OPEN KNOWLEDGE GmbH, profile picture
Hochgeladen vonOPEN KNOWLEDGE GmbH
PDF, PPTX198 aufrufe

Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.

Das Dokument behandelt die Integration von Künstlicher Intelligenz (KI) in Unternehmensprozesse, insbesondere Machine Learning (ML) zur Verkaufsprognose. Es werden verschiedene Konzepte wie Datenverständnis, Modellierung und die Durchführung von Workshops zur Identifikation von Optimierungsmöglichkeiten vorgestellt. Zudem wird auf die hohe Fehlerquote bei KI-Projekten verwiesen und betont, dass ein fundiertes Verständnis von Daten und klare Ziele für den Erfolg unabdingbar sind.

Präsentation einbetten

Als PDF, PPTX herunterladen
1 / 112
2 / 112
3 / 112
4 / 112
5 / 112
6 / 112
7 / 112
8 / 112
9 / 112
10 / 112
11 / 112
12 / 112
13 / 112
14 / 112
15 / 112
16 / 112
17 / 112
18 / 112
19 / 112
20 / 112
21 / 112
22 / 112
23 / 112
24 / 112
25 / 112
26 / 112
27 / 112
28 / 112
29 / 112
30 / 112
31 / 112
32 / 112
33 / 112
34 / 112
35 / 112
36 / 112
37 / 112
38 / 112
39 / 112
40 / 112
41 / 112
42 / 112
43 / 112
44 / 112
45 / 112
46 / 112
47 / 112
48 / 112
49 / 112
50 / 112
51 / 112
52 / 112
53 / 112
54 / 112
55 / 112
56 / 112
57 / 112
58 / 112
59 / 112
60 / 112
61 / 112
62 / 112
63 / 112
64 / 112
65 / 112
66 / 112
67 / 112
68 / 112
69 / 112
70 / 112
71 / 112
72 / 112
73 / 112
74 / 112
75 / 112
76 / 112
77 / 112
78 / 112
79 / 112
80 / 112
81 / 112
82 / 112
83 / 112
84 / 112
85 / 112
86 / 112
87 / 112
88 / 112
89 / 112
90 / 112
91 / 112
92 / 112
93 / 112
94 / 112
95 / 112
96 / 112
97 / 112
98 / 112
99 / 112
100 / 112
101 / 112
102 / 112
103 / 112
104 / 112
105 / 112
106 / 112
107 / 112
108 / 112
109 / 112
110 / 112
111 / 112
112 / 112
#WISSENTEILEN KI? Ja, gerne! Aber was und wie? @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
#WISSENTEILEN @mobileLarson CIO New Technologies OPEN KNOWLEDGE Lars Röwekamp (Architecture, Cloud, AI & ML)
#WISSENTEILEN Was ist künstliche Intelligenz?
„Artificial Intelligence is a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ (Andreas Kaplan & Michael Haenlein, 2018)
künstliche Intelligenz starke KI schwache KI echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
Teilgebiet des Machine Learnings: bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert Deep Learning
GenAI KI als „Erfinder“ künstliche Intelligenz starke KI schwache KI Deep Learning Machine Learning
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/
Quelle: https://news.microsoft.com/de-de/deep-learning-whitepaper/ KORRELATION vs KAUSALITÄT
Daten, Daten, Daten Modell und Algorithmus Grundwahrheit und Baseline Ruckschluss und Aktion Korrelation, nicht Kausalität KI ist …
#WISSENTEILEN Wie binde ich künstliche Intelligenz ein?
Source Fortune Magazine.: https://fortune.com/2022/07/26/a-i-success-business-sense-aible-sengupta/ „Failure rate of AI projects has been between 83% to 92%.“
Daten 42 Daten Daten Daten Daten Daten Daten Daten Daten ML Voodoo Wenn 42 die Lösung ist, was ist dann das Problem?
Pain Point Pain Point Pain Point Pain Point 42 Pain Point Pain Point ML Project
Exploration Ideation DAYs gute Idee! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
Exploration Ideation DAYs WEEKs gute Idee funktioniert! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
Professionalization Exploration Ideation DAYs WEEKs MONTHs gute Idee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
Professionalization Exploration Ideation DAYs WEEKs MONTHs gute Idee funktioniert nachhaltig! 42 83% propability Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
Professionalization Exploration Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) gute Idee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
ML Project Lifecycle Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
ML Project Lifecycle Ideation DAYs WEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
ML Project Lifecycle Ideation DAYs WEEKs MONTHs Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point 42
1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining ML for Production
1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining
Quelle: https://www.techtarget.com/searchenterpriseai/feature/Data-preparation-for-machine-learning-still-requires-humans
„Wir wollen mit AI unser Geschäft verbessern!“ CEO, mySuperMarket ML for Production am Beispiel …
SALES FORECAST Auf Basis historischer Daten aus mehreren Filialen einer Supermarktkette sollen Verkaufszahlen für die Zukunft vorhergesagt werden. ML for Production am Beispiel …
1 3 5 2 4 6 Business Understanding
„Was war noch mal die konkrete Frage?“ Ideation & Zielbestimmung
Business Understanding am Beispiel AI Ideation - SALES FORECAST „Häufig ist zu viel oder zu wenig Ware auf dem Lager.“ „Verderbliche Ware wird abends weggeschmissen.“ „Marketingkampagnen sind nicht effektiv (genug).“ „Umsatz ist ok, aber nicht wirklich planbar.“ …
AI Ideation WORKSHOP „Verkaufsoptimierung“
WORKSHOP PHASE 1 Opportunity Areas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
