Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

Dr. Martin Berninger (d-fine)

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Chargement dans…3
×

Consultez-les par la suite

1 sur 19 Publicité
Publicité

Plus De Contenu Connexe

Diaporamas pour vous (20)

Similaire à Dr. Martin Berninger (d-fine) (20)

Publicité

Plus par Praxistage (20)

Plus récents (20)

Publicité

Dr. Martin Berninger (d-fine)

  1. 1. © d-fine — All rights reserved© d-fine — All rights reserved | 0 Wieviel Mensch braucht es für die Entwicklung von künstlicher Intelligenz? Anforderungen an die Entwicklung einer Predictive Data Analytics Anwendung » Künstliche Intelligenz: Predictive Data Analytics » Praxisbeispiel: Automatisierte Auswertung von Kundenanfragen
  2. 2. © d-fine — All rights reserved© d-fine — All rights reserved | 1 Mit unserer ausgeprägten fachlichen und analytischen Expertise unterstützen wir seit viel Jahren unsere Kunden beim Einsatz neuer Technologien. 800+ 7 144Mio. €>90% Banken Versicherung Asset Mgmt Aufsicht Industrie Sonstige Mitarbeiter aus 25 Nationen (2018) Standorte in vier Ländern, Wien seit 2012 Umsatz in Geschäfts- jahr 2017/18 der Mitarbeiter mit MINT Hintergrund Wir verfolgen einen integrierten Beratungsansatz und begleiten unsere Kunden von der Konzeption bis zur Umsetzung. Unsere Mitarbeiter zeichnen sich durch eine außerordentlich hohe Qualifikation aus. d-fine analytisch. technologisch. quantitativ. 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  3. 3. © d-fine — All rights reserved© d-fine — All rights reserved | 2 Bei der Entwicklung umfänglicher Lösungen können wir auf ein breites Spektrum an Fähigkeiten und Erfahrungen zurückgreifen. Prozesse Effiziente Gestaltung von Prozessen, Prozessquantifizierung, -automatisierung und –orchestrierung. Technologie Architektur-Design und Implementieren von Fachsystemen. Agile Eigenentwicklung unter Verwendung moderner Technologien. Methoden & Simulationen Entwicklung und Anwendung von klassischen wie zukunftsweisenden Methoden und Algorithmen. Data Analytics Hands-on Erfahrung im Umgang mit unstrukturierten und strukturierten Daten über das gesamte Spektrum von Data Science. Strategie & Governance Strategieentwicklung und Steuerung über das reine Konzept hinaus unter Berücksichtigung der Umsetzung. 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  4. 4. © d-fine — All rights reserved© d-fine — All rights reserved | 3 Künstliche Intelligenz: Predictive Data Analytics 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  5. 5. © d-fine — All rights reserved© d-fine — All rights reserved | 4 Künstliche Intelligenz imitiert den Lernprozess von menschlicher Intelligenz und wendet Gelerntes auf neue Probleme an. Predictive Data Analytics » Lernen durch Daten » Anwendung von gelerntem Verhalten » Regeln von der KI selbst entwickelt Phase I Lernen aus Daten (Erfahrungen) Phase II Anwenden auf Problemstellung Künstliche Intelligenz anwenden Daten sammeln verarbeiten Menschliche Intelligenz anwenden Erfahrungen sammeln verarbeiten 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  6. 6. © d-fine — All rights reserved© d-fine — All rights reserved | 5 Durch „datenbasiertes“ Machine Learning ergeben sich neue Möglichkeiten aber auch Gefahren und Herausforderungen. Künstliche Intelligenz Daten sammeln verarbeiten Machine Learning „Datenbasiert“ Klassisches Programm Regeln und Algorithmen definieren Klassische Programmierung „Regelbasiert“ „Neue“ Gefahren bei der Anwendung Lernen durch Daten » Schlechter & falscher Dateninput führt zu „dummer“ KI Anwendung von gelerntem Verhalten » Historische Daten bestimmen die Ergebnisse („es bleibt alles beim Alten“) Regeln von der KI „selbst“ entwickelt » Was ist die Ursache für das Verhalten und sind zusätzliche Regeln notwendig? vs.. 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  7. 