Take-away 1: Machine Learning ins Business integrieren
Wie implementiert man ML-Projekte richtig im Business-Umfeld? Dieser Frage gingen gleich mehrere Sessions am ersten Tag der ML Con und Voice Con in Berlin nach. Bereits in der ersten Session nach der Konferenzeröffnung durch Wally Brill (Google) sprach Ulrich Bodenhausen (Ulrich Bodenhausen AI Coaching) darüber, wie die Implementierung von technischen Lösungen für künstliche Intelligenz im Business-Kontext gelingen kann. So solle man zwar erst einmal offen mit allen Ideen umgehen, aber auch sicherstellen, dass alle Mitarbeiter einen gemeinsamen Ausgangspunkt haben. Ein Bewusstsein für das, was im Unternehmen tatsächlich möglich ist, sei dafür notwendig, genauso wie ein gemeinsames Grundverständnis von AI im Allgemeinen.
Take-away 2: Von der Theorie zur Praxis
Ebenfalls über Business-Cases sprach Vladimir Rybakov (WaveAccess), der zwei Anwendungsfälle vorstellte, die mit ML realisiert werden sollten. Wie gelingt der Schritt von der Forschung zu maschinellem Lernen in die Praxis, zum realen Mehrwert? Ein Faktor, der hier in Erwägung gezogen werden muss, ist die Genauigkeit von ML-Systemen. So könne eine Erfolgsquote eines selbstlernenden Systems von 95 Prozent in der Medizin bereits ein Problem darstellen, während sie in der Forschung als gut gelten könne. Ein weiteres Problem stelle die notwendige Verarbeitungskapazität dar, die für ML-Systeme gebraucht werde. Während große Unternehmen, die sich auf diesen Bereich spezialisieren, Kosten für die nötigen technischen Kapazitäten einplanen, tun sich kleine Unternehmen oft schwer daran, auch nur tausend Euro im Monat in AWS-Services zu investieren. ML ist in vielen Fällen noch immer teuer, das müssen Unternehmen beachten, die damit arbeiten möchten, und sollten ihren Business Case somit kritisch auswählen.
Take-away 3: Chatbots mit Deep Learning klüger machen
Stimmt der Use Case, kann sich der Einsatz von Systemen mit maschinellem Lernen aber lohnen, wie Aleksandra Vercauteren (Faktion) darstellte. Einen Chatbot manuell so zu trainieren, dass er die diversen Äußerungsmöglichkeiten für ein einziges Anliegen versteht, sei sehr aufwändig. Hier müssen sehr viele Daten verwendet werden, damit dies gelingt. Einfacher wird es, wenn Worte in Vektoren umgewandelt und anhand ihrer numerischen Werte durch Synonyme ersetzt werden. Hier können Ähnlichkeiten aber auch falsch dargestellt werden. Was also tun? Machine Learning hilft hier weiter – Deep Learning, um genauer zu sein. Das benötigt weniger Ressourcen, kann mit ganzen Sätzen arbeiten und beispielsweise eine indirekte Frage aus einer direkten ableiten und somit ebenfalls erkennen. Wer also einen fortgeschrittenen Chatbot bauen möchte, sollte sich ML ansehen.
Speaker werden!
Übrigens: Der Call for Papers für die ML Conference 2019 läuft noch! Wer jetzt also Lust bekommen hat, selbst einmal eine Session auf der Konferenz zu halten, kann noch bis zum 13. Dezember einen Sessionvorschlag einreichen: Mehr Informationen zum Call for Papers gibt es auf der Konferenzwebsite, Session-Vorschläge können hier direkt eingereicht werden.
Workshop: Machine Learning 101++ using Python
mit Dr. Pieter Buteneers (Chatlayer.ai)
Honey Bee Conservation using Deep Learning
mit Thiago da Silva Alves, Jean Metz (JArchitects)
Daten analysieren und transformieren mit Python
mit Doniyor Jurabayev (Freelancer)
Advanced Flow Control
mit Oz Tiram (noris network AG)
Hinterlasse einen Kommentar
Hinterlasse den ersten Kommentar!