Künstliche Intelligenz und Maschinelles Lernen

12. November 2019
Themen - Prozessschritte Nächstes Thema: Big Data Verarbeitung und Analyse

Problembeschreibung und Datensammlung

Zu Beginn des Künstliche Intelligenz- und Maschinelles Lernen-Projekts definieren Sie klar das zu lösende Problem und sammeln relevante Daten.


Der erste Schritt eines KI- und ML-Projekts beginnt mit der klaren Definition des zu lösenden Problems und der Sammlung relevanter Daten. Details dieses Schrittes umfassen:

  • Problembeschreibung: Definieren Sie das zu lösende Problem unter Berücksichtigung der Geschäfts- oder Projektziele. Bestimmen Sie, was das Problem ist, warum es wichtig ist und wie es gemessen werden kann.
  • Definition der Datenanforderungen: Identifizieren Sie, welche Datentypen benötigt werden, um das Problem zu lösen. Planen Sie, welche Daten gesammelt werden sollen und wie.
  • Datensammlung: Identifizieren Sie geeignete Quellen zur Datensammlung. Beginnen Sie den Datensammlungsprozess entsprechend der Datenquelle und speichern Sie die Daten sicher.
  • Bewertung der Datenqualität: Prüfen Sie die Qualität der gesammelten Daten. Identifizieren Sie fehlende oder fehlerhafte Daten und markieren Sie zu korrigierende Daten.
  • Datenschutz und Sicherheit: Treffen Sie Datenschutz- und Sicherheitsmaßnahmen während der Datensammlung. Sorgen Sie für den Schutz sensibler Daten und holen Sie notwendige Genehmigungen ein.
  • Datensammlungsstrategie: Bestimmen Sie, wie häufig Daten gesammelt werden und welche Methoden verwendet werden. Planen Sie eine kontinuierliche Überwachung und Aktualisierung des Datensammlungsprozesses.

    • Datenvorbereitung und Reinigung

    Bereiten Sie die gesammelten Daten für die Analyse auf und bereinigen Sie sie. Verbessern Sie die Datenqualität.


    Die Datenvorbereitung und -reinigung in KI- und ML-Projekten umfasst das Anpassen der gesammelten Daten für die Analyse. Details hierzu sind:

  • Datenüberprüfung: Untersuchen Sie die gesammelten Daten und analysieren Sie die enthaltenen Informationen. Bewerten Sie Datenstruktur, Format und fehlende Werte.
  • Datenbereinigung: Identifizieren und korrigieren Sie fehlende oder fehlerhafte Daten. Entfernen Sie Duplikate und beheben Sie Inkonsistenzen.
  • Datenumwandlung: Wandeln Sie die Daten in ein für die Analyse geeignetes Format um. Konvertieren Sie insbesondere kategorielle Daten in numerische und normalisieren Sie die Werte.
  • Feature Engineering: Erstellen oder reorganisieren Sie Merkmale, um die Daten aussagekräftiger zu machen. Wenden Sie Feature-Selektionsstrategien an.
  • Datenaufteilung: Teilen Sie den Datensatz in Trainings-, Validierungs- und Testsets auf. Diese werden zur Modellbewertung verwendet.
  • Datenqualitätskontrolle: Überprüfen Sie erneut die Qualität der bereinigten und vorbereiteten Daten, bevor Sie mit der Analysephase fortfahren.

    • Feature Engineering

    Extrahieren oder erstellen Sie geeignete Merkmale für ML-Modelle und bereiten Sie den Datensatz modellgerecht vor.


    Feature Engineering ist ein wichtiger Schritt bei KI- und ML-Projekten, um Daten aussagekräftiger und nutzbar zu machen. Details sind:

  • Feature-Auswahl: Entscheiden Sie, welche Merkmale in das Modell aufgenommen werden. Features sind Variablen, die Daten liefern und Ergebnisse beeinflussen können.
  • Erstellung neuer Features: Nutzen Sie vorhandene Daten, um neue Merkmale zu bilden. Dies kann versteckte Muster oder Modellleistung verbessern.
  • Feature-Operationen: Wenden Sie Transformationen wie Normalisierung oder Standardisierung an, um unterschiedliche Skalen auszugleichen.
  • Umwandlung kategorialer Daten: Konvertieren Sie kategoriale Daten (z.B. Farbe oder Kategorie) in numerische Werte, damit ML-Modelle diese verarbeiten können.
  • Feature-Auswahlstrategien: Berücksichtigen Sie unterschiedliche Strategien bei der Auswahl der Merkmale, da diese die Gesamtmodellleistung beeinflussen.
  • Feature-Visualisierung: Visualisieren Sie Beziehungen zwischen Merkmalen, um die Datengrundlage besser zu verstehen und wichtige Features zu identifizieren.

