Deep Learning und Analytics: Was ist der Schnittpunkt?

Neue Technologien für künstliche Intelligenz (KI), insbesondere die automatisierten Algorithmen, die Analyseplattformen bevölkern, beeinflussen und verändern die Welt der Geschäftsanalyse. Die zugrunde liegenden Verbindungen zwischen traditionellen Analyseprozessen und den disruptiven Technologien werden Sie anfeuern, wenn Sie zufällig Datenwissenschaftler oder Business Analyst sind – denn Ihre neu definierte Rolle in der Welt der Analytik verspricht viele aufregende Entwicklungen.

Wenn KI-Technologien Die Kernidee, die vor vielen Jahren zu keimen begann, bestand darin, Maschinen beizubringen, sich wie Menschen zu verhalten. Mit dem maschinellen Lernen (ML) verlagerte sich die ursprüngliche Kernidee auf das Unterrichten von Maschinen, um direkt aus den vom Menschen erstellten Trainingsdaten zu lernen. Mit Deep Learning (DL) kam eine weitere Ideenverschiebung, als neuronale Netze, die das menschliche Gehirn emulieren, die Aufgabe des Lehrens von Maschinen übernahmen.

Deep Learning Demystified bot diesen Vergleich von maschinellem Lernen und Deep Learning an:

„Das„ Deep “im Deep Learning bezieht sich auf die Anzahl der verborgenen Schichten, die am Design beteiligt sind. Im Gegensatz zum maschinellen Lernen, bei dem Daten über vordefinierte Algorithmen organisiert und gesendet werden, werden beim Deep Learning grundlegende Algorithmen entwickelt und verwendet, um die Daten zu überprüfen. Anschließend wird die KI-Entität geschult, mithilfe von Mustern und „vielen“ Verarbeitungsebenen „selbstständig zu lernen“. Zu den Fortschritten auf dem Gebiet des Deep Learning gehören: Deep Learning und die Verwendung neuronaler Netze bieten derzeit die besten Lösungen für viele der Probleme, die bei der Bilderkennung, Spracherkennung und Verarbeitung natürlicher Sprache auftreten. “[19659005] Es gibt verschiedene
Schnittpunkte zwischen maschinellem Lernen oder Deep Learning und Business
Analytik.

Fortgeschrittene KI-Technologien in Unternehmen von heute

Der Stand des maschinellen Lernens in Unternehmen von heute verwendete eine O’Reilly-Statistik, um die Essenz von „KI-Technologien in der aktuellen Geschäftslandschaft“ zu erfassen. O’Reilly stellt fest, dass von den 51 Prozent der Nutzer fortschrittlicher ML-Technologien 36 Prozent behaupten, Early Adopters zu sein, während 15 Prozent behaupten, "anspruchsvolle Nutzer" zu sein. Die Early Adopters sind damit beschäftigt, automatisierte ML in ihre Geschäftsprozesse (Embedded ML) zu integrieren. Der größte Kontrast zwischen ML und DL besteht darin, dass in ML Menschen als Trainer für Modelle fungieren, während in DL neuronale Netze, die das menschliche Gehirn emulieren, als Lehrer für Trainingsmodelle fungieren.

AI, ML und DL ziehen sich gemeinsam an erhebliches menschliches Interesse an Fachpublikationen heute. Kontinuierliches Lernen aus Streaming-Echtzeitdaten ist das neue Mantra in der Post-IoT-Ära, in der „Live Intelligence“ Unternehmen einen klaren Wettbewerbsvorteil verschafft.

