In einer Ära, in der Daten zu einer der wertvollsten Ressourcen für Unternehmen geworden sind, definiert eine datengetriebene Kultur die Zukunft des Erfolgs. Unternehmen stehen heute vor der Herausforderung, nicht nur Daten zu sammeln, sondern auch sicherzustellen,...
Einführung In den vorangegangenen Artikeln haben wir die Grundlagen des Reinforcement Learnings (RL) vorgestellt und seine verschiedenen Anwendungsmöglichkeiten in der Wirtschaft erkundet. Um tiefer in das Innenleben der Reinforcement-Learning-Algorithmen...
Einführung In der Regel sind unsere Blogartikel auf Business Use Cases und die Analyse von Geschäftsdaten ausgerichtet. Doch in diesem Artikel möchten wir einen anderen Ansatz wählen. Wir diskutieren, wie uns Methoden, die wir zur Lösung von Geschäftsproblemen...
Aktuellste Machine Learning Modelle, wie sie beispielsweise in ChatGPT eingesetzt werden, haben aufgrund ihrer erstaunlichen Ergebnisse für Furore gesorgt. Generell haben große Sprachmodelle (Large Language Models - LLMs) einen immer stärkeren Einfluss auf die...
Im vorherigen Beitrag haben wir gesehen, wie wichtig es ist, sich bereits frühzeitig mit MLOps zu beschäftigen. MLOps-Plattformen helfen, manuelle Schritte zu reduzieren, die Zusammenarbeit der Teams zu steigern, Vorgaben aus Regulatorik und Compliance einzuhalten und...
Einführung Künstliche Intelligenz (KI) revolutioniert viele Facetten unseres täglichen Lebens und ist ein wichtiger Treiber für die aktuellen Entwicklungen in Unternehmen und der Industrie. Heute lösen KI-gestützte Algorithmen langwierige Probleme und Use Cases auf...
Mit diesem Beitrag wollen wir die Brücke schlagen zwischen dem grundlegenden Verständnis von Reinforcement Learning (RL) und dem Lösen eines Problems mit RL-Methoden. Der Artikel ist in drei Abschnitte unterteilt. Der erste Abschnitt ist eine kurze Einführung in RL....
Explainable AI (XAI) ist momentan eines der meistdiskutierten Themen im Bereich der KI. Entwicklungen wie der AI-Act der Europäischen Union, der Erklärbarkeit zu einer verpflichtenden Eigenschaft von KI-Modellen in kritischen Bereichen macht, haben XAI in den Fokus vieler Unternehmen gerückt, die KI-Modelle entwickeln oder anwenden. Da dies mittlerweile auf einen großen Teil der Wirtschaft zutrifft, ist die Nachfrage nach Methoden, die die Entscheidungen von Modellen nachvollziehbar beschreiben können, immens gestiegen.
In der Theorie lassen sich also mit XAI-Methoden und dem richtigen Know-How selbst komplexe Black-Box-Modelle zumindest teilweise interpretieren. Wie sieht es aber in der Realität aus? Bei vielen Projekten oder Use Cases stellt die Interpretierbarkeit eine wichtige Säule des Gesamterfolgs dar. Sicherheitstechnische Aspekte, fehlendes Vertrauen in die Modellergebnisse, mögliche zukünftige Regularien sowie ethische Bedenken sorgen für die Notwendigkeit interpretierbarer ML-Modelle.
Kurz gesagt, die Antwort ist ja. Automatisiertes Maschinelles Lernen (Auto ML) macht Data Scientists nicht überflüssig. Es ist vielmehr ein nützliches Werkzeug, das ihre Produktivität erhöht. Der größte Nutzen entsteht, wenn Data Scientists Auto ML-Tools verwenden, um...
