Mit der richtigen KI-Plattform zu profitablen Data-Science-Projekten

Mit der richtigen KI-Plattform zu profitablen Data-Science-Projekten

ADVERTORIAL

Laut Gartner werden 85 % der Data-Science-Projekte eingestellt und gerade einmal 2 % erzeugen einen Mehrwert für Unternehmen. Woran liegt das?

von Dr. Theo Steininger

Data-Science-Projekte benötigen nicht nur Daten. Sie zeichnen sich vielmehr durch einen sehr hohen Informationsbedarf aus. Das erfordert eine reibungslose Kommunikation und einen adäquaten Wissenstransfer zwischen Management, Experten und Data Scientists. Ohne die richtige Projektstruktur werden nicht nur der Business Case, sondern auch technische Schlüsselinformationen aus den Augen verloren. Die Konsequenz: Die einzelnen Projektiterationen laufen zu lange und dabei auch noch in die falsche Richtung. All das gefährdet letztlich den Mehrwert des Projektes für das Unternehmen. Wie lässt sich das vermeiden?

Halerium
… ist eine kollaborative Entwicklungsumgebung und Computing Plattform für Data-Teams. Das im Austausch mit Management und Expert:innen gewonnene Wissen strukturieren sie mithilfe von Templates auf einem Board, um anschließend für die Modell-Implementierung genutzt und mit dem Projekt-Code verknüpft zu werden. Damit behalten Sie stets den Business Case im Auge und relevante Informationen gehen nicht mehr verloren. Halerium ist die Vereinigung von Knowledge-Base mit Entwicklungsumgebung, damit Data-Teams Lösungen entwickeln, die echten Mehrwert für das Unternehmen liefern.

Lücke zwischen Knowledge-Base und Implementierung schließen
Es gibt eine ganze Reihe von Prozesstemplates, Vorlagen und Best Practices für Data-Science-Projekte. Allerdings fällt deren praktische Umsetzung vielen Data-Science-Teams schwer, da sie dabei im Kern einen Produkt-Management-Prozess im Griff behalten müssen: Zum einen ermitteln, strukturieren und visualisieren Data Scientists im Austausch mit Management und Domänen-Experten das relevante Wissen zu einem Use-Case. Zum anderen entwickeln sie aus dieser Information die konkrete Machine Learning-Lösung. Die beiden Facetten dieses gleichen Prozesses werden heute häufig noch in unterschiedlichsten Tools und Plattformen umgesetzt, wodurch leicht der Überblick über Ziele, Hypothesen und bisherige Lösungsansätze verloren geht. Wird dieser iterative Prozess hingegen durch die richtige Arbeitsplattform unterstützt, wird unmittelbar die Projekt-Rentabilität gesteigert und gleichzeitig das Projekt-Risiko gesenkt. Das gelingt dann, wenn die Plattform die Lücke zwischen Projekt Knowledge-Base und der Umsetzungsebene schließt. Für die Einzelkomponenten bedeutet das:

1. Integraler Bestandteil der Plattform muss eine leistungsfähige Knowledge-Base sein. Die Erfahrung zeigt, dass visuelle Darstellungen wie Mindmaps den kreativen und agilen Prozess am besten unterstützen. Wiki-Systeme eignen sich dagegen vor allem für langfristige Dokumentation. Schafft es eine Lösung, beide Welten zu kombinieren, läuft die Projekt- und Produktdokumentation dadurch ohne zusätzlichen Aufwand ganz nebenbei.

2. Die Entwicklungsumgebung der Plattform muss es Data-Teams erlauben, in Echtzeit zusammen an einem Projekt zu arbeiten, ohne sich um Infrastrukturthemen kümmern zu müssen. Cloud-Lösungen bieten hierbei den Vorteil leicht skalierbarer Rechenressourcen. Darüber hinaus ist es wichtig, dass die Plattform Lösungsbausteine und Ready-to-Use Machine Learning Module zur Verfügung stellt, um kürzeste Projektiterationen zu ermöglichen.

Entscheidend ist die starke Verzahnung von Knowledge-Base mit der Entwicklungsumgebung zu einer Unified Data-Science-Plattform. Damit gelingt es, Data-Science-Lösungen zu entwickeln, die wirklichen Mehrwert fürs Unternehmen liefern.

Prozesse wie CRISP-DM gibt es genug. Die Herausforderung ist deren praktische Umsetzung.

Dr. Theo Steininger, Gründer und CEO, Erium GmbH

erium

www.erium.de

Dieser Artikel ist im aktuellen Handelsblatt Journal „Künstliche Intelligenz“ erschienen.

Das vollständige Journal können Sie sich hier kostenlos herunterladen:

Zum Journal