Erfahren Sie, wie Sie Agile KI mit der Datenwissenschaft voranbringen

Drei Symbole um einen Laptop-Computer

Was ist Datenwissenschaft und warum ist sie wichtig?

 

Bei der Datenwissenschaft werden Algorithmen, Methoden und Systeme genutzt, um Wissen und Erkenntnisse aus strukturierten und unstrukturierten Daten zu extrahieren. Die Datenwissenschaft verwendet Analysen und maschinelles Lernen, um Benutzern zu helfen, Vorhersagen zu treffen, Optimierungsprozesse zu erweitern sowie Operationen und Entscheidungsfindungsprozesse zu verbessern.

Von den heutigen Data-Science-Teams werden Antworten auf viele Fragen gefordert. Unternehmen fordern bessere Vorhersagen und Optimierungen basierend auf echtzeitorientierten Erkenntnissen, die von Tools wie diesen ermittelt werden.

Der Lebenszyklus der Datenwissenschaft beginnt mit der Erfassung von Daten aus relevanten Quellen sowie der Bereinigung und Umsetzung der Daten in Formate, die von Maschinen verstanden werden können. In der nächsten Phase werden statistische Methoden und andere Algorithmen verwendet, um Muster und Trends zu finden. Dann werden Modelle programmiert und aufgebaut, um Vorhersagen und Prognosen treffen zu können. Dann werden die Ergebnisse interpretiert.

Fortschritte in den Bereichen KI, maschinelles Lernen und Automatisierung haben die Standards für datenwissenschaftliche Tools für Unternehmen hochgesetzt. Daraus resultierte die Bildung von speziellen Data-Science-Teams aus Expert Data Scientists, Citizen Data Scientists, Programmierern, Entwicklern und Geschäftsanalysten aus den unterschiedlichsten Geschäftsbereichen.

In diesem Segment bieten sich enorme Chancen. Die Automatisierung von monotonen datenwissenschaftlichen Aufgaben wie Datenaufbereitung und die Schaffung von Möglichkeiten für Analysten ohne Programmiererfahrung (00:21), Modelle zu erstellen, hält Unternehmen agil und innovativ. Durch die Automatisierung des gesamten Lebenszyklus der Datenwissenschaft können sich Expert Data Scientists auf interessantere und innovativere Aspekte in diesem Bereich konzentrieren. Die menschliche Intelligenz – kombiniert mit Data-Science-Technologie und Automatisierung – hilft Unternehmen, aus ihren Daten einen größeren Nutzen zu ziehen.

Data-Science

 

Bis zum Jahr 2025 werden 50 % der Aktivitäten von Datenwissenschaftlern mithilfe von KI automatisiert sein, wodurch sich auch die angespannte Situation durch fehlende qualifizierte Mitarbeitern etwas entspannt*. IBM stellt AutoKI-Lösungen zur Automatisierung des gesamten Data-Science- und KI-basierten Lebenszyklusmanagements bereit.

80%

der Zeit von Datenwissenschaftlern wird für das Auffinden, Bereinigen und Organisieren von Daten aufgewendet**.

#1

Datenwissenschaftler ist die erfolgversprechendste Tätigkeit im Jahr 2019***.

Warum ist die Datenwissenschaft heute so wichtig?

Mit der Menge und Vielfalt der Daten aus sozialen Medien, dem mobilen Umfeld und auf Geräten sowie durch neue Technologien und Tools spielt die Datenwissenschaft (03:43) heute eine größere Rolle als je zuvor. Unternehmen sehen die Datenwissenschaft und die KI (06:13) als technologiebasierte Strategie. Damit die Datenwissenschaft effektiv sein kann, muss ihr vollständiger Lebenszyklus nicht nur die traditionelle Analytik unterstützen, sondern auch modernen Anwendungen nutzen. Das bedeutet, dass die Datenwissenschaft über monotone Routineaufgaben hinausgehen muss. 85 % der Zeit eines Datenwissenschaftlers werden damit verbracht, Daten zu bereinigen, zu formen und zu verschieben, oft, um damit maschinelles Lernen zu fördern. Deshalb bleibt nicht viel Zeit übrig, um Muster und Trends zu finden, Modelle zu erstellen, Vorhersagen und Prognosen zu treffen und Ergebnisse zu interpretieren.

Glücklicherweise zeigt sich nun Licht am Ende des Tunnels. Die neueste Entwicklung in der modernen Datenwissenschaft ist AutoKI, mit der sich die Datenaufbereitung und Modellierung im gesamten datenwissenschaftlichen Lebenszyklus automatisieren lässt. Jetzt können nicht nur mehr Datenwissenschaftler ihre speziellen Fähigkeiten im eigentlichen Sinn nutzen, sondern es können auch weit mehr Unternehmen von der Datenwissenschaft profitieren – von Vorhersagen bis zur Optimierung.