WORKSHOP PHASE 2 Opportunity Areas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … abends Restbestände an die Käufer:innen bringen? Goal & Blocker identified In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? AI Ideation Verkaufsoptimierung
WORKSHOP PHASE 3 Opportunity Areas identified Goal & Blocker identified Key Ideas to explore HMW … die Verkaufsplanung auf Produktebene optimieren? In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? Key Idea von StockMag Optimierung des Lagerbestands auf der Basis historischer Lagerbewegungen. Key Idea von SaleUp Adaptive Plattform für Verkaufs- prognosen, die aus dem Feedback der Manager lernt. HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
AI Ideation WORKSHOP ERGEBNISSE Was haben wir gemeinsam erarbeitet / erreicht? • Liste identifizierter Chancen und potenzieller Lösungen • gemeinsam definiertes Ziel, das es via KI zu erreichen gilt • potentielle Blocker, die im Vorfeld ausgeräumt werden sollten EINHEITLICHES VERSTÄNDNIS & GEMEINSAME AUSRICHTUNG
00. HOW MIGHT WE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high
00. HOW MIGHT WE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. • Benefit 01 • Benefit 02 • Benefit 03 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
Business Understanding am Beispiel Business Ziele - SALES FORECAST Es soll eine Bedarfsvorhersage erstellt werden, welche die Vorhersage von Verkäufen*, sowie die Planung von Marketingkampagnen** unterstützt. * … und damit indirekt auch Beschaffung und Lagerhaltung ** ... wie z.B. Promotions oder Einführung neuer Produkte
Business Understanding am Beispiel Analytische Ziele - SALES FORECAST Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen. ACHTUNG: Hier ist ein konkreter Wert wichtig. „Möglichst genau“ hilft bei späterer Validierung und Qualitätsanalyse des Modells leider wenig!
1 3 5 2 4 6 Data Understanding
Daten sammeln, untersuchen & bewerten „Die Wahrheit liegt in den Daten!“
Modeling Data Sets Data Retrival ML4Prod Process Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance
Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Understanding
Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Als Basis für erste Analyse dienen Sales Reports sowie weitere Daten zu den POS aus den letzten drei Jahren. * Anzahl verkaufter Produkte pro Tag ** u.a. Lokation, Größe, Mitarbeiter, Distanz zu Mitbewerbern
Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Die Sales Reports und Daten aus den POS werden mit Hilfe einer Exploratory Data Analysis (EDA) tiefgehender untersucht. Der Fokus der Analyse liegt auf der Fragestellung, welche Variablen einen direkten oder indirekten Einfluss auf die Verkaufszahlen haben.
Sales Data (>1 Mio Datensätze) Store Data (ca. 1100 Datensätze) Data Understanding am Beispiel
Sales Data (>1 Mio Data Records) Data Understanding am Beispiel OBJECT? Inconvenient for ML! DATETIME? For sorting the "Time Series". But is there any more info in there? > 1 MIO Data Records Lots of data! Very nice. INT64? Which values/ranges are possible? And what do they mean? SALES! Target Variable
Data Understanding am Beispiel Store Data (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
Data Understanding am Beispiel Store Data (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
Product Sales “Correlations“
Product Sales “Correlations“
Product Sales “Correlations“
Product Sales “Correlations“
Product Sales “Weekday“ Erhöhte Umsätze nach dem Wochenende Wahrscheinlich nur wenige geöffnete Filialen am Sonntag.
Product Sales “Weekday“ 0 - 25% 25 - 50% 50 - 75% 75 - 100%
Product Sales “Weekday“ *Wochentag sollte als eigenes Feature modelliert werden. DI bis FR ähnliche Muster SA, SO, MO individuelle Muster*
Product Sales “Seasons“ SAISONALITÄT TREND
Data Understanding am Beispiel Daten sammeln & beschreiben - SALES FORECAST Neben den Sales Reports der einzelnen POS gibt es noch zahlreiche weitere Quellen, die zur ML basierten Vorhersage herangezogen werden können, um so ein genaueres Bild zu zeichnen.
Internal Data Sources External Data Sources Unstructured Data Sources Structured Data Sources E-Commerce Sales Data Sales Transactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service
E-Commerce Sales Data Sales Transactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service Weather 3rd Party syndicated Data Macroeconomic Indicators Government Census Customer POS Information Household Panel Data Websites Reviews Marketing Campaigns (Mobile) Apps In-Store Devices Texts CRM Data Internal Data Sources External Data Sources Unstructured Data Sources Structured Data Sources Social Media Click Streams Internet of Things Geolocation Devices Digital Personal Assistants Videos
Data Understanding am Beispiel Daten untersuchen & bewerten - SALES FORECAST Die Daten müssen im Vorfeld auf viele Qualitätsfaktoren hin analysiert werden: Verfügbarkeit, Vollständigkeit, Genauigkeit, Gültigkeit, Konsistenz, Relevanz, Granularität, Kosten
1 3 5 2 4 6 Data Preparation
„Quantität ist nicht gleich Qualität!“ Daten auswählen, transformieren & bereinigen
Data Preparation Process Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Sets Data Retrival
