Auto Machine Learning

Machine Learning: Ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung. Algorithmen bauen ein statistisches Modell auf, damit Muster und Gesetzmäßigkeiten in den Lerndaten erkannt werden können.

Auto Machine Learning: Automatisiertes maschinelles Lernen (AutoML) ist die Automatisierung des Prozesses der Anwendung von maschinellem Lernen auf reale Probleme. AutoML deckt die komplette Pipeline vom Rohdatensatz bis zum einsatzfähigen maschinellen Lernmodell ab. Der Zweck von AutoML ist es nicht, den Datenwissenschaftler zu ersetzen, sondern den Datenwissenschaftler von der Last sich wiederholender und zeitraubender Aufgaben zu befreien (Modellauswahl und Parameterabstimmung, sowie Aufbau von Intuition über Datensätze).

Abgrenzung Machine Learning und Automatisierung: Beim Machine Learning werden Daten aufgenommen und anschließend analysiert. Datensignale werden identifiziert, welche für die Zukunft relevant sind. Automatisieren fokussiert sich ausschließlich auf sich wiederholende anweisende Aufgaben und denkt nicht weiter.

Nur 34% aller Unternehmen kommen bei diesem Thema ohne externe Unterstützung aus.

• Ziele durch AutoML:
• Verbesserung interner Prozesse
• Neue Geschäftsmodelle
• Neue Produkte / Dienstleistungen
• Datengrundlage
• Log-Daten
• Adressdaten von Kunden
• Transaktionsdaten
• Ziele des AutoML
• Datenaufbereitung und -einlesung
• Erkennung des Spaltentyps (Bookean, number, etc.)
• Erkennung und Behandlung von schiefen Daten oder fehlerhaften Werten
• Analyse der erziehlten Ergebnisse
Quellen: [1,2,3]

Branchenfokus

• Transportation

Im Jahr 2015 lag die Implementierung von KI-gesteuerten Systemen in Autos und Fahrzeugen bei nur 8 %, aber bis 2025 wird erwartet, dass die Rate auf 109 % steigt. Vernetzte Autos sind derzeit das In-Ding in der Automobilindustrie, in der prädiktive Mechanismen den Fahrern die wahrscheinliche Fehlfunktion von Ersatzteilen, Routen und Fahranweisungen, Notfall- und Katastrophenschutzprotokolle und mehr genau mitteilen.

• Healthcare

KI und maschinelles Lernen helfen Ärzten, dank einer viel größeren Informationsdatenbank fundiertere Diagnosen bei ihren Patienten zu stellen.

• Finance

KI und maschinelles Lernen werden in der Branche zunehmend Fuß fassen und die menschlichen Berater fast vollständig ersetzen.

• Manufacturing Industries

In Kombination mit KI und maschinellen Lernplattformen kann die Robotik viel fortschrittlicher und sogar intelligenter werden.

• Einzelhandel/ Marketing

KI und maschinelles Lernen sind eher für den Fortschritt im Einzelhandel und im Verbrauchersektor verantwortlich. Vor allem im Marketing können sie helfen, das Kundenverhalten zu analysieren und vorherzusagen, um sinnvolle Werbeaktionen, Anzeigen und sogar Produktkanäle zu finden.

AutoML hat das Potential in der Zukunft in sämtliche Branchen ein wichtiger Bestandteil zu sein.

Anwendungsfälle

• Sprachanalyse
• Bilderkennung
• Textanalyse
• Übersetzen von Texten
• Untersuchung von Verhaltensmustern
• Verhaltensorientierte Prognosen
• Chatbots

Herausforderungen

• Know-How
• Datenschutz
• Programmierkenntnisse
• Fairness / Ausgrenzung

Chancen

• Verbessern Sie die Effizienz durch die automatische Ausführung sich wiederholender Aufgaben. Dies ermöglicht es Datenwissenschaftlern, sich mehr auf Probleme statt auf Modelle zu konzentrieren.
• Automatisierte ML-Pipelines helfen auch, potenzielle Fehler zu vermeiden, die durch manuelle Arbeit entstehen.
• AutoML ist ein großer Schritt in Richtung Demokratisierung des maschinellen Lernens und ermöglicht es jedem, ML-Funktionen zu nutzen.

• Datarobot
• HyperScience
• New Knowledge
• Strong Analytics
• Aurora Flight Sciences

• AI Augmentation
• Autonomous Things
• Business Process Automation (BPA)
• Robotic Process Automation (RPA)