7. © d-fine — All rights reserved© d-fine — All rights reserved | 6 Irren ist menschlich: Auch eine künstliche Intelligenz macht Fehler… Zwei Beispiele für die Gefahren bei der Anwendung künstlicher Intelligenz https://diepresse.com/home/techscience/5613473/YouTube-wertet-Videos-zu-Brand-in-Notre-Dame-als-Fake-News https://www.golem.de/news/machine-learning-amazon-verwirft-sexistisches-ki-tool-fuer-bewerber-1810-137060.html Hinweis auf die Terroranschläge 09/11 Algorithmus erkennt zwei Türme …Amazon nutzte hauptsächlich zehn Jahre alte Bewerbungen, die überwiegend von Männern stammten, als Vorlage, um das Machine- Learning-Modell zu trainieren. …Das Wort Frauen wurde nach Aussagen von Reuters vom Programm als schlecht bewertet und floss negativ in die Endwertung ein… » Machine-Learning Tool zur Beurteilung von Bewerbungen » Frauen klar benachteiligt » KI hat sich „Haltung“ selbst beigebracht 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  8. 8. © d-fine — All rights reserved© d-fine — All rights reserved | 7 Die Anforderungen an den menschlichen Input: Die Rolle des Data Scientist als Basis für eine erfolgreiche Predictive Data Analytics Anwendung Business Know-How Data Science Machine Learning Data Scientist Was bietet einen (revolutionären) Mehrwert? 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  9. 9. © d-fine — All rights reserved© d-fine — All rights reserved | 8 010111001001011010110101001010101010101110010001000111101001010010100 100100101100111000101001000100100111001010100011001010101000111001001 000010100100111101010010001011101001010100101001011100100101101011010 100101010101010111001000110010101001010010111001001011010110101001010 101010101110010001000110101010001111000100101110000011010100101010101 010111001000100011110100101001010010010101101011010100101010101010111 001000100011110100101001010010010010110011100010100100010010011100101 010001100101010100011100100100001010010011110101001000101110100101010 010100101110010010110101101010010101010101011100100011001010100101001 011100100101101011010100101010101010111001000100011010101000111100010 01011100001010001010010100101001011100100101101011010100101010101010 111001000100011110100101001010010010010110011100010100100010010011100 101010001100101010100011100100100001010010011110101001000101110100101 010010100101110010010110101101010010101010101011100100011001010100101 001011100100101101011010100101010101101011010100101010101010111001000 100011110100101001010010010010110011100010100100010010011100101010001 100101010100011100100100001010010011110101001000101110100101010010100 101110010010110101101010010101010101011100100011001010100101001011100 100101101011010100101010101010111001000100011010101000111100010010111 00001010001010010100101001011100100101101011010100101010101010111001 000100011110100101001010010010010110011100010100100010010011100101010 001100101010100011100100100001010010011110101001000101110100101010010 100101110010010110101101010010101010101011100100011001010100101001011 100100101101011010100101010010110011100010100100010010011100101010001 100101010100011100100100001010010011110101001000101110100101010010100 101110010010110101101010010101010101011100100011001010100101001011100 100101101011010100101010101010111001000100011010101000111100010010111 00001010001010010101000101010001110100100100101001001010110010100010 01011000010101010010100101101010100101100100101001001001001001010010 Die Anwendungsmöglichkeiten für den Einsatz von Predictive Data Analytics wachsen stetig. CRM Geld- Wäsche Angebots- stellung Kredit- vergabe Energie Persön. Behand- lung Mobilität Diagnostik Logistik Instand- haltung Sicherheit Migration 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  10. 10. © d-fine — All rights reserved© d-fine — All rights reserved | 9 Praxisbeispiel: Automatisierte Auswertung von Kundenanfragen 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  11. 11. © d-fine — All rights reserved© d-fine — All rights reserved | 10 An erster Stelle steht die Entwicklung eines Anwendungsbeispiels: KI zur Unterstützung des Händlers bei der Prozessierung von Kundenanfragen im Kapitalmarktbereich einer Bank. Ziele des Händlers » Wettbewerbsfähige Preise » Ausführungsqualität » Kundenanforderungen erfüllen » Reduktion der Fehleranfälligkeit Predictive Data Analytics Konkurrenten Wie groß ist die Wahrscheinlichkeit das Geschäft zu gewinnen? Kunde möchte ein bestimmtes Wertpapier kaufen oder verkaufen. Anfrage Angebot 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  12. 12. © d-fine — All rights reserved© d-fine — All rights reserved | 11 Für die erfolgreiche Umsetzung der Data Analytics Anwendung sind ausgeprägte Fach-, technische und mathematische Expertise notwendig. Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment Interne Daten Externe Daten Anfrage Transaktion Markt Kunden Produkt FIRDS Historische Projekt-DB Testdaten Trainings- daten Daten- Pipeline Bereinigung Transformation Feature Engineering Back end Front end Modell- Validierung Modell- entwicklung 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  13. 13. © d-fine — All rights reserved© d-fine — All rights reserved | 12 Datenverfügbarkeit und die Aufbereitung sind die wichtigsten Faktoren zur Realisierung der Anwendung. Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment Daten sammeln Bereinigung Transformation Feature Engineering» Notwendigkeit & Verfügbarkeit von Daten » Interne & externe Quellen » Datenbank » Identifikation von Datenproblemen » Umgang mit fehlerhaften Werten » Umwandung von Kategorien in auswertbare Werte » Formate konvertieren » Vorprozessierung mittels Business Logik » Aussagekräftige Features erstellen 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  14. 14. © d-fine — All rights reserved© d-fine — All rights reserved | 13 Eine klassische Analyse gibt einen Einblick zum Informationsgehalt der Daten und den Erfolgsaussichten eines Predictive Data Analytics Modells. Subject matter expertData Scientist Gewinnwahrscheinlichkeit abhängig von: Preis,… O.K. Verhalten & „Ausreißer“ Antwortgeschwindigkeit (s) Häufigkeit Verteilungsfunktionen » Zeiten, Kundengruppen Korrelationen » Features vs. Gewinnwahrscheinlichkeit 13 Features CFI Kausaler Zusammenhang „Scheinkausalität“ Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  15. 15. © d-fine — All rights reserved© d-fine — All rights reserved | 14 Modell » Vorauswahl » Implementierung » Tuning Bei der Modellentwicklung werden geeignete Modelle vorausgewählt, optimiert und getestet. 011100101010001100 101010100011100100 100001010001011001 010010011110101001 000101110100101010 010000101001001111 0101001000101110 Train <<< Decision Tree-based Models Dense Neural Nets Support Vector Machine 011100101010001100101 010100011100100100001 0100101100101001001111 010100100010111010010 101001000010100100111 10101001000101110 Test Modellauswahl » Genauigkeit » Komplexität Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  16. 16. © d-fine — All rights reserved© d-fine — All rights reserved | 15 Validierung über Kennzahlen Im Rahmen der Validierung wird das Modell vom Data Scientist auf die Probe gestellt und gegebenenfalls angepasst. EchteDaten Vorhergesagt „What-If“-Analysen Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment Vorhergesagt Preis Antwortzeit # Konkurrenten Ursachenforschung 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  17. 17. © d-fine — All rights reserved© d-fine — All rights reserved | 16 Implementierung der Predictive Data Analytics Anwendung zur Vorhersage von Gewinnwahrscheinlichkeiten als Browserapplikation Anzeige eingehender Kundenanfragen Vorhersage der Gewinnwahrscheinlichkeit Visualisierung Kundeninformationen Eingang Rohdaten Daten sammeln Daten- Aufbereitung Daten- Analyse Modell- Entwicklung Deployment 2019-07-02 | Wieviel Mensch braucht es für de Entwicklung von künstlicher Intelligenz
  18. 18. © d-fine — All rights reserved© d-fine — All rights reserved | 17 Ein kleiner Auszug weiterer Machine Learning Projekte von d-fine Monitoring von Insiderhandel Kunde: Bank » Identifikation von Verdachtsfällen mittels E-Mails und Chats » Einbeziehung von Analysten-Feedback zur Modellverbesserung Analyse des Kundenpotentials Kunde: Leasinganbieter » Entwicklung von Cross- und Up-Selling- Vorschlägen » Portfolioanalyse » Analyse des Web-Traffics auf Onlineportal Qualitätssicherung in der Produktion Kunde: Inspektion Medizinprodukte » Bildverarbeitung mit DNN zur Identifikation schadhafter Container » Auswahl und Evaluation geeigneter ML- Methoden und Netzarchitekturen KI-basiertes Frühwarnsystem Kunde: Digitale Bank » Identifizierung problematischer Kunden » Darstellung in einem Dashboard » Flexible Machine Learning Lösung aufgrund sich stetig ändernden Umfeldes
  19. 19. d-fine (textbox is required to avoid an issue where this page gets rotated by 90° if printing (both “physical” and pdf))

×