Data Preparation Was genau sind eigentlich diese Features? Was bedeutet Feature Engineering? Und was ist der Unterschied zu Feature Selection?
Feature Selection “Importance“
Sales Prediction ohne zusätzliche Features 150 100 50 0
Sales Prediction mit zusätzlichen Features 150 100 50 0
Data Preparation Die Kunst von Feature Engineering & Selection „As many as necessary and as few as possible.“ • so viele wie notwendig führt zu guten Resultaten • so wenige wie möglich führt zu guter Performance
Data Preparation Feature Selection für jedermann? „There is a tool for it …“ • FeatureTools* • FeatureSelector** **https://github.com/WillKoehrsen/feature-selector *https://www.featuretools.com
1 3 5 2 4 6 Analysis & Modeling
„Welches Modell passt zu mir?“ Modell wählen, trainieren & bewerten
Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Analysis & Modeling
Analysis & Modeling Germanys Next Top Model? Leichter gesagt als getan! Wo soll man da anfangen? Und wie?
Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERING REGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERING REGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
Analysis & Modeling ML Regressors Wenn ein Zukunftswert auf Basis von Vergangenheitswerten vorhergesagt werden soll, kommen in der Regel Regression Algorithmen (aka Regressors) zum Einsatz.
Analysis & Modeling am Beispiel Typische Modell-Kandidaten für „Demand Forecasting“ ARIMA / SARIMA Linear Regression XG Boost K-Nearest Neighbors Regression Random Forrest Long Short-Term Memory (LSTM) Beste Lösung? Abhängig von Fragestellung, z.B. … SARIMA saisonale Vorhersagen Linear Regression Einfluss von Änderungen Trendvorhersagen
Quelle: https://www.datasciencecentral.com/linear-machine-learning-and-probabilistic-approaches-for-time/ Analysis & Modeling am Beispiel RMSE Root Mean Square Error
1 3 5 2 4 6 QA & Validation
„Ist GUT auch wirklich GUT genug?“ Modellqualität vs. Projektziel
Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance QA & Validation
ML Model Training 1. fit 2. predict X_train y_train 3. calc RMSPE „train“ vs score_train QA & Validation am Beispiel y_predict y_train
ML Model Training 4. predict vs score_test QA & Validation am Beispiel X_test y_predict y_test 5. calc RMSPE „test“
QA & Validation am Beispiel score_test score_train ≈ > X
QA & Validation am Beispiel analytisches Ziel "Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen.“ score_test score_train ≈ > X
QA & Validation am Beispiel MAEP of Forecast on Group Level Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Product vs Group Level?
QA & Validation am Beispiel MAEP of Forecast Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Gewichtung?
QA & Validation am Beispiel Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ W-MAEP of Forecast Weighted Mean Avarage Percentage Error
QA & Validation Quelle: https://towardsdatascience.com/a-short-introduction-to-model-selection-bb1bb9c73376
QA & Validation am Beispiel score_test score_train ≈ > X
QA & Validation am Beispiel ML Model Training fit predict X_all y_all deploy Model store Model ML Model Deployment
1 3 5 2 4 6 Deployment & Operation
„ACHTUNG! Dies ist keine Übung!“ Model Deployment & Performance Monitoring
Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Deployment & Operation
“Change is the only constant in life.“ Herklit, griechischer Philosoph
Deployment & Operation Statisches Modell Re-Trained Modell Verschlechterung über die Zeit Regelmäßiges Modell-Update Model Quality Model Quality
Deployment & Operation ML basierter Web Service 4. call WS 1. (re)train 3. (re)deploy predict(…) prediction 2. validate
CONTINUOUS DELIVERY “…the ability to get changes of all types — including new features, configuration changes, bug fixes, and experiments — into production, or into the hands of users, safely and quickly in a sustainable way.“ Jez Humble & Dave Farley
Deployment & Operation am Beispiel MLops etablieren aka CI / CD Pipeline für Änderungen Data Model Code Schema Zeitreihen Mengengerüst Algorithmen Trainings Experimente Anforderungen Bug Fixes Konfigurationen
MLOps: Level 0 https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
MLOps: Level X https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning
Deployment & Operation am Beispiel Überwachung der Modelle Model Performance Model Input/Output Distribution Model Learning Curves Model Evaluation Metrics Model QA Results Hardware Metrics CI/CD Pipeline for ML
ML Monitoring
#WISSENTEILEN Was ihr mitnehmen solltet!
1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production
1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production Exploration
1 3 5 2 4 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for PRODUCTION
#WISSENTEILEN Zeit für Fragen? Immer!
#WISSENTEILEN Vielen Dank! #WISSENTEILEN by open knowledge GmbH @_openKnowledge | @mobileLarson Lars Röwekamp, CIO New Technologies
#WISSENTEILEN BILDNACHWEIS Folie 01: © Merena, iStockphoto.com Folie 20: © Photoplotnikov, iStockphoto.com All other pictures, drawings and icons originate from • pexels.com, • pixabay.com, • unsplash.com, • flaticon.com or were made by my own.

