1. Machen Sie maschinelles Lernen zum Teil einer Modernisierungsstrategie
Nach Jahrzehnten in Forschungslaboren erfährt maschinelles Lernen nun große Aufmerksamkeit für reale Anwendungen, die die Leistungsfähigkeit dieser Technologie bei der extrem schnellen Erkennung von Mustern aus großen und vielfältigen Datenmengen nutzen: Betrugserkennung, Kunde 360, Gesichtserkennung, Workflow-Management, Shopping-Personalisierung und vieles mehr.
Die Amortisierung solcher Initiativen kann beachtlich sein. Aber noch mehr Möglichkeiten gibt es auf dem Weg zur Entwicklung fortschrittlicher Analysesysteme, die die bisher unerreichte Fähigkeit der Maschinenlernfähigkeit nutzen, um Erkenntnisse aus ständig wachsenden Datenmengen zu erkennen, zu organisieren und zu nutzen und das tiefgreifende, transformative Potenzial von Big Data und dem Internet der Dinge zu erschließen.
Um die nächste Stufe maschinellen Lernens zu erreichen, müssen Unternehmen einen soliden Geschäftsfall entwickeln und die Lernalgorithmen für Geschwindigkeit bei großem Volumen implementieren. Sie müssen Systeme mit mehreren integrierten Prozessorkernen und schnelleren Speichersubsystemen verwenden und Architekturen entwickeln, die riesige Datenmengen in Echtzeit verarbeiten können.
Für viele Unternehmen ist jetzt ein idealer Zeitpunkt, um die Erfahrung maschinellen Lernens aufzubauen oder zu beginnen, Wissen zu vertiefen und von den Wettbewerbsvorteilen dieser ausgefeilten Technologie zur Datenanalyse zu profitieren.
Der wichtige erste Schritt ist die Erkenntnis, dass maschinelles Lernen und erweiterte Analysen ein wesentlicher Bestandteil der digitalen Revolution sind.
2. Beginnen Sie mit einem Geschäftsfall (und fangen Sie klein an)
Wenn Unternehmen mit erweiterten Analysen arbeiten möchten, sollte IT die Entscheidungsträger im Unternehmen in die anfängliche F&E-Phase involvieren. Es ist wahrscheinlich, dass die kommerzielle Seite bereits Möglichkeiten in Betracht zieht, neue Erkenntnisse zu gewinnen. Viele werden die Analyseanwendungen und andere Lösungen, die sie benötigen, implementieren und zwar mit oder ohne IT. Das heißt, dass der Einstieg in die Zusammenarbeit für alle von Vorteil ist – und am meisten bei maschinellem Lernen.
Die Technologie kann zahllose Geschäftsprozesse verbessern und zu neuen Geschäftsmodellen, Produkten und Dienstleistungen führen. Außerdem kann sie dazu beitragen, den Schwerpunkt auf die besten Möglichkeiten für den Umstieg auf neue, überraschende und profitable Richtungen zu legen. Eine starke Partnerschaft zwischen Unternehmen und IT erleichtert es, alle verlockenden Möglichkeiten zu prüfen.
Eine erfolgreiche Initiative für maschinelles Lernen bei einer bestimmten geschäftlichen Gelegenheit oder einem Problem Zum Beispiel entwickelte Intel ein "Proof-of-Concept"-Lernprojekt, um die besten Fachhandelspartner in acht vertikalen Branchen in vier Regionen und in acht Sprachen zu identifizieren. Die Fachhändler wurden klassifiziert und ihre Profile wurden mit einem Algorithmus erstellt, der die Website-Inhalte der einzelnen Unternehmen und deren Kommunikation mit Kunden extrahierte. Diese Analyse bot Einblicke in die Selbstvermarktung der Fachhändler. Als Ergebnis dieser Informationen hat das Projekt maschinelles Lernen Kunden gefunden, die den Abteilungen Vertrieb und Marketing bei Intel noch nicht bekannt waren – eine vorrangige Priorität für alle Unternehmen.1
Die Ergebnisse waren beeindruckend. Nachdem die Maschinenlernlösung implementiert wurde, sind doppelt so viele Fachhändler von Leads auf qualifizierte Leads umgestuft worden. Die Klickraten von E-Mail Newslettern wurde verdreifacht und die Zielfachhändler schlossen die Intel Schulung dreimal besser als der Rest der Vertriebspipeline ab.
Der Start eines Projekts mit eng definierten Parametern, die zu klaren Kennzahlen führen, kann Erfolg und Begeisterung für maschinelles Lernen schaffen, was sich im gesamten Unternehmen schnell ausbreitet, und die Bereitschaft der Menschen für eine noch anspruchsvollere Nutzung von vorausschauenden Analysen noch weiter steigert.
3. Suche nach neuen Datenquellen
Maschinelles Lernen basiert noch mehr als andere Analysearten auf einem hohen Volumen und einer Vielzahl an Datenquellen. Angesichts der riesigen Mengen an (in der Regel unstrukturierten) Daten ist es entscheidend, zu ermitteln, wo Daten erstellt, verarbeitet und gespeichert werden.
Isolierte, unvollständige oder inkorrekte Daten müssen in Verbindung mit einem Projekt für maschinelles Lernen behandelt werden. Setzen Sie Ihre Zeit und Anstrengungen dafür ein, Daten zu bereinigen, um das Rauschen in der Analyseumgebung zu reduzieren, das den Wert der Ergebnisse verringern kann.
Doch ein großer Vorteil des maschinellen Lernens besteht darin, dass Daten nicht so sauber wie bei anderen Analysearten sein müssen. Ein weiteres Plus: maschinelles Lernen kann das Volumen und die Vielfalt von Big Data erhöhen und neue Quellen, die größer und billiger sind als das ursprünglich strukturierte Set, freilegen.
Wenn ein Unternehmen mit maschinellem Lernen arbeitet, ist sorgsam zu analysieren, wie viele Daten benötigt werden, und wie die aktuellen Datensets angepasst und verwendet werden können, um ihren Wert zu maximieren. Suchen Sie nach neuen Datenquellen, die häufig von außerhalb des Unternehmens stammen, z. B. präzise Informationen über Wetter und Standort und Bewegung von Personen und Produkten.
Wenn zum Beispiel ein Werbekunde feststellen kann, dass sich Kunden an einem Standort mit schlechtem Telefonempfang und bedecktem Wetter bewegen, sind sie möglicherweise nicht für eine gezielte Werbung empfänglich. Durch die spontane Kombination all dieser Informationen können Marketingkampagnen erheblich verbessert werden.
Ein zukunftsorientierter Ansatz für Datenquellen ermöglicht es Datenwissenschaftlern, mittels sorgfältiger Problemformulierung, exploratorischer Datenanalyse und Datenmodellierung ausgezeichnete Ergebnisse bereitzustellen – selbst wenn die Datenqualität nicht so hoch ist wie von Ihnen gewünscht.
Das Ergebnis ist, dass maschinelles Lernen umfassendes Nachdenken über Datenquellen und deren Verwendung erfordert.
4. Konzipieren einer End-to-End-Lösung
Für eine erfolgreiche Implementierung von maschinellem Lernen benötigen Unternehmen eine hochgradig flexible und skalierbare Infrastruktur – einschließlich Rechen-, Datenspeicher-, Arbeitsspeicher- und Netzwerktechnik, um maschinelles Lernen und andere fortgeschrittene Methoden der Datenanalyse zu entwickeln, zu trainieren und bereitzustellen.
Wie bei jedem Analyseprojekt beginnt maschinelles Lernen mit der Modernisierung. Hierzu gehört auch die Kenntnis darüber, wie Anforderungen der Abwärtskompatibilität unterbrechungsfrei unterstützt werden können, während neue Anwendungen integriert oder aufgebaut werden.
Die für Geschwindigkeit bei großem Volumen implementierten Algorithmen für maschinelles Lernen müssen von Systemen mit mehreren integrierten Prozessorkernen, schnelleren Speichersubsystemen und Architekturen unterstützt werden, die eine parallele Verarbeitung großer Datenmengen wie Sensorfeeds in Echtzeit ermöglichen. Architekturen wie Apache Hadoop ermöglichen es Unternehmen, Daten in großem Umfang im voll atomarem Format zu speichern und so Datenpunkte für die ersten Schritte maschinellen Lernens und für das Einlernen bereitzustellen.
Berücksichtigen Sie bei jedem Projekt sorgfältig, wo die Informationen eingelernt und verarbeitet werden müssen. Auf diese Weise wird entschieden, wie die vorhandene Infrastruktur optimal genutzt werden kann und ob Cloud-basierte Plattformen oder Speicher berücksichtigt werden müssen.
