Data Science, Artificial Intelligence und Machine Learning

Data Science gilt als die Königsdisziplin bei der Erkennung wertvoller und versteckter Informationen aus un-/sturkturierten Daten. So treffen Sie künftig datenbasierte Entscheidungen.

Abgrenzung der Data Science

Data Science wird seit einiger Zeit als die Königsdisziplin bei der Erkennung von wertvollen Informationen in größeren Datenmengen gehandelt. Als Synonyme von Data Science werden dabei gerne Begriffe wie „KI“ oder „Machine Learning“ verwendet, auch wenn diese Begriffe nur einen Teilaspekt von Data Science betrachten.

Abgrenzung der Data Science zu anderen Disziplinen

Data Science verspricht, aus Daten beliebiger Struktur – also nicht nur numerischen Werten wie beispielsweise Messwerten und Kennzahlen, die oft als „strukturiert“ bezeichnet werden, sondern auch Texten, Bildern, Videos und sogar Geräuschen („unstrukturierte Daten“) – versteckte, wertvolle Informationen zu extrahieren. 

  • Versteckt, da sich diese Informationen nur sehr schwer/langwierig bzw. aufgrund der beschränkten Fähigkeit des menschlichen Gehirns nicht durch bloßes Betrachten zeigen.
  • Wertvoll, da  sich möglicherweise Informationen  verstecken, deren  Kenntnis  aber  auch einen  Mehrwert  stiften bzw. sich daraus ein Handeln ableiten ließe, um einen gewünschten Effekt zu erreichen.

Dabei spielen mehrere Faktoren eine Rolle, denn die Vorgehensweise und Mathematik, auf der Data Science fußt, hat sich schon vor Jahrzehnten entwickelt: 

  • Vorrat an Daten: Die zur Verfügung stehende Datenmenge ist enorm gewachsen. In der Produktion senden Sensoren tausende Messwerte pro Sekunde, in der Logistik lassen sich Güter per GPS verfolgen, beim Surfen im Netz hinterlassen potentielle Käufer bewusst oder unbewusst Spuren, die auf ihr Einkaufsverhalten schließen lassen. 

  • Verfügbarkeit leistungsfähiger Rechenkapazität: Nie war es einfacher und günstiger, den Datenvorrat mit mathematischen Methoden zu verarbeiten. Durch Leistung nach Bedarf (u. a. in der Cloud) lassen sich Kapazitäten auch kurzfristig steigern, sodass in Summe viele Anwendungsfälle schneller wirtschaftlich werden. Dazu kommen neue, parallel arbeitende Rechnerarchitekturen (u.a. GPUs), welche durch eine native Verarbeitung mathematischer Modelle ungeahnte Kombinationen und Muster erkennen können. 

  • Neue mathematische Methoden: Durch neue Versionen bekannter Methoden (siehe parallele Verarbeitung und GPU), neue Methoden, die durch die vorherrschende „Sharing-Economy“ schnell weltweit geteilt werden, oder durch Methoden der Künstlichen Intelligenz oder des Machine Learning, lassen sich heute Lösungen sehr viel einfacher modellieren und lösen. 

Qualität und Nachvollziehbarkeit der Daten

Und trotz bzw. wegen der überragenden Möglichkeiten, gilt auch für Data Science, dass die Vorbereitung der Daten aus unterschiedlichen Quellen zeitaufwändig und fehleranfällig ist. Gleichzeitig steigen die Anforderungen an Qualität und Nachvollziehbarkeit der Daten, um Erkenntnisse zu untermauern, bzw. auch nachträglich begründen zu können. 

Entscheidungsmix für spezifischen Einsatz

Aus der Kombination von Anforderungen und Herausforderungen ergibt sich eine Entscheidungsmatrix für den Einsatz von Data Science / KI oder ML im Unternehmen: sei es für die Bestimmung des richtigen Produktes, der richtigen Zeit für den richtigen Kunden im eCommerce, die Bestimmung eines optimalen Zeitpunktes für die Wartung einer Produktionsanlage oder die Ermittlung von Einflußgrößen auf die Produktqualität. 

Qualifikationen und Expertise

Mit unseren Experten decken wir alle notwendigen Qualifikationen für erfolgreiche Data Science Projekte ab. Sei es die Anbindung von Datenquellen (z. B. Produktionsanlagen, Webseiten, internen und externen Daten), die Aufbereitung, Beurteilung, Modellierung und Quantifizierung oder schließlich die Operationalisierung.

Individuell abgestimmte Vorgehensweise

Lassen Sie uns zusammen anhand Ihres Geschäftes Anwendungsfälle für Data Science identifizieren und in einem vordefinierten strukturierten Workshop Ihre Potentiale erkennen. Zusammen mit unseren Experten diskutieren Sie die für Ihr Unternehmen wertvollen Ansätze und deren Machbarkeit. In einem zweiten Schritt bestimmen wir die Technologie und erreichen in einem pragmatischen Ansatz erste Ergebnisse, die Ihre Anwendungsfälle bestätigen. Im dritten Schritt nutzen wir die gewonnenen Erkenntnisse, um eine operative Nutzung der Informationen durch die Einbindung in Ihre Geschäftsprozesse zu ermöglichen. 
 

Unsere Experten setzen bei der Umsetzung von Data Science Projekten auf unterschiedliche OpenSource Werkzeuge wie beispielsweise R, Python, Jupyter, aber auch auf kommerzielle Werkzeuge und Lösungen aus dem Hause IBM und Microsoft. Mehr Informationen zu den Lösungen, den Herstellern und unseren Kompetenzen finden Sie auf den Produktseiten.

Für jedes Projekt den richtigen Hersteller

Sie suchen technische Unterstützung in den Themen rund um Analytics: Datenintegration, Big Data / Datawarehouse, Business Intelligence, Data Science oder Corporate Performance Management? Wir arbeiten mit Technologien der folgenden Hersteller:

IBM Platinum Business Partner
Microsoft Logo

Unsere Referenzen: