Intelligente Systeme Wie Data Science zu einer erfolgreichen KI führt

Die Entwicklung von KI-Methoden schreitet zunehmend voran. Doch auf welche Faktoren kommt es dabei an? Was sollte beachtet werden?

Anbieter zum Thema

MPDV Mikrolab GmbH

USU Software AG

COSCOM Computer GmbH

Lernende Systeme – Die Plattform für Künstliche Intelligenz Geschäftsstelle | c/o acatech

Acatech - Deutsche Akademie der Technikwissenschaften e.V.

Eine große Menge an Daten in Kombination mit intelligenten Algorithmen führt nicht zwangsläufig zu nutzbringenden KI-Anwendungen, denn „große Datenmengen allein genügen leider nicht“, erklärt der Professor für Datenbanken und Informationssysteme der TU Illmenau Kai-Uwe Sattler. Damit die Künstliche Intelligenz auch auf der Ebene der tiefen Netze erfolgreich lernen kann, ist es unumgänglich, dass nicht nur große, sondern auch die richtigen Datenmengen eingepflegt werden. Die Trainingsdaten für Bildererkennung sollten deshalb neben den zu identifizierenden Objekten auch Negativbeispiele umfassen. Hierbei muss jedoch darauf Acht gegeben werden, dass es weder zu Bias noch zu Diskriminierung kommt.

Entscheidend ist, welche Daten verwendet werden

Brauchbar sind lediglich solche Daten, die tatsächlich das zu bearbeitende Problem erfassen. Im Bereich der Predictive Maintenance bedeutet dies, dass es nicht nur die normalen Betriebsdaten, sondern auch Fehlerzustände braucht. Nach der Erfassung der Daten erfolgt deren Aufarbeitung, die aus der Bereinigung, dem Erkennen und dem Entfernen fehlerhafter Werte sowie der Verknüpfung mit anderen Daten besteht. Um eine gewisse Nachvollziehbarkeit sicherzustellen, sollte eine Dokumentation der Daten sowie der Erfassungs- und Verarbeitungsprozesse erfolgen. „Data Engineering stellt die Methoden und Infrastrukturen für diese Prozesse zur Verfügung und umfasst Datenmanagement, Datenintegration und Datenaufbereitung“, äußert Kai-Uwe Sattler.

Was es heute als Data Scientist braucht

Entwicklerinnen und Entwickler, die vertrauenswürdige KI-Anwendungen entwickeln wollen, sollten heutzutage ein gewisses Repertoire an Fähigkeiten mitbringen. Kai-Uwe Sattler zufolge spielen neben Methodenkenntnissen aus dem Bereich des maschinellen Lernens auch Fachwissen zur Datenmodellierung, - transformation und -integration sowie Kenntnisse der Statistik eine bedeutende Rolle. Außerdem braucht es ein umfassendes Anwendungswissen. Es kann zudem hilfreich sein, Know-How in den Bereichen Ethik und Recht zu besitzen, um mit den Daten verantwortungsbewusst umzugehen. Diese Anforderungen gehen über die klassische Softwareentwicklung hinaus und erfordern deshalb einen interdisziplinären Zugang, weshalb Anwendungsexpertinnen und -experten zunehmend Data Literacy-Expertise benötigen und Data Science-Fachleute auch Anwendungsdomänen verstehen müssen, sagt Kai-Uwe Sattler.

Bei Interesse finden Sie weitere Informationen in dem Whitepaper Von Daten zu KI – Intelligentes Datenmanagement als Basis für Data Science und den Einsatz Lernender Systeme der Plattform Lernende Systeme.

Dieser Beitrag erschien zuvor auf unserem Partnerportal Industry of Things.

(ID:47026185)