Gesponsert

AutoAI im Einsatz So entwickeln Sie vertrauenswürdige und automatisierte KI-Lösungen

Mit AutoAI kann der komplette Lebenszyklus von Lernmodellen beim Einsatz von Machine Learning begleitet werden. Das erhöht die Produktivität von Data Scientists und verbessert Vertrauen und Transparenz für die KI-Lösung.

Gesponsert von

(Bild: AIvelin Radkov@stock.adobe.com)

Data Scientists verbringen nach einer Untersuchung von Deloitte bis zu 80 Prozent ihrer Arbeitszeit mit Aufgaben, die leicht zu automatisieren sind. Gleichzeitig sind diese Aufgaben wiederkehrend und damit für Data Scientists eher langweilig und oft auch demotivierend.

Schon jetzt gibt es laut Bitkom nicht genügend Fachkräfte, um den steigenden Bedarf an Datenanalysen zu decken. Automatisierung kann hier der Schlüssel sein, der Data Scientists von wiederholenden und zeitaufwändigen Tätigkeiten befreit.

Hier liegt es auf der Hand, dass eine Automatisierung der Aufgaben für viele Vorteile sorgen kann. Mit AutoAI steht eine Grundlage dafür zur Verfügung.

Darum ist Ethik beim Einsatz von AI wichtig

Damit Menschen Vertrauen in KI entwickeln, muss die KI ethischen Ansprüchen genügen. Wichtige Grundlagen dafür sind nicht nur Gesetze und Datenschutzrichtlinien, sondern auch Transparenz der verwendeten Daten und Algorithmen.

Erstellen und skalieren Sie vertrauenswürdige KI

Cap Gemini hat für die Studie „Why addressing ethical Questions in AI will benefit Organizations“ untersucht, wie Kunden den Einsatz von KI ethisch bewerten. Dabei wollen 55 Prozent der Kunden mehr Produkte bei dem Unternehmen kaufen und 59 Prozent fühlen sich mit dem jeweiligen Unternehmen besser verbunden. Gleichzeitig fordern 72 Prozent der Kunden, dass sie von der KI fair behandelt werden wollen. Der Erfolg einer KI schlägt sich also unmittelbar in den Finanzen des Unternehmens nieder, das diese KI für Kunden oder Mitarbeiter einsetzt.

Der Bundesverband Digitale Wirtschaft (BVDW) hat in einer Studie dargelegt, dass drei Viertel der Deutschen wünschen, dass Ethik bereits bei der Entwicklung eines Produktes Berücksichtigung finden sollte. Der gleiche Anteil würde Produkten und Diensten den Vorzug geben, die unter ethischen Richtlinien entwickelt wurden.

AutoAI automatisiert die Einführung von KI - und schafft Vertrauen

Ein Drittel der befragten Unternehmen der Cap Gemini-Studie haben zugegeben, dass der Druck der schnellen Einführung von KI-Lösungen zu Lasten der ethischen Herangehensweise führen. Dabei muss das schnelle Einführen einer KI nicht damit einhergehen.

Bei der Verwendung von AutoAI, zum Beispiel über IBM Watson Studio, können wiederkehrende und wichtige Aufgaben beim maschinellen Lernen automatisiert werden. AutoAI hilft bei der Datenaufbereitung, Modellerstellung, dem Feature Engineering und der Optimierung. Dadurch können KI-Lösungen schneller und gleichzeitig auch unter strengen ethischen Richtlinien umgesetzt werden.

Watson Studio bietet Zugriff auf verschiedene Analysemodelle und unterstützt unter anderem die Programmiersprachen R, Python und Scala. Es kann Vorhersagemodelle und präskriptive Modelle miteinander kombinieren. Die erstellten Modelle können anschließend mit verschiedenen Wegen bearbeitet werden, zum Beispiel in Python, OPL oder auch mit natürlicher Sprache.

Automatisierung von Modellen

Zu den Aufgaben gehören Datenaufbereitung, Modellerstellung, Feature Engineering und Optimierung. Gleichzeitig empfinden laut einem Bericht von Forester 51 Prozent der Unternehmen die Optimierung, Beibehaltung und Erweiterung von KI als eine Herausforderung. Dazu stellt IBM Lösungen wie Watson Studio zur Verfügung. Die Plattform kann dabei helfen, den Aufwand für die Modellüberwachung um bis zu 50 Prozent zu reduzieren. Gleichzeitig kann die Modellgenauigkeit um bis zu 30 Prozent erhöht werden.

