Machine Learning liefert uns Werkzeuge, um Geschäftsprozesse zu rationalisieren, die Entscheidungsfindung zu verbessern und die Genauigkeit von Aufgabenlösungen zu erhöhen, bei denen Menschen fehleranfällig sind. Das alles allerdings unter der Einschränkung, dass die geforderten Ergebnisse nicht sofort verfügbar sein müssen, denn Algorithmen müssen Lernen und der Verbrauch an Rechenleistung kann immens sein. Doch nicht alle Machine Learning-Anwendungen und -Projekte werden von Beginn an erfolgreich sein. Viele Unternehmen müssen erst die erforderliche End-to-End-Pipeline aufbauen, um die kontinuierliche Schulung von Modellen zu unterstützen.
Die Bedürfnispyramide – Voraussetzungen für den Erfolg von Data Science und Machine Learning
Wenn Sie mit der Data Science Bedürfnispyramide nicht vertraut sind, beschreibt Monica Rogati (ehemalige VP of Data bei Jawbone und LinkedIn Data Scientist) die verschiedenen Voraussetzungen für den Erfolg mit Data Science und Machine Learning. Die Festlegung der grundlegenden technischen und kulturellen Anforderungen wird wahrscheinlich viel Zeit in Anspruch nehmen. Wenn es um das Toolset geht, werden umfassendere und „End-to-End“-Lösungen wie Googles Tensorflow und AWS Machine Learning attraktiv. Es ist jedoch wahrscheinlich, dass Unternehmen Kompromisse eingehen müssen, um sich an ihre Cloud-Strategie anzupassen und verschiedene Tools einzusetzen, bis der Markt reif ist.
Quelle: Hackernoon https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007
Für die Implementierung von Machine Learning müssen zuerst organisatorische Themen geklärt werden, sowie das Rekrutieren oder die Ausbildung von Spezialisten. Darüber hinaus gibt es noch viele Maßnahmen, die ergriffen werden müssen, um Investitionen in Machine Learning zu maximieren und Funktionalitäten schnell in Frontends und digitale Dienste zu integrieren.
Wie können also heute Apps und digitale Dienste entwickelt werden, die es uns ermöglichen, Machine Learning morgen am effizientesten einzusetzen? Bereits beim Aufbau neuer digitaler Dienste kann Machine Learning bei der Konzeption berücksichtigt werden, so dass die Implementierung später einfacher wird und mehr Wirkung zeigt. Mit der ApiOmat-Plattform entwickeln Kunden schnell digitale Produkte und Dienstleistungen, die es ihnen ermöglichen, die Vorteile von Machine Learning schnell zu nutzen und gleichzeitig digitale Lösungen zu entwickeln, die sich auf ihr heutiges Geschäft auswirken. Das ist unser Ansatz:
1. Erstellung von minimalen Machine Learning-Modellen
Das Ziel jeder digitalen Lösung ist es, dem Anwender einen Mehrwert zu bieten. Ziel sollte es daher sein, mit möglichst geringem Aufwand (Zeit und Ressourcen) einen Mehrwert für die Anwender zu schaffen. Wenn ein Minimum Viable Product (MVP) den Benutzern ohne Machine Learning keinen Mehrwert generieren kann, ist es wahrscheinlich, dass es damit auch keinen Mehrwert generiert.
Wenn ein MVP aus irgendeinem Grund keinen Mehrwert generiert, ohne eine Art von KI- oder Machine Learning-Fähigkeit (z.B. Bilderkennung) zu nutzen, dann sollte die Verwendung von Cloud-APIs in Betracht gezogen werden, welche die grundlegendsten Funktionen abdecken. Services von AWS, Microsoft Azure oder Google bieten möglicherweise nicht die höchste Genauigkeit für Ihren Anwendungsfall, aber sie sollten ausreichen, um den Anwendungsfall zu validieren und eine größere Investition in den Aufbau und die Schulung Ihres eigenen Machine Learning-Modells zu rechtfertigen. Es gibt auch Open-Source-Projekte, die Sie für den Einstieg in die gängigen Machine Learning-Aufgaben verwenden können. Letztendlich können diese Dienste oder Open-Source-Projekte die Anforderungen vollständig erfüllen.