Die großen Fragen für die Datenwissenschaft

  • Welche nächsten 1000 Kunden werden wir verlieren und was sind die Gründe dafür?
  • Wo sollten wir ein anderes Selbstbedienungsterminal installieren oder einen neuen Laden einrichten?
  • Bei welchen unserer besten Mitarbeiter laufen wir Gefahr, dass sie das Unternehmen verlassen?
  • Sparen wir Kosten, wenn wir die Preisgestaltung bei den Produkten verändern?
  • Bietet mein Team die richtigen Dinge den richtigen Personen an?

→ KI-Anwendungsfallbericht lesen

→ KI-Playbook-Webseminar ansehen (Link befindet sich außerhalb von IBM)

 

Erfolg durch Datenwissenschaft

Die folgenden Beispiele zeigen, wie Unternehmen Daten nutzen, um Wettbewerbsvorteile zu erzielen:

Kundenerlebnis

Ein großer Anbieter von Call-Center-Technologie verwendet Daten, um das Call-Center-Erlebnis neu zu definieren und wertvolle Einblicke in das Kundenverhalten zu gewinnen.

Präventive Gesundheitsversorgung

Eine Notfallversorgungsklinik wollte mit Unterstützung von Datenwissenschaftlern Provider dabei unterstützen, für eine aktive Überwachung zu sorgen und präventive Maßnahmen zu ergreifen, die die Überlebenschancen der Patienten verbesserten.

Risikomanagement

Wenn das Modell einer Bank unpräzise ist, kann dies verheerende Folgen haben. Eine Großbank verwendet die Datenwissenschaft, um die Risikominderung zu verbessern und Modellrisiken zu reduzieren.

Sicherheit und Zuverlässigkeit

Einer der weltweit größten Automobilhersteller nutzte die Datenwissenschaft, um das Verhalten der Fahrer im Detail zu verstehen und bessere, sicherere, zuverlässigere und individuell angepasste Automobile zu entwickeln.

Kundenbindung

Ein großes Einzelhandelsunternehmen in Großbritannien nutzt die Datenwissenschaft, um umsetzbare Erkenntnisse zu extrahieren, Werbeaktionen zu optimieren und mehr als 15 Millionen Kundenkarteninhaber zu weiteren Käufen zu motivieren.

Zugehörige Produkte und Angebote

IBM Watson Studio

IBM Watson® Studio stellt Tools zur Verfügung, mit denen Sie einfacher und gemeinsam mit anderen Personen Daten verarbeiten können, um Modelle im richtigen Maß zu erstellen und zu trainieren. Die Lösung bietet Ihnen die Flexibilität, Modelle zu erstellen, in denen sich Ihre Daten befinden, und diese in einer Hybridumgebung zu implementieren. So lassen sich die datenwissenschaftlichen Prozesse schneller einem Arbeitsplan zuordnen.

IBM Watson Visual Recognition

IBM Watson Visual Recognition verwendet Deep-Learning-Algorithmen, um Videos und Bilder für Szenen, Objekte und Flächen mithilfe von Watson-APIs zu analysieren. Vortrainierte Modelle mit visuellen Inhalten sorgen für schnellere Ergebnisse.

IBM Cloud Pak for Data

IBM Cloud Pak™ for Data hilft Ihnen, Daten über eine Multicloud-Plattform zu erfassen, organisieren und analysieren. Die Lösung ist als vertrauenswürdige Analysebasis zu sehen, die den Zugriff auf Daten erleichtert und Sie bei der bedarfsorientierten Nutzung von Erkenntnissen im richtigen Maß mithilfe von KI unterstützt.

IBM Decision Optimization

IBM Decision Optimization stellt Tools zur Verfügung, die mathematische und computergestützte Wissenschaften verwenden, um Datenwissenschaftlern zu helfen, ML-basierte Entscheidungen zu optimieren. Entscheidungsoptimierungsmodelle können nun einfacher als Service innerhalb von Watson Machine Learning bereitgestellt werden.

IBM Watson OpenScale

IBM Watson OpenScale™ verfolgt und misst die KI-basierten Ergebnisse über den gesamten Lebenszyklus hinweg. Zudem übernimmt die Lösung die Anpassung und Handhabung der KI bei sich ändernden Geschäftssituationen – für Modelle, die ortsunabhängig erstellt und ausgeführt werden können.

Deep Learning

Der Deep-Learning-Service innerhalb von IBM Watson Studio unterstützt Datenwissenschaftler dabei, neuronale Netze visuell zu entwerfen und Trainingsläufe zu skalieren, wobei Kosten nur für die verwendeten Ressourcen anfallen.

IBM SPSS Modeler

Mit IBM SPSS® Modeler können Unternehmen, die Datenwissenschaft auch per Drag-and-drop nutzen, die Wertschöpfungszeit bei produktionsbezogenen Modellen beschleunigen.

IBM Watson Studio Desktop

Watson Studio Desktop unterstützt Unternehmen zeit- und ortsunabhängig beim Einstieg, beim Erstellen von Modellen und bei der Bereitstellung über den Desktop.

IBM Watson Machine Learning Accelerator

Watson Machine Learning dehnt die Bereitstellung von Modellen für maschinelles Lernen und Deep Learning auf verteilte Multi-Tenant-Umgebungen aus.

Watson Studio Premium

Durch die Zusammenführung von prädiktiven und präskriptiven Analysen auf einer cloudnativen Daten- und Analyseplattform ermöglicht IBM den Unternehmen, die Zeit bis zur Wertschöpfung durch Einsatz der Datenwissenschaft und der KI zu verkürzen. Watson Studio Premium für IBM Cloud Pak for Data ermöglicht einen beeindruckendenROI (PDF, 1,6 MB).

Datenwissenschaftliche Lösungen für Ihre Branche

Gesundheitswesen

Gewinnen Sie neue Erkenntnisse aus klinischen Studien, Patientendaten und mehr:

  • Gesundheitsprobleme vorwegnehmen und Leben mit entsprechenden Alerts retten
  • Fehldiagnosen reduzieren
  • Symptommuster ermitteln
  • Risiken durch verschreibungspflichtige Arzneimittel vermeiden

Bankwesen

Beschleunigen Sie den Kundenservice mit einer innovativen, ML-fähigen Hybrid-Cloud-App:

  • Den Vertrieb in die Lage versetzen, ad-hoc Antworten auf Kreditanträge zu geben
  • Mobile Anwendung für die Kreditwürdigkeitsprüfung erstellen
  • Kunden begeistern und Umsätze steigern

Fertigung

Unterstützung bei der Fertigung autonomer Fahrzeuge mit ML-Technologie:

  • Sensoren in autonomen Fahrzeugen mit maschinellem Lernen trainieren
  • Produktionskosten im richtigen Maß reduzieren
  • Fahrerlose Autos erschwinglicher und sicherer zu machen

Computer Services

KI-gestützte Robotic Process Automation (RPA):

  • Mitarbeitern helfen, sich auf strategische Aktivitäten zu konzentrieren
  • RPA-Investitionen mit Watson Machine Learning erweitern
  • Entwicklung von RPA-Lösungen um 20 % beschleunigen

Medien und Unterhaltung

Schnellere und tiefere Einblicke in TV-Zielgruppen mit maschinellem Lernen:

  • Schnellere Einblicke in komplexere Zielgruppendaten
  • Schnelle und einfache Skalierung bei sich ändernder Nachfrage
  • Fokussierung auf das Business-Enablement

Bildung

Nutzung von Schulungsteilnehmerdaten, Schulungsprogrammen, Umfragen, Tests und mehr:

  • Unterstützung personalisierter Planung, Protokollierung und datenbasierter Advisorfunktionen
  • Schulungslücken ermitteln
  • Besser vorbereitete Schulungsteilnehmer

Kundenreferenzen zum Thema Datenwissenschaften

Integration von Open-Source-Data-Science-Tools und Einhaltung von Sicherheitsanforderungen

Modellrisiken durch Datenwissenschaft und maschinelles Lernen handhaben

Neudefinition des zukünftigen Fanerlebnisses mithilfe von Datenwissenschaft und KI

Training und Implementierung von Deep-Learning-Modellen für Offline Optical Reader-Geräte (OCR)

Rationalisierung der Modellierung und Optimierung von Angebot und Nachfrage

Schnellerer Kundenservice und Risikokontrolle durch schnelle Bewertung von Kreditrisiken

Verbrechensbekämpfung mithilfe der Datenwissenschaft: Bereitstellung der richtigen Ressourcen zur richtigen Zeit am richtigen Ort

Gesunderhaltung des Wildbestands durch Datenwissenschaft und maschinelles Lernen

Fabriken durch maschinelles Lernen beim Qualitätsmanagement intelligenter machen

O’Reilly: Agile KI für Unternehmen

Die KI wird im nächsten Jahrzehnt einen prognostizierten neuen geschäftlichen Nutzen mit einem Volumen von 13 Billionen Dollar generieren. Aber es gibt kein Standardverfahren für die KI-Implementierung. Zudem ist es schwierig, das Risiko des Fehlschlagens eines solchen Projekts zu reduzieren. Erfahren Sie von den Experten Carlo Appugliese, Paco Nathan und William S. Roberts mehr über Agile-KI-Praktiken , damit Sie Ihr Team erfolgreich positionieren können.

* "How to choose the right data science and machine learning platform", Gartner Research, März 2019

** "What Data Scientists Really Do, According to 35 Data Scientists", Harvard Business Review, August 2018

*** "Why data scientist is the most promising job of 2019", TechRepublic, Januar 2019