Die Annäherung an das maschinelle Lernen aus der Perspektive einer End-to-End-Architektur erhöht heute die Erfolgschancen, während das Unternehmen gleichzeitig für zukünftige Verwendungen der erweiterten Analysen vorbereitet wird.
5. Integration von maschinellem Lernen in Pläne für zukünftige Analysen
Maschinelles Lernen kann zunächst einschüchternd wirken. Die erfolgreichsten Implementierer sehen die Technologie jedoch als Weg zur erweiterten Analyse.
In der Regel beginnt maschinelles Lernen mit Schwerpunkt auf betriebliche Verbesserungen. Auch wenn ein Unternehmen in diesem Bereich Fortschritte macht, sollte es sich auf die Zukunft konzentrieren, indem es relevante Fertigkeiten parallel zu der Planung, wie maschinelles Lernen neue Umsätze oder Geschäftsmodelle fördern kann, entwickelt. Denken Sie schon während der ersten Abstecher in diese Technologie an die zukünftigen Vorteile maschinellen Lernens.
Dies kann zu einem Erfahrungsgewinn mit Methoden maschinellen Lernens wie „Deep Learning“ führen, die die Funktionsweise des menschlichen Gehirns imitieren. Moderne neuronale Netzwerke, eine hochmoderne Art maschinellen Lernens, wurden für die Bilderkennung, die Verarbeitung von Video und natürlicher Sprache sowie zum Verstehen komplexer visueller Hinweise eingesetzt, die für das autonome Fahren unerlässlich sind.
Diese Verwendung von Daten ist ein wesentlicher Bestandteil der Analysereife eines Unternehmens. Der Datenwert kann nur maximiert werden, wenn ein Unternehmen über herkömmliche Business Intelligence-Systeme hinaus mit begrenzten Einblicken in die Vergangenheit hinausgeht und fortschrittlichere Analysen einsetzt, die Prognosen über die Zukunft machen und auf diese Prognosen reagiert.
Maschinelles Lernen spielt in zunehmendem Maße eine entscheidende Rolle bei der Umsetzung dieser Ziele. Stellen Sie sicher, dass das maschinelle Lernen mit den Analysemethoden und Big-Data-Strategien des Unternehmens verknüpft ist.
Wie Intel Ihnen auf Ihrem Weg zum maschinellen Lernen hilft
Intel stellt eine Vielzahl an Ressourcen und Technologien bereit, um die robuste, durchgängige Architektur für maschinelles Lernen und für die Analyse zu schaffen. Intel arbeitet mit führenden Systemintegratoren und Technologieanbietern zusammen, um Ihnen proprietäre und Open-Source-Frameworks für die verteilte Speicherung und Verarbeitung von Big Data zu bieten.
In Intel Umgebungen stärkt ein breites Spektrum an Lösungen maschinelles Lernen. Große Unternehmen wie SAP, SAS, IBM und Oracle bieten Produkte und Funktionen für maschinelles Lernen an und leisten einen wichtigen Beitrag zu Open Source, während Cloudera und andere führende Hersteller maschinelles Lernen auf Cloud- und Open-Source-Basis anbieten.
Für erweiterte Analysen mit erweiterter Software können Standardsysteme verwendet werden. Wenn die Datenmengen wachsen, steigt die Betriebszeit einiger Algorithmen exponentiell, bis sie die Kundenanforderungen nicht mehr erfüllen. Intel trägt mit Frameworks und Algorithmen für maschinelles Lernen zur Lösung dieses Problems bei.
Spezielle Hardware verhilft maschinellem Lernen auf die nächste Stufe. Der Intel® Xeon Phi™ Prozessor ist Intels erster Hostprozessor, der speziell für hochparallele Workloads entwickelt wurde. Er unterstützt die Skalierbarkeit, die maschinelles Lernen erfordert. Denken Sie an AlexNet*, ein neuronales Netzwerk, das eine anspruchsvolle Bilderkennung darstellt, die die Maschinenlernalgorithmen bei Millionen von Bildern ausführt, um Muster zu erkennen. Dieser Vorgang kann mehrere Tage dauern.
Wenn maschinelles Lernen ein Muss im Geschäft wird, müssen Unternehmen ihre Infrastruktur zur Unterstützung des digitalen Unternehmens ausbauen.
Die Intel® Math Kernel Library (Intel MKL) und Intel® Data Analytics Acceleration Library (Intel® DAAL) bilden die Bausteine für Algorithmen für maschinelles Lernen und sind für äußerst hohe Leistung auf Intel Prozessoren ausgelegt.