    • Modellauswahl und Training

    Wählen Sie ein maschinelles Lernmodell passend zum Problem aus und trainieren Sie es mit den Daten.


    Die Modellauswahl und das Training umfassen die Auswahl eines geeigneten Modells zur Analyse und das Training anhand der Daten. Details sind:

  • Modellauswahl: Wählen Sie ein Modell passend zum Problem (Klassifikation, Regression, Clustering etc.) aus.
  • Vorbereitung der Trainingsdaten: Bereiten Sie die Daten für das Training vor, teilen Sie in Trainings- und Validierungssets auf.
  • Training des Modells: Trainieren Sie das gewählte Modell mit den Trainingsdaten. Passen Sie Modellparameter an und starten Sie das Training.
  • Bewertung der Modellleistung: Bewerten Sie das trainierte Modell anhand von Validierungsdaten mit Metriken wie Genauigkeit oder mittlerem quadratischem Fehler.
  • Modellverbesserung: Optimieren Sie Parameter oder testen Sie verschiedene Modelle zur Leistungsverbesserung. Behandeln Sie Über- oder Unteranpassung.
  • Endgültige Modellauswahl: Wählen Sie das Modell mit der besten Leistung für die Ergebnisproduktion.

    • Modellevaluation

    Bewerten Sie die Leistung des trainierten Modells mit Metriken wie Genauigkeit, Präzision und Spezifität.


    Die Modellevaluation beinhaltet die objektive Analyse der Modellleistung. Details sind:

  • Auswahl der Leistungsmetriken: Definieren Sie Erfolgsmetriken (Genauigkeit, Präzision, Recall, F1-Score, mittlerer quadratischer Fehler etc.).
  • Verwendung von Testdaten: Bewerten Sie das Modell mit reservierten Testdaten und generieren Sie Vorhersagen.
  • Analyse der Konfusionsmatrix: Analysieren Sie für Klassifikationsprobleme korrekte und fehlerhafte Klassifizierungen.
  • ROC-Kurve und AUC: Erstellen Sie ROC-Kurven und berechnen Sie die AUC zur Bewertung der Klassifikationsleistung.
  • Fehleranalyse: Untersuchen Sie Fehlklassifikationen zur Ursachenforschung und Optimierung.
  • Überprüfung der Modellentscheidungen: Stellen Sie sicher, dass die Vorhersagen geschäftliche Anforderungen erfüllen.
  • Gesamtleistungsbewertung: Analysieren und berichten Sie die Gesamtleistung bezüglich der Geschäftsziele.
  • Modellzuverlässigkeit: Berücksichtigen Sie auch die Zuverlässigkeit und Konfidenzbereiche.

    • Modellverbesserung

    Justieren Sie Parameter oder testen Sie verschiedene Modelle zur Leistungssteigerung. Beheben Sie Überanpassungs- oder Unteranpassungsprobleme.


    Modellverbesserung ist ein iterativer Prozess zur Leistungssteigerung. Details umfassen:

  • Hyperparameter-Optimierung: Passen Sie sorgfältig Parameter wie Lernrate oder Netzwerkgröße an, um optimale Werte zu finden.
  • Datenanreicherung: Ergänzen Sie fehlende Daten oder fügen Sie neue Quellen hinzu, um die Trainingsbasis zu erweitern.
  • Umgang mit Über- und Unteranpassung: Verbessern Sie die Generalisierung durch entsprechende Maßnahmen.
  • Transferlernen: Nutzen Sie Wissen bestehender Modelle, besonders bei begrenzten Daten.
  • Modell-Ensemble: Kombinieren Sie mehrere Modelle z.B. durch Bagging oder Boosting zur Leistungssteigerung.
  • A/B-Tests: Validieren Sie Verbesserungen durch Vergleich verschiedener Modelle oder Parameter.
  • Kontinuierliche Verbesserung: Überwachen Sie regelmäßig und passen Sie das Modell bei neuen Daten oder geänderten Anforderungen an.
  • Dokumentation und Weitergabe: Halten Sie den Status und die Nutzung für Stakeholder fest.

    • Ergebniskommunikation

    Übermitteln Sie die Modellergebnisse an relevante Teams und Stakeholder zur Integration in Geschäftsstrategien.


