Prädiktive Analysen mit der Trendskout KI-Plattform

Prädiktive Analysen mit Machine oder Deep Learning können auf unterschiedliche Weisen durchgeführt werden, abhängig vom zugrundeliegenden Algorithmus, der zum Erstellen des Vorhersagemodells verwendet wird. Alle Vorhersagemodelle zielen darauf ab, unbekannte Werte, Eigenschaften oder Ereignisse zu antizipieren. Bei der Vorhersage werden häufig Algorithmen für Klassifizierung, Clustering, Muster- und Bilderkennung eingesetzt. Die folgenden gängigen Typen sind standardmäßig in Trendskout verfügbar:

Anwendungsbeispiele

Leistungsstarke KI-Plattform in der Cloud

Neben spezifischen Modulen für Medienunternehmen bietet die Trendskout AutoML-Plattform auch zahlreiche Möglichkeiten für IT-Teams, KI-Anwendungen schnell einzurichten. Dies wird durch unsere einzigartige doppelte KI-Layer und die benutzerfreundliche Schnittstelle ermöglicht, die Datentransformationen, die Auswahl von Algorithmen und das Hypertuning vollständig automatisieren.

Welchen Mehrwehrt haben KI und Machine Learning für Organisationen?

Holen Sie sich den kostenlosen Zugang zu unserem Resource Center mit interessanten Anwendungsfällen.

Verbinden

1

Analysieren

2

Prognose

Die Vorhersage ist eine Funktion der KI-Flussanalyse.

Automatisieren

3

Wie funktioniert das technisch?

Vorhersage

Eine häufig vorkommende Art der prädiktiven Analyse ist die Vorhersage eines kontinuierlichen Wertebereichs. Beim Forecasting sind die Daten kontinuierlich, d. h. die Werte befinden sich in einem konstanten Fluss. Dies steht im Gegensatz zur Vorhersage von Labels oder Typen, bei denen die Werte diskret sind, d.h. nicht kontinuierlich aufeinander folgen. Die Temperatur ist ein Beispiel für eine kontinuierliche Reihe von Werten, es kann zu jedem Zeitpunkt eine Temperatur gemessen werden. Die Vorhersage der Temperatur von morgen zum Beispiel ist ein Forecasting. Die Vorhersage, ob es morgen ein Gewitter geben wird, ist eine Labeling, denn Gewitter kommen nicht jeden Tag vor. Es gibt verschiedene Arten von Algorithmen, wie z. B. SMOreg. Für die bereitgestellten Daten sind jedes Mal andere Datenoperationen erforderlich, und auf Grundlage des Ergebnisses davon können andere Algorithmen besser geeignet sein. Die Datenoperationen und die Auswertung des Algorithmus werden von Trendskout bestimmt, sodass kein Benutzereingriff erforderlich ist. Genau wie bei anderen Anwendungen, wie z. B. bei der Klassifizierung, wird auch hier jedes Mal ein Trainingsschritt durchgeführt, bei dem der Forecasting-Algorithmus und sein Hypertuning durch eine Bewertung auf Grundlage der Genauigkeit der Vorhersage im Hinblick auf zuvor nicht verarbeitete Testdaten, die Teil der Trainingsdaten sind, gesteuert werden.

Anomalievorhersage

Bei der Vorhersage von Anomalien geht es um Erkennen und Vorhersagen von außergewöhnlichen Ereignissen, von Anomalien. Im Vergleich zur Vorhersage von Labels und natürlich zum Forecasting sind Anomalien Ereignisse, die seltener auftreten, wie z. B. ein Hurrikan. Da diese Ereignisse so selten auftreten, gibt es in den Trainingsdaten oft nicht viele Informationen, auf die sich der Algorithmus stützen kann, um Zusammenhänge dazu zu erkennen, wann diese Anomalien auftreten. Oder anders ausgedrückt: Die Trainingsdaten sind unausgewogen. Hier sind andere Algorithmentypen und andere Datenoperationen als z. B. beim Forecasting oder der Label-Vorhersage erforderlich. Im Hypertuning-Prozess der Anomalievorhersage werden häufig Techniken wie SMOTE, Unterabtastung („undersampling“) oder Überabtastung („oversampling“) eingesetzt. Das gesamte Hypertuning-Verfahren ist ebenso automatisiert wie alle anderen KI- und Deep Learning-Anwendungen in Trendskout.

Vorhersage von Labels oder Typen

Mithilfe eines Klassifizierungsalgorithmus, z. B. eines neuronalen Netzes, wird anhand von Trainingsdaten ein Klassifizierungsmodell eingerichtet. Dieses Modell hat das Ziel, die Label neuer Daten, z. B. von Produkten oder Veranstaltungen, vorherzusagen. Das ist das am häufigsten auftretende Beispiel für eine Vorhersage und bezieht sich auf das Zuweisen von „Klassen“, oder anders ausgedrückt, von Labels oder Typen zu neuen Daten, die das Modell zuvor noch nicht verarbeitet hat. Diese Daten können entweder strukturierte Daten, unstrukturierte Textdaten oder Bilder sein. Jeder Datentyp hat eine andere Dimensionalität, sodass jedes Mal andere Algorithmen verwendet werden. So sind beispielsweise Bilder oft hochdimensional und neuronale Netze werden häufig zur Vorhersage der richtigen Label verwendet. Welches neuronale Netz – oder welche andere Art von Algorithmus – am besten geeignet ist, entscheidet Trendskout selbständig, was die Qualität des Vorhersagemodells verbessert. Es vermeidet menschliche Fehler und führt auch schneller zum optimalen Vorhersagemodell.

Vorhersage + Trendskout

Die oben genannten Beispiele sind nur eine kleine Auswahl der von Trendskout unterstützten Vorhersageanwendungen.

Obwohl die letztendlichen Ziele der Vorhersageanwendungen sehr ähnlich sind, nämlich die Vorhersage von Werten oder Ereignissen, ist die Technik, mit der das erreicht wird, sehr unterschiedlich. Es gibt verschiedene Variablen, wie z. B. die Wahl des Algorithmus oder des Typs des neuronalen Netzes, die Parameter dieses Algorithmus und die erforderlichen Datenoperationen. Diese drei Variablen bilden zusammen eine unendliche Anzahl von Möglichkeiten, aus denen sich jedes Mal ein anderes Vorhersagemodell ergibt. Mit intelligentem Auto ML, automatisierten Datenoperationen und einer leistungsstarken, intuitiven Benutzeroberfläche wählt Trendskout selbstständig das optimale Vorhersagemodell aus.

Alle Funktionen bei einer Live-Demo entdecken?

Nehmen Sie Kontakt mit uns auf, wir zeigen Ihnen den direkten Mehrwert von maschinellem Lernen für Ihre Organisation.