IBM Watson Studio hilft dabei den Nettogewinn von Unternehmen deutlich zu steigern. In der Studie „New Technology: The Projected Total Economic Impact of Explainable AI and Model Monitoring in IBM Cloud Pak for Data“ geht IBM genauer darauf ein, warum eine mit IBM Watson Studio verwaltete AI nicht nur nachvollziehbarer, sondern auch effektiver ist. Das liegt an der Strategie, den ganzen Lebenszyklus von künstlicher Intelligenz zu überwachen. Das beginnt bereits bei der Vorbereitung der Daten und geht bis zur ständigen Überwachung der zuvor automatisch ausgewählten Modelle.

KI-Vorhersagen optimieren Ressourcenplanung im Lager

Datensätze optimieren, Modelle auswählen, Features entwickeln und Parameter nachbessern

Viele Datensätzen liegen in unterschiedlichen Datenformaten vor und oft fehlen auch Werte. AutoAI kann mit IBM Watson Studio unterschiedliche Algorithmen zum Analysieren, Bereinigen und Vorbereiten der Rohdaten für das maschinelle Lernen nutzen. Anschließend wählt IBM Watson Studio das automatisierte Modell aus, das sich am besten für die zuvor analysierten Daten eignet. Das spart schon viel Arbeitszeit von Data Scientists ein und hilft bei der schnellen Implementierung der KI.

AutoAI ermöglicht das Testen und Einstufen von potenziellen Algorithmen für kleine Teilmengen von Daten. Diese Methode spart Zeit, ohne Leistungseinbußen hinnehmen zu müssen. Hier spielt auch die Feature-Entwicklung eine Rolle, mit der zum Beispiel die Rohdaten in eine Kombination aus Features transformiert werden. AutoAI untersucht verschiedene Auswahlmöglichkeiten zum Erstellen von Features. Gleichzeitig wird die Modellgenauigkeit durch verstärktes Lernen maximiert. Die besten Modellpipelines werden mit AutoAI durch die Optimierung der Hyperparameter verfeinert.

Modelle im ganzen Lebenszyklus überwachen

IBM unterstützt Data Scientists mit Watson OpenScale. Dies bietet eine Modellrisiko-Managementlösung. Sie überwacht und misst Ergebnisse von AI-Modellen über deren kompletten Lebenszyklus. Dazu führt OpenScale auch Modellprüfungen durch, die wiederum mit IBM Watson Studio verwaltet werden.

Neben dem KI-Lebenszyklusmanagement mit AutoAI unterstützt IBM Watson Studio auch IBM SPSS Modeler bei der Aufbereitung von Modellen. Die Bereitstellung der Modelle kann mit IBM Watson Machine Learning (ML) erfolgen. Forester hat IBM Watson Studio zu einem „Leader“ beim maschinellen Lernen eingestuft.

Nur mit Trainingsmodellen ist eine AI tatsächlich intelligent und kann sich selbst ständig verbessern. Das einfache Analysieren von Daten über vordefinierte Datenmodelle ist keine künstliche Intelligenz per Definition.

Live-Event: KI-Lifecycle mit Vertrauen und Transparenz

Machine Learning automatisieren

Bei der Automatisierung von Aufgaben über AutoAI können ML-Projekte sehr viel schneller, effektiver und auch transparenter gestaltet werden. Bei der Umsetzung hilft zum Beispiel IBM Watson Studio. Durch die Automatisierung von Standard-Aufgaben können Data Scientists also bis zu 80 Prozent ihrer Arbeitszeit einsparen. Gleichzeitig verbessert sich die Motivation der Data Scientists und sie können sich um wichtigere, strategische Aufgaben kümmern. IBM Watson Studio überwacht in diesem Zusammenhang auch gleichzeitig die ausgewählten Modelle in Bezug auf Verzerrung, Vertrauen und Transparenz.

IBM Watson Studio vereinfacht die Umsetzung von Data Science in Unternehmen. Dabei kann das Produkt auch in der Cloud eingesetzt werden. Dabei muss natürlich nicht speziell auf die IBM Cloud gesetzt werden. Auch AWS, Azure, Google Cloud Computing und andere Plattformen können mit IBM Watson Studio eingesetzt werden. Um IBM Watson Studio in der Praxis zu testen, steht eine Umgebung in der IBM Cloud zur Verfügung. IBM stellt Watson Studio Desktop auch als lokale Lösung zur Verfügung.

Modelle trainieren

Um Trainingsmodelle für das maschinelle Lernen zu erstellen sind AutoAI-Lösungen wie IBM Watson Studio ideal. Nur wenn Menschen der KI vertrauen, wird die Lösung akzeptiert und kann ihr ganzes Potential ausschöpfen. Dazu ist es wichtig, dass die Trainingsmodelle und Daten transparent, fair, nachverfolgbar und vertrauenswürdig sind. Um das sicherzustellen ist AutoAI der beste Weg, da hier alle notwendigen Aufgaben automatisiert werden. Watson Studio hilft dabei die Daten automatisch zu analysieren und Modelle zu generieren.

(ID:47306819)