Augmented Analytics und AutoML

Data Management ist nur ein kleiner Teil der Arbeit eines Datenanalysten. Da der Bedarf an KI- und Analytics-Anwendungen steigt, müssen Unternehmen in Technologien investieren, mit denen sie den gesamten Modellierungs- und Data-Science-Prozess beschleunigen können. Der Workflow von der initialen Fragestellung bis hin zum gut trainierten Modell beinhaltet schließlich eine ganze Reihe von Arbeitsschritten, die mehrfach durchlaufen werden müssen, bis die gewünschte Qualität erreicht ist.

Augmented Analytics: Augmented Analytics ist quasi die natürliche Fortsetzung von Augmented Data Management. Dabei werden KI-Verfahren auf die eigene Domäne angewendet. Augmented Analytics unterstützt den Data Scientist bei der Analyse und befreit ihn von langwierigen Standardtätigkeiten. „Der Data Scientist muss normalerweise sehr viele Parameter manuell verändern“, erklärt Stefan Herbert, Manager Technical Sales - Data Science & AI bei IBM. „In diesem Ansatz werden dem Datenwissenschaftler viele Arbeiten abgenommen, indem die Modellerstellung weitgehend automatisiert wird.“

Sogenannte AutoML-2.0-Tools ermöglichen eine durchgängige Automatisierung. Das geht von der automatischen Erstellung und Auswertung Tausender von Features - dem KI-basierten Feature Engineering - bis hin zur Operationalisierung von ML- und AI-Modellen einschließlich aller Schritten dazwischen. Bei IBM nennt sich dieser Ansatz AutoAI. Das System analysiert die relevanten Daten und trifft auf Basis der Analyse bestimmte Vorentscheidungen. „Im Rahmen von Feature Engineering wählt es erst einmal aus, welche Merkmale in einem Modell relevant sind, und rechnet schon mal Standard-Algorithmen durch“, so Herbert weiter. „Bis zu 45 Standardalgorithmen werden automatisch ausgeführt.“ Als Ergebnis liefert das System die besten vier Modelle und welche Features für die Vorhersage im Modell relevant sind. „Der Data Scientist weiß dann genauer, worauf er sich konzentrieren sollte, um ein möglichst gutes Modell zu erhalten.“

AI PaaS: Der nächste Schritt ist, dass KI und Data Science so einfach werden, dass auch Anwender mit wenigen Kenntnissen Modelle erstellen und Analysen durchführen können. Dies ist dann - nach Verbesserungen der KI-Verfahren und dem Daten-Handling - der dritte Komplex an Innovations-Technologien.

Dem Ansatz der einfacheren Nutzung von KI und Analytics lässt sich AI PaaS zuordnen. Gartner sieht die Plattformen für maschinelles Lernen und KI aus der Cloud als Enabler für die größere Verbreitung von KI und bewertet PaaS als Mega­trend für die kommenden Jahre.

Die Cloud-Angebote - wie sie von IBM, Amazon, Google oder Microsoft betrieben werden - umfassen unter anderem Frameworks für maschinelles Lernen oder vollständig verwaltete ML-Services, die Drag-and-Drop-Tools, kognitive Analysen und individuell erstellte Datenmodelle nutzen.

Die dort bereitgestellten Tools können einerseits Data-Science-Fachleute nutzen, um ihre Ziele schneller zu erreichen und von den dort implementierten komplexen Algorithmen zu profitieren. Andererseits sind auch Unternehmen ohne ausgewiesene Experten mit AI PaaS in der Lage, datengesteuerte Entscheidungen zu treffen.