Der Aufstieg des "Citizen Data Scientist":Wie humanisiertes maschinelles Lernen die menschliche Intelligenz steigert

IDC Schätzungen gehen davon aus, dass das weltweite Datenvolumen zwischen 2018 und 2025 um 61 % steigen und schließlich 175 Zettabyte erreichen wird, wobei ein Großteil davon von Unternehmen generiert wird. Wie kann dies genutzt werden, um Geschäftsprozesse zu optimieren, den täglichen Betrieb zu verbessern und Entscheidungen zu treffen?

Die Antwort liegt in humanisierten Plattformen für maschinelles Lernen, sagt Mind Foundry Forschungsdirektor Nathan Korda, die den Inhabern von Geschäftsproblemen fortschrittliche Fähigkeiten des maschinellen Lernens zugänglich machen und den Aufstieg zum „Bürgerdatenwissenschaftler“ ermöglichen.

Zu viele Daten, zu wenig Zeit

Viele Unternehmen haben heute Schwierigkeiten, die Fülle an Daten, die täglich generiert und gesammelt werden, zu analysieren und den vollen Nutzen daraus zu ziehen. Die Herausforderung für Business Problem Owner – ob C-Level-Führungskraft, Analyst oder sogar Operations Manager – besteht darin, ihre Daten effektiv zu verstehen, um den Geschäftswert weiter zu steigern und Prozesse zu optimieren.

Sie haben möglicherweise Tabellenkalkulationen voller Daten und verwenden einfache Datenmodelle, um begrenzten Wert zu extrahieren, aber wie können sie dies weiterbringen? Die Antwort liegt in der besseren Zugänglichkeit des maschinellen Lernens durch benutzerzentrierte Plattformen. Zum ersten Mal ermöglicht dies den Eigentümern von Geschäftsproblemen – Personen mit genauen Kenntnissen über spezifische Probleme und deren Auswirkungen auf den Betrieb –, fortschrittliche maschinelle Lernfunktionen mit dem Geschäftswert zu verbinden.

Die Vorteile stehen allen zur Verfügung

Maschinelles Lernen wird traditionell so betrachtet, dass es umfangreiche Ressourcen, Zeit und technisches Know-how erfordert, was oft die Einstellung von Data Scientists einschließt – ein hochspezialisierter Bereich, in dem die Nachfrage nach Talenten derzeit das Angebot übersteigt. Darüber hinaus sind Data Scientists oft zu weit von einem Geschäftsproblem getrennt, um es in einen Kontext zu setzen und die vollen Auswirkungen zu verstehen, die es auf den Betrieb hat.

Betreten Sie die Citizen Data Scientists – Mitarbeiter, die nicht in dedizierten Data Science- oder Analytics-Rollen tätig sind, die eine humanisierte Plattform für maschinelles Lernen verwenden können, um ihre Daten zu untersuchen und einfach Modelle bereitzustellen, um den Wert der Daten freizusetzen. Dank nutzerzentrierter Plattformen können aktuelle Mitarbeiter ohne Fachschulung Zugang zu Machine Learning-Technologien genießen. Dies ist ein wichtiger Meilenstein, um Dateneigentümer in die Lage zu versetzen, ihre eigenen Daten schnell zu beherrschen und Operationen in großem Maßstab ohne erhebliche Investitionen oder Fachwissen abzuschließen.

Auf Unternehmensebene werden dadurch fortschrittliche Machine-Learning-Lösungen in die Hände kleiner und mittlerer Unternehmen und deren Mitarbeiter gelegt, denen es möglicherweise an Data-Science-Expertise mangelt. Aber die verbesserte Zugänglichkeit des maschinellen Lernens bietet auch neue Möglichkeiten für Data Scientists, die ihnen mehr Zeit geben, um sich Geschäftsproblemen anzunähern und ihre Fähigkeiten auf Innovationen für digitale Transformationsprojekte zu konzentrieren.

Neue Geschäftsmöglichkeiten – schnell und skalierbar

Eine Plattform für maschinelles Lernen bietet Citizen Data Scientists einen besseren Zugang zu den Funktionen, die erforderlich sind, um Daten schnell aufzubereiten und zu visualisieren und anschließend ein geeignetes Modell zu erstellen, bereitzustellen und zu verwalten. Unabhängig davon, ob es darum geht, Aktionen zum Bereinigen und korrekten Formatieren von Daten vorzuschlagen oder das am besten geeignete Modell für einen Datensatz zu empfehlen, eine humanisierte Plattform wurde entwickelt, um Benutzer von Anfang bis Ende durch den Prozess zu führen.

