Entwicklung und Implementierung neuer Meta-Learning Strategien für die Ermöglichung einer automatisierten Hyperparameterauswahl für Machine-Learning Modelle

Im Zuge der fortschreitenden Digitalisierung können Unternehmen heute viele Daten erheben, die noch vor wenigen Jahren gänzlich unzugänglich oder zu teuer, zu detailliert und zu unstrukturiert gewesen wären, um nützlich zu sein. Prominente Beispiele für diese Entwicklung finden sich bei Maschinendaten im Internet der Dinge. So kann ein Maschinenbauer heute seine Maschinen im laufendem Betrieb beim Kunden überwachen und damit die Wartung optimieren. Oder eine Fabrik erhebt digital eine große Anzahl von Parametern zur automatisierten Überwachung von Herstellungsverfahren, um Probleme mit Fertigungslosen rechtzeitig zu erkennen oder Prozesse zu optimieren. Die Analyse solcher großen Datenmengen mit den Methoden des Maschinellen Lernens verspricht Einsichten, die zu signifikanten Produktivitätssteigerung und Wettbewerbsvorteilen führen können (McKinsey, Smartening up with Artificial Intelligence — What’s in it for Germany and its Industrial Sector, 2017). PSIORI berät Unternehmen sowohl beim Aufbau von moderner IT-Infrastruktur für das Datenzeitalter als auch bei der Analyse und Nutzung ihrer Daten.

Obwohl viele Unternehmen — insbesondere mittelständische Unternehmen — sich momentan für intelligente Datenanalysen interessieren, stehen dem tatsächlichen Einsatz zwei Hürden im Weg:

1. Investitionen in IT-Infrastruktur, um große Datenmengen (Big Data) zu erheben, aus verschiedenen Systemen zusammenzuführen, zu speichern und zu verarbeiten.

2. Fehlende Expertise in intelligenter Datenanalyse (Künstliche Intelligenz, Maschinelles Lernen und Computational Statistics), um die Rohdaten durch die Entwicklung maßgeschneiderter Software in wertvolle Einsichten zu verwandeln.

Mehrere große IT-Firmen (z.B. IBM, Microsoft, Amazon, GE) bieten Cloud-Lösungen für Big Data an, die die Größe der Investitionen überschaubar machen und die erste Hürde niedrig halten. Häufig bevorzugen Unternehmen aber trotzdem Lösungen, die ihre sensitiven Daten innerhalb der eigenen IT-Infrastruktur oder bei einem lokalen Rechenzentrum belassen. PSIORI berät und unterstützt Kunden bei jeder dieser Lösungen.

Unternehmen scheuen die Investitionen in IT nicht, wenn der zu erwartende Nutzen der Daten die Investitionen rechtfertigt. Um das Potential dieser neuen Technologien abschätzen zu können, braucht es allerdings Expertise in intelligenter Datenanalyse (Künstliche Intelligenz, Maschinelles Lernen, Computational Statistics), die in den allermeisten Unternehmen nicht vorhanden ist. Deshalb ist die zweite Hürde meist die höhere und Unternehmen müssen sich auf externe Berater wie PSIORI verlassen. Wenn allerdings die Kosten für diese externe Beratung und die entsprechende Softwareentwicklung sehr hoch sind, ohne dass der Nutzen schon klar ist, dann fällt den meisten Unternehmen der Einstieg in diese innovativen Technologien verständlicherweise sehr schwer.

PSIORIs Geschäftsmodell sieht deshalb vor, Kunden zunächst einen Proof-of-Concept (PoC) anzubieten. Für diesen PoC werden Daten, die bereits vorhanden oder leicht zu erheben sind, von unseren Experten analysiert. Dazu muss zunächst Software für kundenspezifische Datenanalysen entwickelt werden, um Informationen, die für den Kunden nützlich sind, aus den Daten extrahieren zu können. Diese ersten Analysen produzieren oft schon wertvolle Einsichten für möglich ist. Basierend auf dem PoC kann der Kunde dann entscheiden, welche Investitionen in Big Data und Machine Learning sich für ihn lohnen und ob er mit PSIORI weitere, größere Projekte planen möchte. Der Preis und die Anzahl von PoCs, die PSIORI anbieten kann, bestimmen sich maßgeblich aus der Anzahl der Arbeitstage, die erfahrene Experten benötigen, um maßgeschneiderte Datenanalysen für einen Kunden zu entwickeln. Dabei können sich die Kosten schnell auf mehrere zehntausend Euro summieren. Hinzu kommt eigener Aufwand beim Kunden bei der Zusammenstellung der Daten und beim Austausch mit den Experten. Diese Investitionen sind erfahrungsgemäß für viele kleine und mittlere Unternehmen zu groß, um Machine Learning einfach mal auszuprobieren.

Gerade Firmen, die beim digitalen Wandel noch Nachholbedarf haben, sehen oft noch nicht die Möglichkeiten, die Big Data oder das Internet der Dinge ihnen bietet, und da sie keinen konkreten Nutzen sehen, scheuen sie selbst die Kosten und den Aufwand für einen PoC, der ihnen gerade diese Möglichkeiten aufzeigen könnte. Aus Vertriebssicht stellt sich das Problem so dar: Eine kleine Zahl an Vorreitern in der Industrie 4.0 weiß, welche Expertise sie bei PSIORI einkaufen kann; die anderen müssen erst einmal Zeit und Geld aufwenden, um zu verstehen, was sie dann später kaufen könnten, sollten sie es denn tatsächlich brauchen. Für diese potentiellen Kunden will PSIORI “Schnellanalysen” anbieten, die dem Kunden schneller und kostengünstiger als ein PoC konkrete Ergebnisse liefern. Mit Hilfe dieser Schnellanalysen wird die Einstiegshürde für Maschine Learning gesenkt und die ersten konkreten Ergebnisse erleichtern die Entscheidung für weitere Schritte im digitalen Wandel.

Das Ziel des ISMLL innerhalb des Projektes ist die Entwicklung neuer Meta-Learning Strategien, die eine automatisierte Hyperparameterauswahl für ML Modelle erlauben.