Weitere ähnliche Inhalte

PDF
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
vonOPEN KNOWLEDGE GmbH
 
PDF
Der Spagat zwischen BIAS und FAIRNESS (2024)
vonOPEN KNOWLEDGE GmbH
 
PDF
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
vonOPEN KNOWLEDGE GmbH
 
PPTX
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
vonOPEN KNOWLEDGE GmbH
 
PPTX
Nie wieder Log-Files!
vonOPEN KNOWLEDGE GmbH
 
PPTX
From Zero to still Zero: The most beautiful mistakes going into the cloud.
vonOPEN KNOWLEDGE GmbH
 
PDF
Cloud-native and Enterprise Java? Hold my beer!
vonOPEN KNOWLEDGE GmbH
 
PDF
API Expand Contract
vonOPEN KNOWLEDGE GmbH
 
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die Cloud
vonOPEN KNOWLEDGE GmbH
 
Der Spagat zwischen BIAS und FAIRNESS (2024)
vonOPEN KNOWLEDGE GmbH
 
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data Imputation
vonOPEN KNOWLEDGE GmbH
 
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AI
vonOPEN KNOWLEDGE GmbH
 
Nie wieder Log-Files!
vonOPEN KNOWLEDGE GmbH
 
From Zero to still Zero: The most beautiful mistakes going into the cloud.
vonOPEN KNOWLEDGE GmbH
 
Cloud-native and Enterprise Java? Hold my beer!
vonOPEN KNOWLEDGE GmbH
 
API Expand Contract
vonOPEN KNOWLEDGE GmbH
 

Mehr von OPEN KNOWLEDGE GmbH

PDF
KI und Architektur
vonOPEN KNOWLEDGE GmbH
 
PDF
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...
vonOPEN KNOWLEDGE GmbH
 
PDF
Maschinen ohne Gewissen: wenn KI auf Ethik trifft
vonOPEN KNOWLEDGE GmbH
 
PDF
Shared Data in verteilten Architekturen
vonOPEN KNOWLEDGE GmbH
 
PDF
Shared Data in verteilten Systemen
vonOPEN KNOWLEDGE GmbH
 
PDF
Machine Learning mit TensorFlow.js
vonOPEN KNOWLEDGE GmbH
 
PDF
It's not Rocket Science: Neuronale Netze
vonOPEN KNOWLEDGE GmbH
 
PDF
Zukunftssichere Architekturen mit Microservices
vonOPEN KNOWLEDGE GmbH
 
PDF
Mehr Sicherheit durch Automatisierung
vonOPEN KNOWLEDGE GmbH
 
PDF
Modern Web: Trends der Webentwicklung
vonOPEN KNOWLEDGE GmbH
 
PDF
Business-Mehrwert durch KI
vonOPEN KNOWLEDGE GmbH
 
PDF
Hilfe, ich will meinen Monolithen zurück!
vonOPEN KNOWLEDGE GmbH
 
PDF
Die Matrix: Enterprise-Architekturen jenseits von Microservices
vonOPEN KNOWLEDGE GmbH
 
PDF
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
vonOPEN KNOWLEDGE GmbH
 
PDF
Serverless Survival Guide
vonOPEN KNOWLEDGE GmbH
 
PDF
Auf geht‘s in die Cloud: „Das kann doch nicht so schwer sein!“
vonOPEN KNOWLEDGE GmbH
 
