Schwerpunkte

Machine Learning

Lösungsansätze im direkten Vergleich

11. November 2019, 08:00 Uhr   |  Markus Ahorner, Jens Eickmeyer, Dr. Oliver Niggemann, Peter Seeberg


Fortsetzung des Artikels von Teil 4 .

Zusammenfassung

Zusammenfassend lässt sich festhalten: Keiner der drei angerissenen Ansätze löst aktuell alle Herausforderungen im Kontext von ML für die Produktion. So besteht momentan der gangbarste Weg darin, auf die interaktive Datenanalyse zu setzen, ohne dabei andere Ansätze aus den Augen zu verlieren. Hierzu müssen die Firmen aber klären, wie sie die dafür notwendige Anzahl an Data Scientists einstellen, ausbilden und halten wollen. Außerdem benötigt es ein Konzept, wie diese Experten mit den Domänenexperten der Firma auf Dauer kooperieren können. Gerade für KMUs gestaltet sich dies schwierig. Auf der anderen Seite sind die beiden anderen Ansätze aktuell noch ‚work-in-progress‘, sodass Firmen vor einer Kommerzialisierung eine Risikominimierung zum Beispiel in Form von Forschungsprojekten einplanen sollten. Ein Wechsel zwischen den Ansätzen ist zwar grundsätzlich nicht ausgeschlossen, zieht aber in der Regel Verzögerungen und Mehrkosten nach sich.

Autoren:
Markus Ahorner ist Geschäftsführer von Ahorner & Innovators in Ratingen;
Jens Eickmeyer ist ML-Experte am Fraunhofer IOSB-INA in Lemgo;
Dr. Oliver Niggemann ist Professor am Institut für Automatisierungstechnik an der Universität der Bundeswehr Hamburg;
Peter Seeberg ist Inhaber des Beratungsunternehmens Asimovero.AI.

Seite 5 von 5

1. Lösungsansätze im direkten Vergleich
2. Methode 1: Interaktive Datenanalyse
3. Methode 2: AutoML
4. Methode 3: Generische ML-Verfahren
5. Zusammenfassung

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Verwandte Artikel

Fraunhofer IOSB (Institut für Optronik, Systemtechnik und Bildauswertung), asimovero.AI AG, Ahorner und Partner, Helmut-Schmidt-Universität d. Bundeswehr Hamburg