    Die Kommunikation der Ergebnisse ist ein entscheidender Teil eines erfolgreichen KI- und ML-Projekts. Details sind:

  • Präsentation für Stakeholder: Stellen Sie Ergebnisse vor inklusive Modellbeschreibung, Erfolgsmetriken und Geschäftsauswirkungen.
  • Schulung der Teams: Schulen Sie relevante Teams im Umgang und Verständnis des Modells. Unterstützen Sie die Integration im Geschäftsalltag.
  • Anwendung in Geschäftsprozessen: Binden Sie Modellvorhersagen in Geschäftsentscheidungen und Workflows ein.
  • Feedback sammeln: Erhalten Sie Rückmeldungen zur Verbesserung während der Implementierung.
  • Modellüberwachung: Überwachen Sie kontinuierlich Leistung und aktualisieren Sie bei Bedarf.
  • Dokumentation: Halten Sie Modellnutzung und Ergebnisse für die Zukunft fest.
  • Bewertung des Stakeholder-Feedbacks: Analysieren Sie Rückmeldungen und passen Sie das Modell an.
  • Planung zukünftiger Verbesserungen: Entwickeln Sie Pläne für fortlaufende Optimierungen und Datensammlungsstrategien.

    • Umsetzung

    Passen Sie Geschäftsprozesse und Strategien basierend auf den Modellergebnissen an und beginnen Sie mit der Umsetzung.


    Die Umsetzung stellt sicher, dass die Ergebnisse des KI- und ML-Projekts im Unternehmen Wert schaffen. Details sind:

  • Strategischer Umsetzungsplan: Erstellen Sie einen Plan zur Integration der Ergebnisse in Geschäftsabläufe und Wertschöpfung.
  • Geschäftsintegration: Verankern Sie das Modell in Prozessen, damit es im Tagesgeschäft nutzbar ist.
  • Team-Schulung: Schulen Sie Teams im Gebrauch und Interpretation der Modellresultate für fundierte Entscheidungen.
  • Pilotphase: Führen Sie einen Pilotversuch durch, um Ergebnisse zu überwachen und Nutzen zu evaluieren.
  • Überwachung und Verbesserung: Beobachten Sie laufend die Performance und optimieren Sie basierend auf Feedback.
  • Messbare Ergebnisse: Evaluieren Sie Auswirkungen auf Leistung, Profitabilität und Effizienz.
  • Kommunikation positiver Effekte: Teilen Sie Erfolge mit Stakeholdern durch geeignete Kommunikationsstrategien.
  • Planung weiterer Anwendungen: Planen Sie zukünftige KI- und ML-Projekte in Abstimmung mit Geschäftszielen.

    • Leistungsüberwachung und Feedback

    Überwachen Sie kontinuierlich die Performance der Veränderungen und bewerten Sie das Feedback.


    Leistungsüberwachung und Feedback sind entscheidend für nachhaltigen Erfolg. Details sind:

  • Leistungsmonitoring: Beobachten Sie kontinuierlich Modellperformance durch Vergleich von Ergebnissen und Vorhersagen.
  • Feedback sammeln: Erfassen Sie Rückmeldungen von Nutzern und Stakeholdern zur Identifikation von Problemen und Verbesserungspotenzialen.
  • Datenaktualisierung: Halten Sie die Datenquellen aktuell, um Modellleistung zu erhalten oder zu verbessern.
  • Modellretraining: Trainieren Sie das Modell neu, wenn sich Daten oder Anforderungen ändern.
  • Sicherheit und Datenschutz: Beachten Sie stets Sicherheits- und Datenschutzaspekte.
  • Verbesserungsstrategien: Entwickeln Sie Strategien z.B. zur Feature-Optimierung oder Hyperparameter-Anpassung.
  • Neu-Bewertung: Überprüfen Sie regelmäßig Geschäftsziele und passen Sie das Modell an neue Anforderungen an.
  • Team-Schulungen: Schulen Sie Teams zu neuen Modellen und Verbesserungen.

    • Dokumentation der Änderungen

    Dokumentieren Sie Änderungen und Ergebnisse, um als Referenz für zukünftige Projekte zu dienen.


    Die Dokumentation der Änderungen ist wichtig für Nachhaltigkeit und Transparenz. Details sind:

  • Erfassung der Änderungen: Halten Sie jede Änderung im Detail fest, inklusive Trainings, Parameteranpassungen und Datenupdates.
  • Aktualisierung der Dokumentation: Pflegen Sie bestehende Dokumente mit aktuellen Informationen zu Modellstatus, Nutzungsanleitungen und Geschäftsprozessen.
  • Kommunikation der Aktualisierungen: Informieren Sie regelmäßig Stakeholder über Gründe und Auswirkungen der Änderungen.
  • Aktualisierung des Unternehmenswissens: Pflegen Sie das Unternehmensgedächtnis bezüglich Modellenutzung und Wartung.
  • Schulung der Teams: Schulen Sie Mitarbeiter zu den Änderungen für eine effektive Nutzung.
  • Planung zukünftiger Verbesserungen: Überwachen Sie die Ergebnisse und planen Sie weitere Optimierungen.
    • 1 2 3 4 5 6 7 8

    Datenanalyse, Geschäftsprozessautomatisierung und Künstliche Intelligenz Lösungen
    Alle Rechte vorbehalten.
    Kontakt |  🌐