Schnittpunkt 1: Entwicklung von Trainingsdaten zum Erlernen von DL-Algorithmen

Die tiefste Verbindung zwischen ML- oder DL-Algorithmen und Geschäftsanalysen besteht in den vorgefertigten Geschäftsregeln. In der Ära der AI-fähigen Analysen entwerfen Geschäftsanalysten keine Geschäftsregeln mehr. Stattdessen entwickeln sie geeignete Trainingsdaten für intelligente Algorithmen, um diese Regeln selbst zu lernen. Towards Data Science erklärt, wie sich die aufkommenden KI-Technologien auf die professionellen Rollen von Geschäftsanalysten auswirken, die damit beschäftigt sind, sich neu zu qualifizieren, um der neuen Rolle von Trainern gerecht zu werden.

Schnittpunkt 2: Accelerated Data Science

In Accelerated Data Science, Data Analyseprozesse werden mit ML- oder DL-Techniken kombiniert, um komplexe Probleme im Bereich Data Science zu lösen. Beispiele für beschleunigtes Data Science sind:

  • Im Energie- und Versorgungsgeschäft kann beschleunigtes Data Science verwendet werden, um Kundeninformationen für eine verbesserte Produktentwicklung oder zur Systemwachsamkeit zu extrahieren, um Risiken oder Bedrohungen rechtzeitig aufzudecken. Die extrahierten Kundenerkenntnisse ermöglichen eine beschleunigte Entscheidungsfindung.
  • In der Gesundheitsbranche kann Predictive Analytics durch beschleunigte Data Science zeitnahe und verbesserte Entscheidungen im Gesundheitswesen für eine Vielzahl von Krankheiten ermöglichen.
  • Datenanalyse, maschinelles Lernen und Deep Learning arbeiten zusammen, um die trainierten neuronalen Netze zu optimieren und bereitzustellen in tatsächlichen Anwendungen, während tiefe neuronale Netze durch Feature-Engineering trainiert werden.

In Accelerated Data Science fügen die fortschrittlichen KI-Technologien wie DL den vorhandenen Analysetools komplexere Ebenen der Datenanalyse hinzu.

Kreuzung
Punkt 3: Digitale Ökosysteme

Der McKinsey-Bericht 2018 Analytics Comes of Age befasst sich mit einem digitalen Ökosystem, in dem mehrere Branchennischen zusammenlaufen, um kundenorientierte Produkte und Dienstleistungen mit einem Fenster bereitzustellen. Die Kernstärke dieses digitalen Ökosystems sind branchenübergreifende Lösungen, die über einen zentralisierten digitalen Zugang verfügbar sind. Auch in diesem Szenario werden ML- und DL-Algorithmen eine Schlüsselrolle bei der Ermöglichung von Geschäftsregeln für Verträge mit mehreren Anbietern, der Regulierung von Zahlungssystemen und der Bereitstellung gemeinsamer Dienste wie der Aufrechterhaltung des Handels und der Vertrauensbeziehung zwischen Ökosystemteilnehmern spielen.

Dieses Ökosystem wird die Transaktionskosten senken und somit verschiedene Unternehmen dazu ermutigen, Geschäftsaktivitäten auszulagern. Aufgrund des wachsenden Bedarfs an kundenorientierten Geschäftsmodellen haben sich kürzlich führende Unternehmen wie Apple Pay, Alibaba, Amazon, Starbucks, GE, CBA B2B und Ping An der Idee „erweiterter digitaler Dienste“ angeschlossen.

Und wie profitieren die globalen Verbraucher von diesem Ökosystem? Sie haben Zugang zu einer Vielzahl von erhalten
Produkte und Dienstleistungen über Nischen hinweg durch ein „nahtloses digitales Erlebnis“.

Schnittpunkt 4: Deep Learning Analytics für neuronale Netze

Deep Learning-KI auf der Basis neuronaler Netze kann Billionen an Wert erfassen berichtet, dass a Die jüngste Umfrage des McKinsey Global Institute (MGI) ergab, dass DL-gestützte neuronale Netze (viele Lernebenen) das Potenzial für eine breite Palette von Anwendungen haben, von denen die wichtigste darin besteht, „jährlich einen Wert zwischen 3,5 Billionen und 5,8 Billionen US-Dollar zu schaffen. ” In diesem Artikel werden auch wiederkehrende neuronale Netze und Faltungs-neuronale Netze erörtert.