PDF
Supersonic Java für die Cloud: Quarkus
vonOPEN KNOWLEDGE GmbH
 
PDF
API-Design, Microarchitecture und Testing
vonOPEN KNOWLEDGE GmbH
 
PDF
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
vonOPEN KNOWLEDGE GmbH
 
PDF
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
vonOPEN KNOWLEDGE GmbH
 
KI und Architektur
vonOPEN KNOWLEDGE GmbH
 
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...
vonOPEN KNOWLEDGE GmbH
 
Maschinen ohne Gewissen: wenn KI auf Ethik trifft
vonOPEN KNOWLEDGE GmbH
 
Shared Data in verteilten Architekturen
vonOPEN KNOWLEDGE GmbH
 
Shared Data in verteilten Systemen
vonOPEN KNOWLEDGE GmbH
 
Machine Learning mit TensorFlow.js
vonOPEN KNOWLEDGE GmbH
 
It's not Rocket Science: Neuronale Netze
vonOPEN KNOWLEDGE GmbH
 
Zukunftssichere Architekturen mit Microservices
vonOPEN KNOWLEDGE GmbH
 
Mehr Sicherheit durch Automatisierung
vonOPEN KNOWLEDGE GmbH
 
Modern Web: Trends der Webentwicklung
vonOPEN KNOWLEDGE GmbH
 
Business-Mehrwert durch KI
vonOPEN KNOWLEDGE GmbH
 
Hilfe, ich will meinen Monolithen zurück!
vonOPEN KNOWLEDGE GmbH
 
Die Matrix: Enterprise-Architekturen jenseits von Microservices
vonOPEN KNOWLEDGE GmbH
 
Auf gehts in die Cloud: „Das kann doch nicht so schwer sein!“
vonOPEN KNOWLEDGE GmbH
 
Serverless Survival Guide
vonOPEN KNOWLEDGE GmbH
 
Auf geht‘s in die Cloud: „Das kann doch nicht so schwer sein!“
vonOPEN KNOWLEDGE GmbH
 
Supersonic Java für die Cloud: Quarkus
vonOPEN KNOWLEDGE GmbH
 
API-Design, Microarchitecture und Testing
vonOPEN KNOWLEDGE GmbH
 
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & Co
vonOPEN KNOWLEDGE GmbH
 
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?
vonOPEN KNOWLEDGE GmbH
 

Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.

