welche Verbesserung ist in der gegebenen Situation zu erwarten?

Wenn Sie noch keinen ähnlichen Anwendungsfall implementiert haben, sprechen Sie mit einem Team, das dies bereits getan hat.

Besprechen Sie Ihre Idee mit uns

6. Prioritäten definieren

Legen Sie Ideen frühzeitig beiseite, wenn sie nicht dazu beitragen, die wichtigsten Prioritäten des Unternehmens zu realisieren. Fokussieren Sie die Diskussion neu: “Es wäre zwar nett, das zu haben, doch vorerst lassen wir es dabei.”

Stellen Sie die entscheidenden Fragen: “Wenn es uns gelingen würde, die Genauigkeit oder Geschwindigkeit dieses Prozesses um 20% zu automatisieren und zu verbessern, was würde das für einen Umsatz pro Jahr bedeuten?”

Um die verbleibenden Fälle zu vergleichen, erstellen Sie eine Excel-Tabelle mit den folgenden Spalten:

Datenverfügbarkeit - Wie einfach ist der Zugriff auf die richtigen Daten für diese Anwendung? Wenn Sie die Daten noch nicht haben, geben Sie eine sehr niedrige Bewertung ab.

Potenzieller Gewinn - Wenn das Modell sehr gut funktioniert, wie groß ist dann der potenzielle Einfluss auf eine zentrale Geschäftspriorität?

Risiko - Gibt es eine Reihe unbekannter Faktoren, die das Projekt gefährden könnten? Was sagt Ihnen Ihre Erfahrung?

Zeit für die Umsetzung - Priorisieren Sie Quick Wins. Mit einem ersten guten Erfolg im Rücken können Sie zu den komplexeren Projekten übergehen.

7. Forschung

Forschung

Sobald Sie Ihre Top 1-3 Fälle identifiziert haben, führen Sie eine umfassende Suche über Google durch:

  • Wer hat bereits ähnliche Systeme implementiert?
  • Welche Ansätze wurden dabei versucht? Auf welche hat man sich geeinigt und warum?
  • Was waren die Erkenntnisse und die Endergebnisse?

Beim maschinellen Lernen können Sie einige dieser Informationen aus der veröffentlichten wissenschaftlichen Forschung zusammenstellen. Aber kopieren Sie nicht deren Herangehensweise. Es ist wahrscheinlich, dass diese Methode nur für deren spezifischen Datensatz geeignet war. Lassen Sie sich inspirieren und übernehmen Sie die besten Ideen. Benutzen Sie sie, um Ihre weiteren Untersuchungen zu leiten.

Eine weitere gute Quelle ist Kaggle-competitions. Wenn Sie einen Wettbewerb für einen ähnlichen Anwendungsfall finden, schauen Sie sich die Kernel und die Diskussionen im Forum an. Dadurch erhalten Sie sehr spezifische Informationen darüber, wie man einen Algorithmus implementiert und optimiert, und in den meisten Fällen kann man sogar vollständige Code Beispiele finden.

8. Eine Entscheidung treffen

Aktualisieren Sie Ihr Anwendungsfall-Ranking mit den zusätzlichen Informationen, die Sie bekommen haben. Dann, basierend auf Ihren Recherchen und Erfahrungen, erstellen Sie einen groben Projektplan für jede einzelne Idee.

Stellen Sie Ihrem Team die Ergebnisse – zusammen mit Ihrer Priorisierungstabelle und den Projektplänen – vor.

Wenn Sie dies getan haben, immer unter Berücksichtigung der größeren Ziele, sollte es für Ihr Team jetzt einfach sein, sich für das beste Projekt zu entscheiden.

Zeit, sich an die Arbeit zu machen.

Viel Spaß!


Brauchen Sie Hilfe bei der Erstellung eines KI-Plans? Wir freuen uns immer auf spannende Herausforderungen:

Legen Sie einen Termin mit uns


Mehr zum Thema:

Brauchen Sie Hilfe bei einem Machine Learning Projekt?

Telefontermin buchen

ODER sende mir eine Beschreibung an: m.schmitt@datarevenue.de