1. Motivation#
Die Idee hinter Data Analytics ist vermutlich so alt wie die erste Datenbank: durch die Analyse von Daten sollen Entscheidungen automatisiert werden, die besser, schneller und objektiver sind als die von erfahrenen menschlichen Entscheidungsträgern. Es gab viele Anläufe und Hypecycles diese Probleme zu lösen. Immer wieder musste man in der Praxis feststellen, dass der gewählte Ansatz scheitert. Seit ca. 2010 gibt es eine neue Welle. Diese ist bisher nicht gebrochen und das ist auch unwahrscheinlich, denn im Gegensatz zu früheren Versuchen gibt es schon lange umfassende Erfolgsgeschichten in der realen Welt (wozu wir das Internet großzügig dazuzählen).
Was ist dieses Mal anders? Anstatt Technologien zu entwickeln, die eine generelle künstliche Intelligenz ermöglichen, wird an konkreten und spezifischen Anwendungen gearbeitet. Das heißt statt zu versuchen das menschliche Denken nachzuempfinden werden einzelne Lösungen gebaut, um z.B.
Verkehrszeichen in Bildern zu erkennen,
betrügerische Kreditkartentransaktionen zu identifizieren oder
zu erraten welches Wort ein Nutzer als nächstes in einer Email schreiben möchte.
Dabei wird auf lernende Algorithmen gesetzt. Also Machine Learning im Vergleich zu traditioneller Programmierung. Die traditionalle Programmierung von Expertensystemen geht wie folgt vor:
Durch Erfahrung und Recherche werden einzelne Menschen zu Domänenexperten
Durch Modellierung ggfs. mit Hilfe von Modellierungsspezialisten wird das Domänenwissen in explizite Regeln modelliert
Um eine Vorhersage zu machen werden die Regeln auf die entsprechende Situation angewandt
Beim maschinellen Lernen wird auf Algorithmen gesetzt, die Muster in historischen Daten erkennen. Die Muster können je nach Algorithmus unterschiedliche Formen annehmen - inklusive Entscheidungsbäumen, die oft das Ergebnis manueller Expertenmodellierung sind. Für Vorhersagen werden nun die Muster gesucht, die am besten zur Situation passen.
Die Ansätze klingen an vielen Stellen ähnlich. Der Hauptunterschied ist, dass beim maschinellen Lernen direkt auf objektive und vollständige Daten zugegriffen wird. Bei traditionellen Modellen werden die Fakten von Menschen zu Regeln aggregiert - ein Vorgang, der oft subjektiv und durch Heuristiken geprägt ist.
Der Fokus auf Anwendungen, der zu den aktuellen Erfolgen führt, ist möglich, weil sich drei Voraussetzungen ergeben haben:
Datenverfügbarkeit: immer mehr Daten sind verfügbar in allen Bereichen. Dies ist insbesondere der Digitalisierung und Sensoren (IoT) zu verdanken, die dazu geführt haben, dass jegliche Menschen und Gegenständige Datenspuren hinterlassen - automatisch. Das sorgt nicht nur für größere Datenmengen, sondern auch für realistischer Daten. Die tatsächliche Zahlungshistorie im Fast-Food-Restaurant sagt mehr über die Essgewohnheiten einer Person als ein ausgefüllter Umfragebogen.
Rechen- und Speicherkapazitäten: das jahrzehntelange exponentielle Wachstum hat zu Kapazitäten geführt, die eine Speicherung und Verarbeitung der enormen Datenmengen ermöglicht. Mittlerweile ist per Cloud Computing für jeden der Zugriff auf praktisch unlimitierte Rechenkapazitäten möglich.
Frei verfügbare Algorithmen und Tools: wenn ein Unternehmen Data Analytics einsetzen will, muss es nicht erst Algorithmen entwickeln oder große Investionen in Software tätigen. Die Software für Analyse-Algorithmen, Datenhaltung, Verarbeitung, Visualisierung usw. wird größtenteils als Open Source zur Verfügung gestellt.
Der letzte Punkt macht auch deutlich, dass Differenzierung aus der Verfügbarkeit der richtigen Daten und der Kompetenz die Brücke zwischen Analytics-Methoden und Anwendungen zu schlagen. Sonst würden Technologiekonzerne wie Google, Facebook oder Microsoft diese Software nicht freigeben. Der Anwendung als Erfolgsfaktor bei Analytics-Vorhaben ist auch ein Grundstein für unseren Ansatz: wir gehen nicht so sehr darauf ein, wie einzelne Algorithmen funktionieren, sondern vielmehr darauf wie und welchen Situationen diese anzuwenden sind.
1.1. Und die generative KI?#
Seit etwa 2022 hat sich das Bild noch einmal verschoben. Große Sprachmodelle und andere sogenannte Foundation Models sind gerade keine Einzellösungen für ein spezifisches Problem, sondern werden mit enormen Datenmengen allgemein vortrainiert und dann für sehr unterschiedliche Aufgaben eingesetzt: Texte zusammenfassen, Code schreiben, Bilder beschreiben. Auf den ersten Blick widerspricht das der Beobachtung, dass der Erfolg von Machine Learning aus der Konzentration auf konkrete Anwendungen kommt.
Für die Analytics-Fragestellungen in Unternehmen ändert sich weniger, als man vermuten könnte. Ob ein Kunde kündigt, wie viel Eis am Samstag verkauft wird oder welche Maschine bald ausfällt, steckt in den eigenen, meist tabellarischen Daten des Unternehmens. Ein Sprachmodell kennt diese Daten nicht. Für solche Vorhersagen sind die Verfahren, die wir in diesem Kurs behandeln, weiterhin der Standard: Sie sind genauer, günstiger im Betrieb, besser zu überprüfen und leichter zu erklären.
Generative KI kommt in Analytics-Projekten trotzdem vor, allerdings eher als Werkzeug entlang des Prozesses. Sie hilft beim Programmieren, sie kann aus Freitexten wie Beschwerden oder Wartungsberichten strukturierte Features extrahieren, und sie kann Ergebnisse für Fachanwender in Worte fassen. In allen drei Fällen gilt dasselbe wie für jedes andere Modell: Ihre Ergebnisse müssen überprüft werden. Ein Sprachmodell, das plausibel klingenden, aber falschen pandas-Code schreibt, ist nicht weniger gefährlich als ein Klassifikator mit Leakage, nur schwerer zu erkennen. Deshalb ist KI im Projekt dieses Kurses ausdrücklich erlaubt, in den Tests aber nicht: Sie sollen beurteilen können, ob das Ergebnis stimmt.
Dieser Abschnitt wird aktuell als interaktive Präsentation in der Vorlesung abgehandelt. Hierbei werden Praxis-Beispiele anhand Materials der entsprechenden Firmen besprochen. Um das Copyright zu beachten, werden diese Materialien hier nicht öffentlich zur Verfügung gestellt. Soweit möglich sind einige dieser Beispiele hier verlinkt.
Eine Auswahl an Praxis-Beispielen: