AutoML ist eine Form des maschinellen Lernens (ML), bei der die Aufgaben und Prozesse zur Entwicklung von Lernmodellen für Maschinen automatisiert werden, anstatt sie iterativ von Entwicklern erstellen zu lassen. Da Unternehmen mehr Daten sammeln, als ein Mensch bewältigen könnte, unterstützt AutoML sie, indem es schnell und in großem Maßstab ML-Modelle erstellt.
Zu den automatisierten und dadurch einfacheren ML-Aufgaben in AutoML gehören:
- Klassifizierung
- Regression
- Auswahl des besten Modells
- Datenskalierung
- Datennormalisierung
- Abstimmung und Optimierung von Hyperparametern
- Erstellung von Zeitreihen
Diese Aufgaben sind zunehmend komplexer geworden. Da immer mehr Unternehmen ML-Anwendungen einsetzen, übersteigt die Nachfrage nach ML-Experten und Data Scientists bei Weitem die Möglichkeiten der Unternehmen, sie einzustellen. Gebrauchsfertige AutoML-Lösungen wie Auto-sklearn und Auto-PyTorch sind daher immer häufiger anzutreffen, weil AutoML auch für Menschen mit wenig oder gar keiner Programmiererfahrung zugänglich ist.
Außerdem lesenswert: TinyML: Maschinelles Lernen am Edge
Vorteile von AutoML
Genauigkeit
Da AutoML die Aufgaben zur Optimierung von Machine-Learning-Modellen und zur Entwicklung tiefer neuronaler Netze automatisiert, sinkt die Wahrscheinlichkeit von Fehlern durch menschliche Eingriffe. AutoML ist jedoch nicht frei von Verzerrungen. Ein Mensch muss letztlich anfängliche Trainingsdaten bereitstellen, aus denen Validierungsdaten generiert werden. Der Validierungsdatensatz dient anschließend als Maßstab für die Erstellung und Auswahl von Modellen. AutoML nutzt jedoch ebenfalls Trainingsdaten, um Verzerrungen entgegenzuwirken, die in den Trainings- und Validierungsdatensätzen enthalten sein könnten.
Zugänglichkeit
Wie bereits erwähnt, gibt es nicht genügend qualifizierte ML-Ingenieure und Data Scientists, um alle Stellen zu besetzen. AutoML setzt keine Vorkenntnisse im Programmieren voraus, macht maschinelles Lernen für Nicht-Experten zugänglich und hilft Unternehmen, ihren Bedarf an Fachkräften zu decken. Ohne diese Wissensbarriere können sich mehr Stakeholder beteiligen, und der Entwicklungs- und Bereitstellungsprozess wird transparenter.
Effizienz
AutoML beschleunigt den Entwicklungs- und Bereitstellungsprozess, indem es Aufgaben automatisiert, die zuvor manuell erledigt wurden. Die aufwendige Arbeit des Testens von Modellen und der Anpassung von Hyperparametern kann jetzt innerhalb weniger Minuten erledigt werden. AutoML spart Entwicklern, Data Scientists/Analysten und ML-Experten Zeit, macht sie aber keineswegs überflüssig.
Produktivität
Wenn Aufgaben in der ML-Pipeline automatisiert und beschleunigt werden, gewinnen Mitarbeiter wertvolle Zeit und Ressourcen, um sich auf andere wichtige Funktionen im Unternehmen zu konzentrieren. Statt sich beispielsweise mit dem Testen von Modellen und der Architektur neuronaler Netze zu beschäftigen, können Mitarbeiter die durch AutoML gewonnenen Erkenntnisse in den Mittelpunkt stellen und zur Umsetzung übergeordneter strategischer Unternehmensziele nutzen.
4 Wege, wie AutoML Ihr Unternehmen verändern kann
Neben den allgemeinen Vorteilen von AutoML können seine Funktionen zur Prognose, Objekt- und Bilderkennung sowie zur Verarbeitung natürlicher Sprache verschiedene Unternehmensbereiche ganz konkret verbessern.
Personalwesen
AutoML vereinfacht die Erstellung individueller ML-Modelle, die menschliche Sprache verarbeiten können. Die Fähigkeit von AutoML zur Verarbeitung natürlicher Sprache kann Talent-Acquisition-Teams dabei unterstützen, qualifizierte Kandidaten auszuwählen, indem bestimmte Schlüsselwörter in Lebensläufen erkannt werden.
Die Technologie hinter der heute allgegenwärtigen Bewerbermanagementsystem-Software (ATS) kann jedoch fehlerhaft und sogar diskriminierend sein. ATS-Software kann beispielsweise versehentlich eine große Zahl qualifizierter Kandidaten ausschließen oder so programmiert sein, dass sie Personen mit einem bestimmten Merkmal aussondert, das zu einer geschützten Identitätskategorie gehören könnte. Die Anpassung von Modellparametern auf positive statt negative Merkmale ist eine Möglichkeit, wie Menschen Verzerrungen in ihrer ATS-Software korrigieren können. Wie oben erwähnt, verhindert AutoML Verzerrungen nicht vollständig, doch die Verwendung von Trainingsdaten wirkt Verzerrungen entgegen, die in Trainings- und Validierungsdaten enthalten sein können. Menschliche Eingriffe spielen durchaus eine Rolle dabei, diese Systeme so anzupassen, dass sie auf ethischere Weise lernen und Prognosen erstellen.
Außerdem lesenswert: Mit KI Menschen durch ITSM unterstützen
Sicherheit
AutoML vereinfacht Klassifizierungsmodelle und die Zuordnung von Bezeichnungen, wodurch der Einsatz von Bild- und Objekterkennung für Sicherheitszwecke erleichtert wird. Bilderkennung kann zur Handschriftenerkennung eingesetzt werden, die wiederum gefälschte Unterschriften auf Tablets oder anderen elektronischen Signaturgeräten erkennen kann.
Objekterkennung kann außerdem eingesetzt werden, um Gebäude nach Eindringlingen abzusuchen. AutoML kann auch bei der Betrugserkennung helfen, indem es ungewöhnliche Kaufmuster oder Anmeldeereignisse erkennt.
Darüber hinaus kann die Funktion zur Verarbeitung natürlicher Sprache von AutoML Sicherheitsteams dabei helfen, Gespräche von Hackern aufzuspüren und Cyberangriffe proaktiv abzuwehren.
Vertrieb und Marketing
Die Zeitreihenprognosen von AutoML können die Arbeitsweise von Vertriebs- und Produktionsteams grundlegend verändern. AutoML erkennt automatisch prädiktive Signale, führt eine Abstimmung der Hyperparameter durch und wählt das beste Modell aus. Es lernt kontinuierlich dazu und verbessert seine Prognosen für die Kennzahlen, deren Messung vorgesehen ist.
Davon profitiert der Vertrieb, weil er die Nachfrage prognostizieren und Funktionen sowie Prioritäten des Verkaufstrichters entsprechend anpassen kann. Hätte ein Unternehmen für den Transport von Frachtcontainern beispielsweise AutoML wie das Nachfrageprognose-Tool von Mate Labs oder b2metric genutzt, um einen bevorstehenden Mangel an Containern im Sommer 2020 vorherzusagen, hätte sein Vertriebsteam bestehende Kunden über künftige Engpässe informieren können, die ihren Bestandsfluss beeinträchtigen könnten.
Die oben erwähnte Klassifizierungsfunktion ermöglicht die Objekterkennung, die den E-Commerce im B2C-Umfeld unterstützen kann. Da Verbraucher zunehmend online einkaufen, ermöglicht die Möglichkeit, ein Foto von etwas aufzunehmen, das sie in der realen Welt sehen, es vom Gerät erkennen zu lassen und anschließend zum Onlineshop des Produkts weitergeleitet zu werden, ein einfacheres, stärker auf den Verbraucher ausgerichtetes Einkaufserlebnis.
AutoML kann Vertriebs- und Marketingteams dabei helfen, die Wahrnehmung der Unternehmensmarke und der Produkte durch Verbraucher zu erfassen, indem schriftliche Sprache in Foren wie Reddit oder gesprochene Sprache in TikTok-Videos mithilfe der Verarbeitung natürlicher Sprache analysiert wird. Chatbots können die Kundenzufriedenheit und -bindung verbessern, indem sie Kunden zur schnellen Bearbeitung von Beschwerden an die richtige Abteilung oder Person weiterleiten.
Produktion/Lieferkette
Für Unternehmen der Fertigungsbranche profitieren auch Produktions- und Lieferkettenteams von der Prognosefähigkeit von AutoML, da sie Nachfragespitzen und -flauten für ihre Produkte schneller und genauer planen können. Die Beschaffung und Lagerung von Rohstoffen sowie die Bestandsverwaltung im Allgemeinen werden unmittelbar von der Nachfrage beeinflusst. Als präzisere Methode zur Nachfrageprognose hilft AutoML Unternehmen, ihre Lieferkette und Bestände effektiver zu verwalten.
Warum Sie AutoML in Ihrem Unternehmen einsetzen sollten
Dies sind nur einige der Möglichkeiten, wie AutoML Ihr Unternehmen verändern kann. Seine Funktionen zur Prognose, zur Verarbeitung natürlicher Sprache, zur Objekt- und Bilderkennung sowie weitere Fähigkeiten erleichtern zahlreiche zentrale Geschäftsprozesse. Der Bedarf an menschlichen Talenten und Ressourcen entfällt dadurch jedoch nicht. AutoML hilft Menschen, intelligenter zu arbeiten.
Lesen Sie als Nächstes: Die besten RPA-Tools 2021: Software für die robotergestützte Prozessautomatisierung