Das MGI-Papier Hinweise von der KI-Grenze: Erkenntnisse aus Hunderten von Anwendungsfällen bietet eine Reihe von über 400 KI-Anwendungsfällen in verschiedenen Branchen und Unternehmen Funktionen. In dem Papier heißt es:

„Unsere Anwendungsfälle zeigen, wie leistungsfähig Deep Learning sein kann. Auf der anderen Seite können Deep-Learning-Netzwerke sieben bis zehn oder mehr Schichten haben, wobei simulierte Neuronen in die Millionen zählen… Fortgeschrittene KI-Techniken könnten bis zu 40 Prozent des gesamten potenziellen Werts generieren, den alle Analysetechniken bieten könnten. “[19659025] Schnittpunkt 5: Graph Analytics und Deep Learning

Der DeepInsight-Algorithmus von FUNL zeigt, dass DL-Techniken helfen können, „große Graphendaten zu analysieren“. Die Graphanalyse eignet sich naturgemäß für die In-Memory-Analyse. Mit der aktuellen Wachstumsrate von Grafikdaten haben Grafikanalyse und DL gegenseitige Vorteile.

Schnittpunkt 6: Einsatz von Deep Learning in der Big Data Analytics

Deep Learning in der Big Data Analytics: Eine vergleichende Studie von Science Direct diskutiert die Rolle von DL in der Big Data Analytics aus wissenschaftlicher Sicht. Ein starker Anwendungsfall für DL in der Big-Data-Analyse findet sich in Deep Neural Networks, Big Data, AI und dem Weg zu autonomen Systemen der die Geschichte und Entwicklung selbstfahrender Autos aus der Sicht der USA nachzeichnet Objektiv der fortschrittlichen Softwaresysteme, die die zentralen Computersysteme und zahlreiche Sensoren in diesen Fahrzeugen antreiben.

Schlussfolgerung: Einige Anwendungsfälle für DL-Powered Analytics

Ein Beispiel für die Kundenbetreuung von McKinsey durch Advanced Analytics ist ACRE, das landwirtschaftliche Analysezentrum . Dieses Service-Outfit besteht aus einem Team von Datenwissenschaftlern, Software-Ingenieuren und Agrarexperten, die Advanced Analytics (DL) auf landwirtschaftliche Probleme anwenden. Die typischen Analysedienstleistungen, die sie anbieten, sind genaue Wettervorhersagen, genaue Preisvorhersagen für Nutzpflanzen, weltweite Kostenkurven für Hauptkulturen und räumliche Analysen lokaler Märkte.

Ein weiterer Anwendungsfall wird aus der Gesundheitsbranche ausgewählt. Die Verwendung von DL-Techniken zur Risikostratifizierung im Gesundheitswesen wird in Deep Learning Bests Traditionelle Modelle zur Risikostratifizierung erläutert. Die Risikostratifizierung im Gesundheitswesen basiert auf Daten, die aus einer Vielzahl von Quellen wie Anamnese, Gesundheitsindikatoren und Lebensstil eines Erwachsenen stammen. Es heißt, dass der Hauptzweck der Risikostratifizierung im Gesundheitswesen darin besteht, Themen wie Herausforderungen des Bevölkerungsmanagements, maßgeschneiderte Gesundheitsdienste, Risikoabstimmung mit den verfügbaren Pflegestufen und Bereitstellung von Gesundheitspraktiken mit „wertbasierten“ Ergebnissen anzugehen.

Bild verwendet unter Lizenz von Shutterstock.com

About BusinessIntelligence

Check Also

Wie Sie sich bei sozialer Distanzierung wertvoller machen können

Ich war die meiste Zeit meines Lebens Generalist. Selbst im College war das, was mich …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.