Machine Learning Herausforderungen

Die drei größten Herausforderungen des B2B Machine Learning und wie man damit umgeht.

Heutzutage gibt es viele großartige Möglichkeiten für Machine Learning (ML)-Lösungen im B2B-Markt. Nicht nur, dass Sie den Vertriebskanälen mehr Intelligenz verleihen, sondern auch Ihre Abläufe intelligenter gestalten. Die Kombination der Leistungsfähigkeit intelligenter Mitarbeiter mit intelligenter Technologie ermöglicht es Ihren Mitarbeitern, Zeit mit Aktivitäten zu verbringen, bei denen ihr Wissen wirklich benötigt wird. ML kann helfen, Einschränkungen in der menschlichen Fähigkeit zur Datenverwaltung zu beseitigen.

Beispiele, bei denen ML Ihnen im täglichen Geschäftsbetrieb helfen kann, sind:

  • Erweiterte Warnungen und Erkennung von vorbeugenden Wartungsarbeiten
  • Vorhersage von Preisschwankungen
  • Erkennung und Analyse von Risiken bei Geschäften und Verträgen
  • Geben Sie Indikatoren für eine schlechte Qualität der Beschreibung oder der Bilder in Produktkatalogen an.
  • Effektives Management des Projektportfolios und der damit verbundenen Ressourcen

Die Umsetzung von ML in die Praxis in einem Nischen-B2B-Umfeld stellt jedoch einige Herausforderungen dar. Innovative Projekte beginnen oft mit einem kleinen Datensatz, der meist die erste große Herausforderung ist

1. Kleine Datensätze

Wie können wir das ML-Modell dazu bringen, mit diesen kleinen Datensätzen zu arbeiten? Um mit kleinen Datensätzen umgehen zu können, müssen wir deterministische Algorithmen und manuelle Korrekturen anwenden, um Anfangsdaten zu klassifizieren und zu analysieren. Wenn der Datensatz wächst, können wir zu deterministischen Algorithmen in Kombination mit maschinellen Lernmodellen übergehen, und sobald genügend Daten verfügbar sind, können wir dann die modellbasierte Analyse des maschinellen Lernens vollständig anwenden.

2. Der große Umfang der Datenanalyse

Die zweite Herausforderung besteht darin, dass in den meisten Projekten der Umfang der Datenanalyse groß ist und vom Verständnis der natürlichen Sprache im Rahmen von Rechtsverträgen bis hin zur Verkehrsprognose für Lieferwagen reicht. So variiert auch die Bandbreite der maschinellen Lernmodelle, Algorithmen, Pakete und Trainingsdaten.

Um dies in einer Produktionsumgebung zu bewältigen, ist es wichtig, die Qualität der verfügbaren Trainingsdaten zu überwachen und die Umschulung automatisch auszulösen.

Dazu gehört die programmatische Verfolgung, wie und in welchem Kontext ein bestimmtes Modell des maschinellen Lernens angewendet wird und wie dieses Modell, das sich auf die Datenelemente bezieht, durch die Systeme fließt.

3. Training mit den Daten

Die letzte große Herausforderung besteht darin, dass viele Phasen des Prozesses manuell durchgeführt werden, einschließlich der Zusammenstellung der Daten, der Auswahl der Daten für das Training, des Trainings von Modellen, der Bewertung der trainierten Modellparameter und des Übergangs zur vollständigen maschinellen Lernanalyse. Dies wird zu einem großen Kostenfaktor für das Angebot von Lösungen als Dienstleistung. Die technische Herausforderung besteht darin, Datenbeziehungen zu verfolgen und zu verwalten, um Datensätze zu trainieren, die sehr vielfältig sein können und sich über den Lebenszyklus einer Lösung erheblich weiterentwickeln.

Um dieser Herausforderung gerecht zu werden, ist es wichtig, Metadaten, die mit Datensätzen verknüpft sind, programmatisch zu verwalten, was die Verwaltung von Trainingsdatensätzen mit minimaler menschlicher Aufsicht ermöglicht. Technisch gesehen muss es sich damit befassen, wie Metadaten auf granularer Ebene verknüpft und verwaltet werden können, und zwar in Form von neuen Daten, entfernten Daten, neuen Modellen und hinzugefügten Modellen.

Um diesen Herausforderungen gewachsen zu sein, setzt Kentivo auf eine Management-Plattform, die neben den Trainingsdaten auch die maschinellen Lernmodelle in die Produktion integriert. Als solches entwerfen, entwickeln und bauen wir eine Softwareplattform zur Verwaltung von Modellen des maschinellen Lernens, die mit mehreren Produktionslösungen verbunden sind. Ein Teil davon ist die Automatisierung des gesamten Prozesses für eine beliebige Bandbreite von Modellen des maschinellen Lernens, einschließlich eines nahtlosen Übergangs von deterministischen Algorithmen zur vollständigen Analyse des maschinellen Lernens, sowie die automatische und effiziente Umschulung – und Bereitstellung -, wenn bessere Qualitätsmodelle verfügbar werden.