In einer vom Wandel geprägt Welt müssen Unternehmen sich dynamisch an neue Bedingungen anpassen und datengetrieben Entscheidungen treffen. Hierbei nutzen Unternehmen Data Science haben erste Erfahrungen mit dem Machine Learning – von Proof of Concepts (PoCs) bis hin zu Minimum Viable Products (MVPs). Viele solcher Projekte sind allerdings noch unausgereift oder werden nicht konsequent weiterverfolgt. Damit bleiben viele Potenziale der Technologie ungenutzt. Die Gründe dafür sind vielfältig: Hohe Anforderungen an Rechenleistungen, Skalierbarkeit von Applikationen oder mangelndes Monitoring von Modellen.
Deshalb ist von Anfang an ein methodisches Vorgehen bei der Realisierung von Machine Learning sinnvoll. Dieses sollte nicht nur die technologischen Aspekte und Algorithmen umfassen, sondern auch die Organisation und die Prozesse, um schnell und effektiv bisher unentdecktes Potential aus Daten zu schöpfen. Besonders auch die Verfügbarkeit von Daten, um bereits vorhandenes Wissen extrahieren zu können muss dabei in den Fokus rücken.
In unserem MHPDeepDive „Machine Learning in der Produktion“ gehen wir darauf ein, wie die Umsetzung datengetriebene Use Cases in Zeiten hoher Dynamik zur schnellen und effektiven Entscheidungstreffung umgesetzt werden können. Hierfür stellen wir die von uns entwickelte Methodik CRISP AI vor, der sich die unterschiedlichen Herausforderungen meisten lassen, um Machine-Learning-Projekte sinnvoll und effizient zu produktiv zu setzen um damit effektiver Entscheidungen treffen zu können. Dir zeigen, welche Herausforderungen bei solchen Vorhaben entstehen und wie man diese effektiv umgehen kann, um schnell Erkenntnisse mit Hilfe von Data Science zu gewinnen und Entscheidungen treffen zu können.
Das erwartet Sie in unserem MHPDeepDive
- Wir zeigen Ihnen auf, wie die Herausforderungen in Machine-Learning-Projekten gemeistert werden können
- Sie erhalten einen Überblick über die von MHP entwickelte Methodik für die Einführung von Machine Learning in der Produktion
- Sie lernen, wie sich Machine-Learning-PoCs erfolgreich skalieren lassen
Referent:
Nikolaj Waller
Senior Consultant | Data Science & AI