Mit ApiOmat können Kunden schnell neue digitale Dienste für jedes beliebige Frontend-Gerät aufbauen. ApiOmat generiert standardisierte REST-APIs, stellt projektspezifische SDKs für die gängigsten Frontend-Programmiersprachen zur Verfügung und bietet eine verwaltete Datenbank. Dies ermöglicht es unseren Kunden, den Mehrwert für die Nutzer zu fokussieren, anstatt Standardkomponenten jeder von ihnen entwickelten digitalen Lösung neu zu erfinden.
2. Sammeln von Daten und Ereignissen
Da Daten die digitale Währung des maschinellen Lernens sind, muss sichergestellt werden, dass Ihr digitales Produkt alles sammelt, was für den Anwendungsfall relevant sein könnte. Ein Paradebeispiel, das in jedem digitalen Produkt gesammelt werden sollte, ist die Nutzeranalyse. Wenn Sie in der Lage sind, Informationen darüber zu sammeln, wie Nutzer mit Ihrer Anwendung interagieren, welche Aktionen bestimmte Nutzersegmente ausführen, dann sind das Daten, die in Zukunft möglicherweise dazu verwendet werden können, die Nutzerfreundlichkeit durch maschinelles Lernen zu verbessern.
Alle Analysetools, die Sie verwenden, sollten nicht nur Daten sammeln, sondern vor allem auch in einem strukturierten, sauberen und standardisierten Format exportierbar sein. Diese Nutzeranalysen werden nicht von großem Nutzen sein, wenn man sie nicht zum Trainieren von Modellen des maschinellen Lernens verwenden kann. Stellen Sie außerdem sicher, dass Sie über die Möglichkeit verfügen, benutzerdefinierte In-App-Ereignisse zu erstellen. Dies gibt Ihnen die Möglichkeit, dass alle richtigen Metriken gesammelt werden, die spezifisch für Ihre Anwendung sind.
Eine weitere zu berücksichtigende Tatsache ist die Datenverarbeitung und deren rechtlichen Rahmenbedingungen der Analytics Lösung. Viele Analysetools sind SaaS-Modelle und ermöglichen Ihnen den Zugriff auf Ihre Daten, deren Speicherung und Verarbeitung aber an Standorten vollzogen werden kann, deren rechtlichen Rahmenbedingungen nicht immer eindeutig oder konform sind. Viele ApiOmat-Kunden schätzen die Tatsache, dass sie die vollständige Kontrolle über ihre Daten haben und diese nicht in einer Drittanbieterumgebung verwendet oder gespeichert werden, sondern in ihrer eigenen Instanz.
3. Vorhandene Daten aggregieren und strukturieren
Da viele Unternehmen bereits über einen Schatz an Daten verfügen, die in Datenbanken und anderen Silos der Unternehmens-IT (CRMs, ERPs, etc.) verpackt sind. Häufig sind die Daten auch über verschiedene Systeme verteilt und um den vollständigsten Datensatz zu erhalten, kann es notwendig sein, Daten aus mehreren Quellen zu erhalten und bei Bedarf zu orchestrieren. Dies ist eine gängige Implementierung für unsere Kunden, die ApiOmat einsetzen, und sie profitieren auch davon, dass sie ihren Datensätzen zusätzliche Daten hinzufügen können. Oftmals handelt es sich dabei um eine Mediendatei oder einfach um Informationen, die in der Vergangenheit nicht gespeichert wurden, aber für den aktuellen Anwendungsfall relevant sind.
Bei der Integration von Datenquellen mit ApiOmat ist es einfach, Daten aus mehreren Quellen zu aggregieren und zu strukturieren. Ein beliebtes Beispiel ist die Erstellung einer vollständigeren Sicht auf den Kunden durch die Kombination von Daten aus mehreren CRMs oder ERP-Systemen. Auf diese Weise sind die Daten nahezu bereit für Ihre Machine Learning-Pipeline. Mit ApiOmat können Sie einfach Attribute hinzufügen, wenn zusätzliche Labels oder Ergebnisse von Ihrem Machine Learning-Modell geschrieben werden sollen. Auf diese Weise können Sie Datensätze anpassen, ohne Änderungen in Ihren bestehenden oder unternehmensweiten IT-Systemen vornehmen zu müssen.