  • 1.
    #WISSENTEILEN KI? Ja, gerne! Aberwas und wie? @_openKnowledge | @mobileLarson Lars Röwekamp | open knowledge GmbH
  • 2.
    #WISSENTEILEN @mobileLarson CIO New Technologies OPENKNOWLEDGE Lars Röwekamp (Architecture, Cloud, AI & ML)
  • 3.
  • 4.
    „Artificial Intelligence isa system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation.“ (Andreas Kaplan & Michael Haenlein, 2018)
  • 5.
    künstliche Intelligenz starke KI schwache KI echteNachbildung des menschlichen Bewusstseins (bis heute nicht existent) Maschine, die menschliches Verhalten (teilweise) imitiert
  • 6.
    künstliche Intelligenz starke KI schwache KI Machine Learning echteNachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert
  • 7.
    Teilgebiet des Machine Learnings:bedient sich mehrschichtiger neuronaler Netze zum Lernen/Entscheiden künstliche Intelligenz starke KI schwache KI Machine Learning echte Nachbildung des menschlichen Bewusstseins (bis heute nicht existent) Teilgebiet der künstlichen Intelligenz: lernt mittels statistischer Methoden und kann sich anhand von Erfahrungen verbessern Maschine, die menschliches Verhalten (teilweise) imitiert Deep Learning
  • 8.
    GenAI KI als „Erfinder“ künstlicheIntelligenz starke KI schwache KI Deep Learning Machine Learning
  • 9.
  • 10.
  • 11.
    Daten, Daten, Daten Modellund Algorithmus Grundwahrheit und Baseline Ruckschluss und Aktion Korrelation, nicht Kausalität KI ist …
  • 12.
  • 13.
    Source Fortune Magazine.:https://fortune.com/2022/07/26/a-i-success-business-sense-aible-sengupta/ „Failure rate of AI projects has been between 83% to 92%.“
  • 14.
  • 15.
    Pain Point Pain Point PainPoint Pain Point 42 Pain Point Pain Point ML Project
  • 16.
    Exploration Ideation DAYs gute Idee! 42 Pain Point PainPoint Pain Point Pain Point ML Project Lifecycle
  • 17.
    Exploration Ideation DAYs WEEKs gute Ideefunktioniert! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
  • 18.
    Professionalization Exploration Ideation DAYs WEEKs MONTHs guteIdee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
  • 19.
    Professionalization Exploration Ideation DAYs WEEKs MONTHs guteIdee funktioniert nachhaltig! 42 83% propability Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
  • 20.
    Professionalization Exploration Ideation DAYs WEEKs MONTHs well-founded Proofof Concept viable Product AI validated Use-Case(s) initial Idea(s) gute Idee funktioniert nachhaltig! 42 Pain Point Pain Point Pain Point Pain Point ML Project Lifecycle
  • 21.
    ML Project Lifecycle Ideation DAYsWEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
  • 22.
    ML Project Lifecycle Ideation DAYsWEEKs MONTHs well-founded Proof of Concept viable Product AI validated Use-Case(s) initial Idea(s) 42 Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point
  • 23.
    ML Project Lifecycle Ideation DAYsWEEKs MONTHs Design Thinking Lean Startup Agile Development Professionalization Exploration Pain Point Pain Point Pain Point Pain Point 42
  • 24.
    1 3 5 24 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining ML for Production
  • 25.
    1 3 5 24 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production *in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining
  • 26.
  • 27.
    „Wir wollen mit AIunser Geschäft verbessern!“ CEO, mySuperMarket ML for Production am Beispiel …
  • 28.
    SALES FORECAST Auf Basishistorischer Daten aus mehreren Filialen einer Supermarktkette sollen Verkaufszahlen für die Zukunft vorhergesagt werden. ML for Production am Beispiel …
  • 29.
    1 3 5 24 6 Business Understanding
  • 30.
    „Was war nochmal die konkrete Frage?“ Ideation & Zielbestimmung
  • 31.
    Business Understanding am Beispiel AIIdeation - SALES FORECAST „Häufig ist zu viel oder zu wenig Ware auf dem Lager.“ „Verderbliche Ware wird abends weggeschmissen.“ „Marketingkampagnen sind nicht effektiv (genug).“ „Umsatz ist ok, aber nicht wirklich planbar.“ …
  • 32.
  • 33.
    WORKSHOP PHASE 1 OpportunityAreas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
  • 34.
    WORKSHOP PHASE 2 OpportunityAreas identified HMW … die Verkaufsplanung auf Produktebene optimieren? HMW … abends Restbestände an die Käufer:innen bringen? Goal & Blocker identified In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? AI Ideation Verkaufsoptimierung
  • 35.
    WORKSHOP PHASE 3 OpportunityAreas identified Goal & Blocker identified Key Ideas to explore HMW … die Verkaufsplanung auf Produktebene optimieren? In 12 Monaten werden wir … von allen TOP 100 Produkten immer hinreichend viele im Markt und auf Lager haben OHNE kostspieligen Überschuss. Können wir … Vorhersagen auf Produktebene treffen? Können wir … Kosten/Nutzen für die Lagerung berechnen? Key Idea von StockMag Optimierung des Lagerbestands auf der Basis historischer Lagerbewegungen. Key Idea von SaleUp Adaptive Plattform für Verkaufs- prognosen, die aus dem Feedback der Manager lernt. HMW … immer ausreichen Personal im Markt präsent haben? AI Ideation Verkaufsoptimierung
  • 36.
    AI Ideation WORKSHOP ERGEBNISSE Washaben wir gemeinsam erarbeitet / erreicht? • Liste identifizierter Chancen und potenzieller Lösungen • gemeinsam definiertes Ziel, das es via KI zu erreichen gilt • potentielle Blocker, die im Vorfeld ausgeräumt werden sollten EINHEITLICHES VERSTÄNDNIS & GEMEINSAME AUSRICHTUNG
  • 37.
    00. HOW MIGHTWE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high
  • 38.