Ein Kernaspekt dieses Ansatzes besteht darin, das Volumen der alltäglichen Datenaufbereitungsaufgaben zu reduzieren. Denken Sie an sich wiederholende Geschäftsprozesse, bei denen Daten routinemäßig auf ähnliche Weise analysiert werden, z. B. Budgetprognosen. Anstatt die Ressourcen der Geschäftsleitung mehrere Wochen lang zu binden, um Budgets basierend auf den erwarteten Geschäftsergebnissen festzulegen, können Manager eine intuitive Plattform für maschinelles Lernen verwenden, um schnell ein Modell zu identifizieren und einzurichten, das zur jährlichen Überprüfung von Budgets wiederverwendet werden kann – was den Zeitaufwand für drastisch reduziert dieser Prozess geht weiter.

Alternativ können Sie ein fortschrittliches Fertigungsunternehmen nehmen, das Präzisionskomponenten entwickelt und produziert. Sie verfügen möglicherweise über Maschinenexperten mit jahrzehntelanger Branchenerfahrung und einem tiefen Verständnis der von Gerätesensoren erzeugten Daten – aber sie können ohne ein dediziertes Data-Science-Team keine Muster und Optimierungsbereiche identifizieren. Mit humanisierten Plattformen für maschinelles Lernen können diese Experten Daten innerhalb von Minuten eingeben, bereinigen und visualisieren und dann ein geeignetes Datenmodell auswählen, um bisher unbekannte Erkenntnisse zu gewinnen.

Mensch trifft Maschine:Komplementäre Fähigkeiten

Machine-Learning-Plattformen sollen die bestehenden Fähigkeiten der Mitarbeiter erweitern. Sie nehmen einen großen Teil der Zeit und Ressourcen weg, die traditionell in die Anwendung von maschinellem Lernen auf Geschäftsdaten investiert wurden, aber das Eigentum und die Kontrolle über den Prozess liegen immer noch beim Benutzer. Dies ist der Schlüssel zum erfolgreichen Einsatz der maschinellen Lerntechnologie.

Anwendungen des maschinellen Lernens eignen sich hervorragend für die Risikobewertung und -verwaltung sowie für datengesteuerte Urteile, es fehlt jedoch die Intuition und Kreativität, die erforderlich sind, um menschliche Angelegenheiten zu kontextualisieren und Probleme zu lösen. Hier ziehen humanisierte Plattformen für maschinelles Lernen die Grenze zwischen „menschlichen“ Aufgaben und „Computer“-Aufgaben. Sie übernehmen arbeitsintensive, sich wiederholende Aufgaben wie Datenbereinigung, datengesteuerte Modellerkennung und Modellvalidierung und befähigen Problembesitzer, ihre Zeit und Ressourcen direkter auf das jeweilige Geschäftsproblem zu konzentrieren.

Letztendlich wird der Computer bei der Anwendung von maschinellem Lernen immer mit einem Menschen zusammenarbeiten müssen. Um den Projekterfolg sicherzustellen, muss maschinelles Lernen Teil eines menschlichen Teams sein, das menschliche Fähigkeiten, Intelligenz und Fähigkeiten erweitert. Menschen haben die einzigartige Fähigkeit, Daten und damit verbundene Fehler zu kontextualisieren. Nehmen Sie ein einfaches Beispiel, bei dem Fehlercodes in einem großen Datensatz vorhanden sind. Eine Machine-Learning-Plattform wird es schwer haben, dies zu kontextualisieren, aber ein Mensch, der sich in der Nähe des Geschäftsprozesses befindet, kann schnell eine Erklärung liefern, z. B. wenn Sensoren außerhalb der Reichweite sind.

Über die unmittelbaren Vorteile hinaus lösen Plattformen für maschinelles Lernen das Problem der Altlasten, sobald ein Citizen Data Scientist das Unternehmen verlässt. Diese Mitarbeiter können maschinelle Lernlösungen entwickeln, um spezifische Geschäftsprobleme zu lösen, und wissen, dass diese Errungenschaften auch nach ihrem Wechsel betriebsbereit, intuitiv und wiederverwendbar sind.

Maschinelles Lernen ist jetzt für jedes Unternehmen machbar

Maschinelles Lernen wird in Unternehmen jeder Größe immer häufiger eingesetzt, um ihre täglichen Abläufe zu optimieren. Vergessen Sie nicht, dass Geschäftsproblemverantwortliche immer ein einzigartiges und genaues Wissen über ein bestimmtes Problem und dessen Relevanz für bestehende Geschäftsprioritäten haben. Zum ersten Mal können sie den Wert ihrer Daten direkt erkennen und steigern, indem sie Maschinenintelligenz in großem Maßstab schnell nutzen.

Die Anwendung von maschinellem Lernen auf Daten muss kein mühsames und ressourcenintensives Projekt mehr sein, das sich über mehrere Monate erstreckt. Der Aufstieg von Citizen Data Scientists bietet kleineren und mittelständischen Unternehmen erhebliche Möglichkeiten, schnell fortschrittliche maschinelle Lernfunktionen zu nutzen, um mehr Einblicke und einen geschäftlichen Nutzen aus ihren Daten zu gewinnen.

Nathan Korda ist Forschungsdirektor am Spin-out für maschinelles Lernen der University of Oxford Mind Foundry .