Wie das Trendskout AutoML-Tool das beste Modell findet
1. Algorithmen
Es gibt viele Algorithmen für KI, maschinelles Lernen und Deep Learning. Beispiele sind unter anderem neuronale Netze, Gradientenverfahren, Support Vector Machines. Die Möglichkeiten sind vielseitig, was die Auswahl des richtigen Algorithmus für ein bestimmtes Geschäftsszenario noch weiter erschwert. Jede Art von Algorithmus – man denke nur an neuronale Netze – hat zahlreiche Untertypen, und damit wird die Auswahl noch komplexer und zeitaufwändiger.
Trendskout bewertet jeden Algorithmus und wählt dann denjenigen aus, der für die gewählte Anwendung und den Datensatz am besten geeignet ist.
2. Daten
Es reicht nicht aus, den besten Algorithmus zu finden. Ein Algorithmus muss auch über die richtigen Daten verfügen, um sich selbst zu trainieren, Vorhersagen zu treffen oder Zusammenhänge zu erkennen. Das Datenformat ist sehr wichtig: Es müssen nämlich mehrere Datenoperationen durchgeführt werden, bevor der Algorithmus mit der Verarbeitung und Interpretation der Daten beginnen kann. Auch hier gibt es nahezu unendlich viele Möglichkeiten: z. B. Zusammenführen verschiedener Datenquellen, Transformieren, Generieren von Ableitungen und Variationen oder Denormalisieren.
Die Entscheidung, welche Operationen auf welche Daten angewendet werden sollen, ist komplex. Sie ist abhängig von der Anwendung und dem gewählten Algorithmus.
3. Parameter
Bei jedem Algorithmus für KI, Deep Learning oder Machine Learning gibt es verschiedene Optionen. Sie alle hängen von der Art des Algorithmus (z. B. einem neuronalen Netz) und oft auch von der Unterart ab. Auch bei den Unterarten sind die Möglichkeiten groß: Ein neuronales Netz beispielsweise hat unendlich viele Optionen, sich selbst zu gestalten, man denke nur an die Anzahl der möglichen Neuronen und Schichten und die Art der Verbindungen zwischen ihnen oder die Art und Weise, in der sie untereinander Informationen austauschen. Auch andere Algorithmentypen haben oft eine Vielzahl von Parametern.
Die richtige Parameterkonfiguration ist daher ebenso entscheidend für die Genauigkeit und Leistung Ihrer Anwendung für KI, Machine Learning oder Deep Learning.