    00. HOW MIGHTWE … summarize your „how might we“ statement here 01. CONCEPT NAME provide a name tha encapsulates the essence of your idea 04. VISUALIZE narrate a story from the point of view of key stakeholder 05. GUT CHECK jot down your initial thoughts and rank the potential of your idea (low to high) 02. BENEFIT what unmet need or want are we answering 03. WHO …? … and for which user VALUE CREATION TARGET GROUP CONTEXT MEANS What value do you want to create? For whom …? Where and when…? How, with what? What is it …? describe your idea in detail – keep it clear and concise NOTES … define the initial reaction / critique? VALUE TO END-USER SCALE & GROTH POTENTIAL INNOVATION & CREATIVITY low high Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. • Benefit 01 • Benefit 02 • Benefit 03 Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua.. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
  • 39.
    Business Understanding am Beispiel BusinessZiele - SALES FORECAST Es soll eine Bedarfsvorhersage erstellt werden, welche die Vorhersage von Verkäufen*, sowie die Planung von Marketingkampagnen** unterstützt. * … und damit indirekt auch Beschaffung und Lagerhaltung ** ... wie z.B. Promotions oder Einführung neuer Produkte
  • 40.
    Business Understanding am Beispiel AnalytischeZiele - SALES FORECAST Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen. ACHTUNG: Hier ist ein konkreter Wert wichtig. „Möglichst genau“ hilft bei späterer Validierung und Qualitätsanalyse des Modells leider wenig!
  • 41.
    1 3 5 24 6 Data Understanding
  • 42.
    Daten sammeln, untersuchen& bewerten „Die Wahrheit liegt in den Daten!“
  • 43.
    Modeling Data Sets Data Retrival ML4Prod Process Deployment & Monitoring Data Processing &Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance
  • 44.
    Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction& Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Understanding
  • 45.
    Data Understanding am Beispiel Datensammeln & beschreiben - SALES FORECAST Als Basis für erste Analyse dienen Sales Reports sowie weitere Daten zu den POS aus den letzten drei Jahren. * Anzahl verkaufter Produkte pro Tag ** u.a. Lokation, Größe, Mitarbeiter, Distanz zu Mitbewerbern
  • 46.
    Data Understanding am Beispiel Datensammeln & beschreiben - SALES FORECAST Die Sales Reports und Daten aus den POS werden mit Hilfe einer Exploratory Data Analysis (EDA) tiefgehender untersucht. Der Fokus der Analyse liegt auf der Fragestellung, welche Variablen einen direkten oder indirekten Einfluss auf die Verkaufszahlen haben.
  • 47.
    Sales Data (>1 MioDatensätze) Store Data (ca. 1100 Datensätze) Data Understanding am Beispiel
  • 48.
    Sales Data (>1 MioData Records) Data Understanding am Beispiel OBJECT? Inconvenient for ML! DATETIME? For sorting the "Time Series". But is there any more info in there? > 1 MIO Data Records Lots of data! Very nice. INT64? Which values/ranges are possible? And what do they mean? SALES! Target Variable
  • 49.
    Data Understanding am Beispiel StoreData (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
  • 50.
    Data Understanding am Beispiel StoreData (ca. 1100 Data Records) OBJECT? Inconvenient for ML! PROMO2? What semantics? COMPETITION? What semantics? NULL? Why are there no values? > 1000 DATENSÄTZE ca 1 Mio of 1000 Stores STORE! Merge Reference
  • 51.
  • 52.
  • 53.
  • 54.
  • 55.
    Product Sales “Weekday“ Erhöhte Umsätze nachdem Wochenende Wahrscheinlich nur wenige geöffnete Filialen am Sonntag.
  • 56.
    Product Sales “Weekday“ 0- 25% 25 - 50% 50 - 75% 75 - 100%
  • 57.
    Product Sales “Weekday“ *Wochentagsollte als eigenes Feature modelliert werden. DI bis FR ähnliche Muster SA, SO, MO individuelle Muster*
  • 58.
  • 59.
    Data Understanding am Beispiel Datensammeln & beschreiben - SALES FORECAST Neben den Sales Reports der einzelnen POS gibt es noch zahlreiche weitere Quellen, die zur ML basierten Vorhersage herangezogen werden können, um so ein genaueres Bild zu zeichnen.
  • 60.
    Internal Data Sources ExternalData Sources Unstructured Data Sources Structured Data Sources E-Commerce Sales Data Sales Transactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service
  • 61.
    E-Commerce Sales Data SalesTransactions Purchchase Orders Inventory POS Information Loyality Cards Customer Service Weather 3rd Party syndicated Data Macroeconomic Indicators Government Census Customer POS Information Household Panel Data Websites Reviews Marketing Campaigns (Mobile) Apps In-Store Devices Texts CRM Data Internal Data Sources External Data Sources Unstructured Data Sources Structured Data Sources Social Media Click Streams Internet of Things Geolocation Devices Digital Personal Assistants Videos
  • 62.
    Data Understanding am Beispiel Datenuntersuchen & bewerten - SALES FORECAST Die Daten müssen im Vorfeld auf viele Qualitätsfaktoren hin analysiert werden: Verfügbarkeit, Vollständigkeit, Genauigkeit, Gültigkeit, Konsistenz, Relevanz, Granularität, Kosten
  • 63.
    1 3 5 24 6 Data Preparation
  • 64.
    „Quantität ist nicht gleichQualität!“ Daten auswählen, transformieren & bereinigen
  • 65.
    Data Preparation Process Modeling Deployment & Monitoring DataProcessing & Wrangling Feature Extraction & Engineering Feature Scaling & Selection Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Data Sets Data Retrival
  • 66.
    Data Preparation Was genausind eigentlich diese Features? Was bedeutet Feature Engineering? Und was ist der Unterschied zu Feature Selection?
  • 67.
  • 68.
    Sales Prediction ohnezusätzliche Features 150 100 50 0
  • 69.
    Sales Prediction mitzusätzlichen Features 150 100 50 0
  • 70.
    Data Preparation Die Kunstvon Feature Engineering & Selection „As many as necessary and as few as possible.“ • so viele wie notwendig führt zu guten Resultaten • so wenige wie möglich führt zu guter Performance
