Du hast deinen AdBlocker an?

Es wäre ein Traum, wenn du ihn für t3n.de deaktivierst. Wir zeigen dir gerne, wie das geht. Und natürlich erklären wir dir auch, warum uns das so wichtig ist. Digitales High-five, deine t3n-Redaktion

Sponsored Post Was ist das?

Maschinelles Lernen: Die große Chance für 2018

Anzeige
Es besteht kein Zweifel daran, dass auch 2018 als Hype-Jahr für maschinelles Lernen (ML) und künstliche Intelligenz (KI) gilt. Lies, wie sich der Trend entwickelt und lerne die Grundlagen des Machine Learning im Whitepaper von Dataiku.

Sowohl ML als auch KI sind in verschiedenen Betrieben allgegenwärtig geworden, sodass die Unternehmen, die diese umsetzen, die Vorzüge fortgeschrittener Analysen unter Beweis stellen, um tagtägliche Aufgaben zu optimieren und die Erträge zu steigern. Um diesen Trend zu erreichen, müssen Teams im gesamten Unternehmen heute mehr denn je zusammenarbeiten, damit die Wiederverwendbarkeit und Reproduzierbarkeit von Datenmodellen in den Mittelpunkt des Unternehmens rückt. Diese weltweite Entwicklung in den Bereichen Technologie und Organisation wird in Deutschland besonders klar deutlich.

Sigmar Gabriel, damals Wirtschaftsminister, verkündete 2016, dass Daten die Ware sind, die das digitaler Zeitalter bestimmen. Zu Beginn eines neuen Jahres scheint sich diese Prophezeiung mehr denn je bewahrheitet zu haben.

Laut einer jüngsten Studie von Bitkom Research und KPMG, haben etwa 60 Prozent der deutschen Unternehmen mittels Datenwissenschaft (einschließlich ML und KI) entweder das Risiko beziehungsweise die Kosten senken oder die Erträge steigern können. Der Mittelstand erfasst langsam aber sicher den Wert der Daten, und Big Data-Technologien werden zunehmend vollumfänglich eingesetzt.

Lade dir hier den kostenlosen illustrierten Leitfaden „Machine Learning Basics“ von Dataiku herunter

Tabellenkalkulationsprogramme ungeeignet für größere Datenanaylsen

Trotz dieser Trends stützen sich 77 Prozent der deutschen Unternehmen noch auf „Small Data Tools“ (wie Excel und Access) für ihre Ad-hoc-Datenanalyse. Der Weg scheint noch lang zu sein, doch verglichen mit 2015 ist die Zahl um zehn Prozentpunkte gesunken, was vielversprechend ist. Unternehmen, die in der Vergangenheit schlecht ausgestattet waren, um große Datenmengen zu verwalten, holen auf – gleichzeitig nimmt die Umsetzung von Data-Science-Plattformen zu.

„Der deutsche Markt für Data-Science- und Analysetools ist noch fragmentiert,“ sagt Sebastian Heinz, CEO von STATWORX, ein führendes deutsches Beratungsunternehmen für Data Science. „Während R und Python in den Bereichen Modell- und Algorithmenentwicklung dominieren, benötigen Unternehmensprojekte für Data Science auch Systeme für verlässlichen Einsatz und Produktion. Die Nachfrage nach integrierten Plattformen, die Modellentwicklung beziehungsweise Modelleinsatz zusammenbringen und somit Corporate Data Science auf ein höheres Niveau bringen, ist sicherlich sehr groß.“

Entscheidungsträger erlernen aus erster Hand den bekannten Leitsatz, welcher besagt, dass bei einem typischen Data-Science-Projekt 80 Prozent auf die Beschaffung, Bereinigung und Vorbereitung der Daten fallen, während die restlichen 20 Prozent die tatsächliche Datenanalyse ausmachen. Sie streben ein optimales 50-zu-50-Verhältnis für die Organisationen an. Data-Science-Plattformen sind für viele die Lösung und die Zukunft, zumal der Besitz der richtigen Instrumente für den richtigen Job den Schlüssel zum Erfolg darstellt.

„Nachdem wir vor kurzem eine Series-B-Finanzierungsrunde in Höhe von 28 Millionen US-Dollar erzielt haben, möchten wir nun den Ausbau weiter beschleunigen,“ sagt Kurt Muehmel, VP von EMEA bei Dataiku, Softwareanbieter einer kollaborativen Data-Science-Plattform.

„Wir haben uns für die Eröffnung eines Betriebs für Deutschland, insbesondere München entschieden, da die Data-Science-Landschaft sich hier schnell entwickelt. Wir meinen, dass Dataiku eine wichtige Rolle bei der Unterstützung von Organisationen spielen kann, moderne Anwendungen von Data Science in der Produktion einzusetzen – sowohl für große Organisationen als auch für kleinere mittelständische Betriebe.“

Die Datenverarbeitung bekleidet oft verschiedene Rollen, vom Business- über den Compliance-Bereich, vom Risiko- bis zu den Datenanalysten. Mit den richtigen Instrumenten für komplexe Systeme sowie verschiedenen Mitarbeitern kann eine effiziente Zusammenarbeit und vor allem Datensicherheit gewährleistet werden (nicht zu vergessen: GDPR ist auf dem Weg). Da die Datenmenge exponentiell ansteigt, ist eine Anpassung mittels einer einheitlichen Datenstrategie im Unternehmen von nun an vorrangig.

Wo aber stehen hier die Analysten? Die Marktnachfrage nach Analysten- und Experten-Positionen für maschinelles Lernen steigt rasant an. Seit 2015 hat sich die Anzahl an Jobangeboten im Bereich Datenwissenschaft verfünffacht!

Für Analysten ist das die Chance, sich zu verbessern und ihre analytischen Fähigkeiten auszubauen. Um diese Nutzer beim Einstieg in die Welt des maschinellen Lernens zu unterstützen, hat Dataiku einen kostenlosen illustrierten Leitfaden zusammengestellt.

Das erwartet dich im Leitfaden

  1. Konzepte des maschinellen Lernens, die allen zugänglich sind
  2. Einleitung zu den Schlüsselkonzepten der Data Science
  3. Top-Prognose-Algorithmen
  4. Wie bewertet man Modelle
  5. Einleitung der Kreuzvalidierungsverfahren und der Hold-Out-Strategie
  6. Einsatz des K-Means-Algorithmus
  7. Material zur weiteren Vertiefung

Jetzt den „Machine Learning Basics“ Leitfaden herunterladen!

 

 

Bitte beachte unsere Community-Richtlinien

Schreib den ersten Kommentar!

Melde dich mit deinem t3n Account an oder fülle die unteren Felder aus.