Gesponsert

Schnelles Setup für Einsteiger und erfahrene Data Scientists Machine Learning zu komplex? Mit IBM Watson Studio einfach durchstarten

Projekte für maschinelles Lernen sind komplex. Wo sollen Daten gespeichert werden? Wir sollen Algorithmen trainiert werden? Viele offene Fragen schrecken Firmen schon vor dem Start zurück. Der Start geht aber auch einfach.

Gesponsert von

(Bild: denisismagilov@adobe.stock.com)

Um KI im Unternehmen effektiv zu betreiben, ist die Automatisierung ein wichtiger Faktor. Die IDG-Studie „Machine Learning 2021“ macht deutlich, wie sinnvoll es ist, KI-Technologien für die Entwicklung von KI-Lösungen zu nutzen. Bereits 73 Prozent der großen Firmen (mit mehr als 10.000 Beschäftigten) setzen auf Machine Learning.

Neben Verringerung der Fehlerquote, Beschleunigung der Bereitstellung und Entlastung der Data Scientists, lassen sich dadurch gesetzliche Vorgaben und Normen, zum Beispiel zum Datenschutz, besser gewährleisten. Die Studie zeigt, mit welchen Herausforderungen viele Unternehmen nach wie vor beim Einsatz von ML und KI zu kämpfen haben und warum es langfristig dennoch keine Alternative gibt. Mit der DataScience-Plattform IBM Watson Studio lassen sich die Herausforderungen meistern.

Watson Studio automatisiert die Einführung künstlicher Intelligenz

IBM Watson Studio ermöglicht die komplette Automatisierung von Datenvorbereitung, Modellauswahl, Optimierung und Implementierung – sprich, es deckt den kompletten KI-Lifecycle ‚end-to-end‘ ab. Das verbessert die KI und spart gleichzeitig Arbeitszeit und Kosten. Mit Watson Studio lassen sich die Daten für das Training vorbereiten, und der am besten passende Modelltyp während des Feature Engineering auswählen. Dadurch hilft Watson Studio auch bei der systematischen Durchsuchung der verschiedenen Modellierungsoptionen. Anschließend kann sich der Data Scientist an die Optimierung machen und erhält dabei Unterstützung durch Watson Studio. Danach erfolgt die Bereitstellung im lokalen Rechenzentrum oder das Betreiben von KI in der Cloud.

DIN und Standards: Normungs-Roadmap künstliche Intelligenz

Ende 2020 hat die Bundesregierung ihre Normungsroadmap Künstliche Intelligenz vorgestellt. Dabei handelt es sich um ein Dokument, in dem Experten KI-Normen und -Standardisierungen für DIN und DKE empfehlen. Hier war auch Dr. Wolfgang Hildesheim, Leiter IBM Watson Group Deutschland, Österreich, Schweiz beteiligt.

Die Roadmap formuliert dabei konkrete Handlungsempfehlungen, mit der KI aus Deutschland effektiv umgesetzt werden kann. In sieben Schwerpunkten erfasst die Roadmap über 70 Standardisierungspotenziale. Um für die eigene KI ebenfalls Normierungen gewährleisten zu können, hilft die Automatisierung mit Watson Studio. Dabei lassen sich auch die Herangehensweisen der Normungsroadmap berücksichtigen und KI nach gängigen Standards bereitstellen.

Wie die Daten nutzen?

Viele Unternehmen geht es seit Jahren darum, ihren „Datenschatz“ zu heben. Dabei sollen die bereits vorhandenen Daten so effektiv wie möglich und gleichzeitig unter den Gesichtspunkten des Datenschutzes und vertrauenswürdiger Verarbeitungen nutzbar gemacht werden. KI-Lösungen sind hier der richtige Ansatz.

Um Daten für ein Modell zu nutzen, können die Funktionen der Modellentwicklung in Watson Studio diese analysieren und automatisiert vorbereiten. Davon profitieren auch Data Scientists ohne umfassende Programmierkenntnisse. Das bedeutet, dass erfahrene Data Scientists effizienter arbeiten und Anfänger schnell einen Einstieg erhalten. Gleichzeitig reduziert dieser Vorgang Fehler. Es muss jederzeit nachvollziehbar sein, wie die Modelle zustande gekommen sind, die der Algorithmus nutzt. Das spielt auch in der Finanzwelt eine wichtige Rolle, da ansonsten die Gefahr besteht, dass FINMA oder BaFin Systemen die rote Karte zeigen.