  • 71.
    Data Preparation Feature Selectionfür jedermann? „There is a tool for it …“ • FeatureTools* • FeatureSelector** **https://github.com/WillKoehrsen/feature-selector *https://www.featuretools.com
  • 72.
    1 3 5 24 6 Analysis & Modeling
  • 73.
    „Welches Modell passt zumir?“ Modell wählen, trainieren & bewerten
  • 74.
    Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction& Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Analysis & Modeling
  • 75.
    Analysis & Modeling GermanysNext Top Model? Leichter gesagt als getan! Wo soll man da anfangen? Und wie?
  • 76.
    Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERINGREGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
  • 77.
    Analysis & Modeling MACHINE LEARNING SUPERVISED LEARNING UNSUPERVISED LEARNING CLUSTERINGREGRESSION CLASSIFICATION DIMENSIONALITY REDUCTION REINCORCEMENT LEARNING Weather forecasting Market forecasting Estimating life expectancy Ad popularity prediction Diagnostic Customer retention Image classification Fraud detection Game AI Skill aquisition Robot Navigation Real-time decisions Target marketing Customer segmentation Recommendations Big-Data Visualization Meaningful compression Structure discovery Feature elicitation
  • 78.
    Analysis & Modeling MLRegressors Wenn ein Zukunftswert auf Basis von Vergangenheitswerten vorhergesagt werden soll, kommen in der Regel Regression Algorithmen (aka Regressors) zum Einsatz.
  • 79.
    Analysis & Modeling amBeispiel Typische Modell-Kandidaten für „Demand Forecasting“ ARIMA / SARIMA Linear Regression XG Boost K-Nearest Neighbors Regression Random Forrest Long Short-Term Memory (LSTM) Beste Lösung? Abhängig von Fragestellung, z.B. … SARIMA saisonale Vorhersagen Linear Regression Einfluss von Änderungen Trendvorhersagen
  • 80.
  • 81.
    1 3 5 24 6 QA & Validation
  • 82.
    „Ist GUT auch wirklichGUT genug?“ Modellqualität vs. Projektziel
  • 83.
    Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction& Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance QA & Validation
  • 84.
    ML Model Training 1. fit 2.predict X_train y_train 3. calc RMSPE „train“ vs score_train QA & Validation am Beispiel y_predict y_train
  • 85.
    ML Model Training 4. predict vs score_test QA& Validation am Beispiel X_test y_predict y_test 5. calc RMSPE „test“
  • 86.
    QA & Validation amBeispiel score_test score_train ≈ > X
  • 87.
    QA & Validation amBeispiel analytisches Ziel "Eine Machine Learning Lösung soll den Umsatz je Filiale für den Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]% vorhersagen.“ score_test score_train ≈ > X
  • 88.
    QA & Validation amBeispiel MAEP of Forecast on Group Level Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Product vs Group Level?
  • 89.
    QA & Validation amBeispiel MAEP of Forecast Mean Avarage Percentage Error Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ Gewichtung?
  • 90.
    QA & Validation amBeispiel Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/ W-MAEP of Forecast Weighted Mean Avarage Percentage Error
  • 91.
    QA & Validation Quelle:https://towardsdatascience.com/a-short-introduction-to-model-selection-bb1bb9c73376
  • 92.
    QA & Validation amBeispiel score_test score_train ≈ > X
  • 93.
    QA & Validation amBeispiel ML Model Training fit predict X_all y_all deploy Model store Model ML Model Deployment
  • 94.
    1 3 5 24 6 Deployment & Operation
  • 95.
    „ACHTUNG! Dies ist keineÜbung!“ Model Deployment & Performance Monitoring
  • 96.
    Data Sets Modeling Deployment & Monitoring Data Processing & Wrangling Feature Extraction& Engineering Feature Scaling & Selection Data Retrival Data Preparation Model Evaluation & Tuning Re-iterate until satisfactory model performance Deployment & Operation
  • 97.
    “Change is the onlyconstant in life.“ Herklit, griechischer Philosoph
  • 98.
    Deployment & Operation StatischesModell Re-Trained Modell Verschlechterung über die Zeit Regelmäßiges Modell-Update Model Quality Model Quality
  • 99.
    Deployment & Operation MLbasierter Web Service 4. call WS 1. (re)train 3. (re)deploy predict(…) prediction 2. validate
  • 100.
    CONTINUOUS DELIVERY “…the abilityto get changes of all types — including new features, configuration changes, bug fixes, and experiments — into production, or into the hands of users, safely and quickly in a sustainable way.“ Jez Humble & Dave Farley
  • 101.
    Deployment & Operation amBeispiel MLops etablieren aka CI / CD Pipeline für Änderungen Data Model Code Schema Zeitreihen Mengengerüst Algorithmen Trainings Experimente Anforderungen Bug Fixes Konfigurationen
  • 102.
  • 103.
  • 104.
    Deployment & Operation amBeispiel Überwachung der Modelle Model Performance Model Input/Output Distribution Model Learning Curves Model Evaluation Metrics Model QA Results Hardware Metrics CI/CD Pipeline for ML
  • 105.
  • 106.
  • 107.
    1 3 5 24 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production
  • 108.
    1 3 5 24 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for Production Exploration
  • 109.
    1 3 5 24 6 Business Understanding Data Understanding Data Preparation Analysis & Modeling QA & Validation Deployment & Operation ML for PRODUCTION
  • 110.
  • 111.
    #WISSENTEILEN Vielen Dank! #WISSENTEILEN by open knowledgeGmbH @_openKnowledge | @mobileLarson Lars Röwekamp, CIO New Technologies
  • 112.
    #WISSENTEILEN BILDNACHWEIS Folie 01: ©Merena, iStockphoto.com Folie 20: © Photoplotnikov, iStockphoto.com All other pictures, drawings and icons originate from • pexels.com, • pixabay.com, • unsplash.com, • flaticon.com or were made by my own.