New ways of analyzing the environment with AI

New ways of analyzing the environment with AI

Lassen Sie es uns mal GROSS angehen
Let's start big! Think different on AI

Topics

Themenbereiche

Let's start big! Think different on AI

The right approach is important for a successful AI Project



AI Gestaltungsprozess als Modellansicht


The whole thing as a linear (much simplified) process for capturing the AI ​​story thought!

  1. Basically, it is about the basis of baseline data a training set, a validation set and a test set is generated. For this purpose, data is enriched, normalized, correlated and evaluated with the correct causality in order to be able to apply algorithms to it.
  2. Depending on the knowledge of the initial data (few or many case studies), the strategy of supervised learning or unsupervised learning is decided fundamentally
  3. Then someone looks for the appropriate algorithm from the set of the respective provider, which basically pursues the following 5 basic features:
    1. Simple / Multidimensional Classificationb.
    2. Clustering (unknown)
    3. Anomaly Detectiond.
    4. Regression
    5. Neural networks
  4. Now you can use the strategy and the chosen algorithm on the basis of the knowledge of the output data to calculate a prediction / classification / abnormality.
  5. Now the trained algorithm is ready for optimization – either adapting the algorithm, improving the basic data or adjusting the expectation
  6. The trained model is statistically evaluated for quality (bias, variance, etc) to achieve best predictive quality. What is the best? Partly not even the man-made quality, but better …. Depending on the source material to data.

That would be the simple run through an AI project. Who noticed it: 80% data preparation / 20% optimization and rest. That’s an approximate ratio of the effort in such projects. Therefore, the relationship between data and their causality or their correlation must be distinguished. Often a connection with data can be found that lies outside of the „first estimate“. A long way to the truth, but more exciting!

Lassen Sie es uns mal GROSS angehen

Der richtige Ansatz ist wichtig für ein erfolgreiches AI Vorhaben



AI Gestaltungsprozess als Modellansicht


AI Analyse („Data driven“) unterscheidet sich wesentlich von herkömmlichen Analysevorgehen:

  1. Datengrundlage bilden (80% Projektaufwand): Auf Basis von Grunddaten, werden ein Trainings-Set, ein Validierung-Set und ein Test-Set erzeugt. Dazu werden Daten angereichert, normalisiert, in Bezug gesetzt und (hoffentlich –> sonst werden wir kein Ergebnis erhalten!) kausalitätsrichtig bewertet um darauf Algorithmen (Statistische Algorithmen) anwenden zu können.
  2. Abhängig vom Wissen über die Grunddaten (wenige oder viele Fallbeispiele) entscheidet man grundlegend die Strategie Supervised learning oder unsupervised learning
  3. Auswahl des geeignet erscheinenden Algorithmus-Ansatzes aus dem Set des jeweiligen AI-Modell-Anbieters. Dieser verfolgt grundsätzlich 5 unterschiedliche Strategien:
    1. Einfache/Multidimensionale Klassifikation
    2. Clustering (bekannte/unbekannte Daten)
    3. Anomalie Erkennung
    4. Regression
    5. Neuronale Netzwerke
  4. Mit der Datenstrategie und dem gewählten Algorithmus auf Basis der Kenntnis der Ausgangsdaten kann eine Vorhersage/ Einteilung/ Auffälligkeit berechnet werden.
  5. Der so gefundene, trainierte Algorithmus (erzeuge Vorhersage) ist nun zur Optimierung (verbessere Vorhersage) bereit – entweder Algorithmus anpassen, Grunddaten nachbessern oder Erwartungshaltung anpassen 🙂
  6. Das trainierte Modell wird statistisch auf Qualität (Bias, Varianz, Genauigkeit, etc) geprüft, um eine messbare Vorhersagequalität zu erreichen. Was ist das Beste? Teilweise nicht die von Menschen produzierbare Qualität, sondern noch besser.

Das ist der einfache Ablauf eines AI Projektes. Wer es bemerkt hat: 80% Datenaufbereitung/ 20% Optimierung. Das ist das empirisch ermittelte Verhältnis des Aufwands in solchen Projekten. Daher ist der Zusammenhang zwischen Daten und deren Kausalität oder deren Korrelation zu unterscheiden. Oftmals ist ein Zusammenhang mit Daten zu finden, die außerhalb des „first estimate“ ersten Eindrucks liegen. Ein langer Weg zur Wahrheit, aber ein spannender!

Experts of this Topic

Experten zu diesem Themenbereich