Nachdem die Modellentwicklung in Watson Studio die Daten vorbereitet hat, macht sich die Lösung an die Auswahl des am besten geeigneten Modells. Dabei bleiben alle Daten jederzeit nachvollziehbar. Watson Studio trainiert dazu mit einer Teilmenge der Daten alle verfügbaren Verfahren. Mit einer Steigerung der verwendeten Datenmenge eliminiert die Software weniger geeignete Verfahren. Am Ende des Prozesses wählt Watson Studio den besten Algorithmus aus. Alle Aktionen bleiben nachvollziehbar.

Der ausgewählte Algorithmus spart auch Rechenzeit und Speicherplatz ein. Watson Studio nutzt spezielle, neue Ansätze, um verschiedene Anforderungen für das Feature Engineering systematisch und genauer zu verfolgen. Dazu bietet die Umgebung auch Reinforcement Learning. In einem PDF-Dokument werden die technischen Grundlagen genauer behandelt. Im Anschluss werden die besten Modell-Pipelines optimiert. Der ganze Prozess kann durch Watson Studio gesteuert werden.

Wenn Data Scientists mit dem Modell zufrieden sind, können sie diese speichern und weiterbearbeiten. Hier stehen auch REST-APIs zur Verfügung. Die Speicherung kann als Python/Jupyter-Notebook erfolgen und mit Watson Studio auf dem Desktop bearbeitet werden. Anschließend kann die Bereitstellung erfolgen. Das Notebook kann für die lokale Bereitstellung im Rechenzentrum aber auch in Cloudumgebungen genutzt werden.

KPMG nutzt KI-Technologien von IBM Watson Studio

KPMG setzt auf diese Technologie, da auch für neuste Machine-Learning-Modelle eine Dokumentationspflicht im Rahmen der DSGVO besteht. Dazu hat KPMG „AI in Control“ entwickelt. Das Framework setzt Kriterien, die welche der Algorithmus einhalten muss. Dabei spielen Integrität, Robustheit und Fairness die wichtigsten Rollen. Das heißt, das Framework steuert auf welche Daten der Algorithmus zugreifen darf und stellt sicher, dass Cyberangriffe den Algorithmus nicht kompromittieren können. Gleichzeitig stellt der Algorithmus durch die Technologie sicher, dass keine diskriminierenden Schlüsse durch den Algorithmus gezogen werden. Ein weiterer, wichtiger Faktor, den „AI in Control“ über Watson Studio sicherstellt, ist die Erklärbarkeit der Ergebnisse, die der Algorithmus präsentiert. Der komplette Weg zur Lösung ist dokumentiert und nachvollziehbar. Als Basis für „AI in Control“ setzt KPMG auf IBM Watson Studio und die IBM Cloud. Mehr zu den Schritten der Entwicklung ist in einem Whitepaper vom KPMG zu lesen.

Cloud oder On-Premise? Die richtige Plattform für Watson Studio

Watson Studio und seine Funktionen können auf Hardware im eigenen Rechenzentrum eingesetzt werden (On-Premises). In vielen Unternehmen wird beim Einsatz von KI auf Public/Multi Cloud oder auf hybride Clouds gesetzt. Daher unterstützt die Umgebung auch zahlreiche Cloud-Infrastrukturen.

Ein Vorteil beim Verwenden von Watson Studio in der Cloud ist die sehr schnelle Bereitstellung der Infrastruktur und die Abrechnung der nur tatsächlich benötigten Ressourcen. Investitionen in Hard- und Software sind dabei nicht nötig. Auch die Skalierbarkeit ist in diesem Fall wesentlich einfacher. Gleichzeitig kann jederzeit parallel eine lokale Infrastruktur bereitgestellt werden.

KI-Modelle können natürlich auch auf der IBM Cloud betrieben werden. AWS, Microsoft Azure oder Google Cloud Computing unterstützen Watson Studio ebenfalls. Der Betrieb in einer Multi-Cloud-Umgebung stellt kein Problem dar. In hyperkonvergenten Netzwerken, die zum Beispiel mit Azure Stack HCI, AWS Outposts oder anderen Lösungen umgesetzt werden, ist Watson Studio mit seinen verschiedenen Funktionen ebenfalls umsetzbar.

Artikelfiles und Artikellinks

(ID:47307280)