4. Kennzeichnung und Export von Daten
Da das Hinzufügen von Labels und Attributen zu Ihren Datensätzen mit ApiOmat einfach ist, ist es an der Zeit, mit der eigentlichen Kennzeichnung der Daten zu beginnen. Dies kann manuell oder automatisch erfolgen, basierend auf der Logik, die in ApiOmat geschrieben ist. Unabhängig davon, ob der Kunde beginnt, seine Daten in ApiOmat zu kennzeichnen, hat er immer die Möglichkeit, alle Daten über unsere REST-API zu exportieren.
Der Zugriff auf die Daten über eine API ist unerlässlich, da diese Ihnen ermöglicht, den Datenexport zu automatisieren, so dass Sie leicht auf den neuesten Datensatz zugreifen und ihn zum Trainieren neuer Modelle verwenden können. Da ApiOmat-Kunden ihre Daten bereits aus mehreren Datenquellen integriert oder um zusätzliche Attribute oder Datenmodelle in ApiOmat ergänzt haben, werden die Daten mit Labels strukturiert und sind schulungsreif. Die Extraktion spezifischer Datensätze erfolgt ebenfalls einfach über das ApiOmat und die unterstützte Abfragesprache.
5. A/B-Tests beim Einsatz neuer Modelle verwenden
Bei der Bereitstellung von Machine Learning-Modellen ist es wichtig, dass Sie nicht 100% Ihrer Nutzer für zu einem neuen Modell zuordnen, da Fehler oder falsche Ergebnisse jeden betreffen würden. Es gibt mehrere Ansätze, wie Sie A/B-Tests implementieren können, und im Idealfall ist es dann einfach, zur alten Version zurückzukehren oder das neue Modell bei allen Ihren Nutzern einzuführen.
Da ApiOmat die modulare Backend-Entwicklung mit erweiterten Versionierungskontrollen unterstützt, können Kunden mehrere Versionen ihrer Modelle gleichzeitig einsetzen und ausführen. Da ApiOmat mandantenfähig ist, kann jedes einzelne digitale Produkt entscheiden, wann und wie es eine neue Version Ihres Machine Learning-Service implementieren möchte. Sie werden über die Verfügbarkeit neuer Versionen informiert und können ihren Dienst aktualisieren oder den neuen Dienst parallel zum alten Dienst ausführen.
6. So schnell wie möglich mit der Erfassung weiterer Daten beginnen, wenn diese benötigt werden
Daten sind der Lebensnerv des maschinellen Lernens und Ihre Daten können den Erfolg oder Misserfolg Ihrer Machine Learning-Aktivitäten bestimmen. Bei der Erstellung und Schulung von Modellen kann der Zugriff auf zusätzliche Attribute der Schlüssel zur Verbesserung des Modells sein. Mit ApiOmat dauert das Hinzufügen zusätzlicher Attribute zu bestehenden Modellen oder das Erstellen völlig neuer Datenmodelle dank der API-Generierung und der von ApiOmat bereitgestellten verwalteten Datenbank nur wenige Minuten.
Da sowohl Ihre Initiative zu Machine Learning als auch Ihre digitalen Produkte wachsen, bietet ApiOmat alle Werkzeuge, um schnell auf mehr Daten aus Unternehmenssystemen, Cloud-APIs zuzugreifen oder neue Funktionen im Frontend zu implementieren, um die benötigten Daten zu sammeln.
Machine Learning-fähige Produkte mit ApiOmat umsetzen
Wenn Sie also planen, ein digitales Produkt auf Basis von Machine Learning zu entwickeln, beginnen Sie mit einem MVP und stellen Sie sicher, dass Sie den Nutzern einen Mehrwert bieten können. Es gibt nichts Schlimmeres, als eine riesige Investition in ein digitales Produkt mit – aber auch ohne – Machine Learning zu tätigen, das den Nutzern überhaupt keinen Mehrwert bietet.
Gemeinsam mit unseren Kunden haben wir bereits maschinell lernfähige Produkte entwickelt. Ganz gleich, ob Sie gerade erst anfangen und Beratung bei der Bereitstellung eines digitalen Produkts oder Ihrer bereits implementierten Machine Learning-Modellen benötigen und die Markteinführung neuer digitaler Produkte beschleunigen möchten, nehmen Sie Kontakt mit uns auf. Gerne besprechen wir mit Ihnen, wie sich Machine Learning und ApiOmat auf Ihr Unternehmen auswirken können.