Seite 4: Fazit: Vorkonfektioniert statt selbermachen

Inhaltsverzeichnis

Im betrachteten Anwendungsfall Content Analytics sprechen zahlreiche Gründe für den Einsatz von Driver-less AI. ML-basierte Cognitive Services als Teil einer Daten- und Content-Plattform, kombiniert mit einem AutoML-Ansatz, sind tief integriert, einfach zu verwenden und nah an den Daten. Eine gesonderte Data Collection entfällt, die KI kommt direkt dort zum Einsatz, wo die Daten liegen. Darüber hinaus ergeben sich Synergieeffekte, da die Plattformen bereits weite Teile der nötigen Datenvorverarbeitung für unstrukturierte Inhalte standardmäßig mitbringen.

Da auch die benötigten Frameworks schon in die Plattform integriert sind, entfällt die Komplexität, aus dem Wildwuchs der verfügbaren Python-Bibliotheken, die für den konkreten Anwendungsfall passenden auszuwählen. Im Idealfall ist außerdem eine automatisierte, kontinuierliche Aktualisierung der Lernmengen und die sich daraus ergebende Optimierung der Modelle im Produktivbetrieb implementiert. Ein Punkt, der beim individuelleren Bring-your-own-AI-Ansatz häufig vergessen wird.

Da zudem ausgewiesene Experten für ML und NLP häufig schwer zu bekommen sind, stellt sich für viele Unternehmen die Frage erst gar nicht, ob der eigene KI-Baukasten die bessere Wahl ist. Ein GUI-basierter Ansatz erweitert den Kreis der möglichen Anwender deutlich, sodass Unternehmen eine größere Chance haben, geeignete Mitarbeiter zu finden.

Aber die individuelle Analyse und Exploration eines ML-Problems durch einen Experten hat ebenfalls ihre Vorteile, die auch in Zukunft maßgeschneiderte Ansätze rechtfertigen. So lassen sich Ad-hoc-Analysen einfacher erstellen und Individualanforderungen leichter umsetzen. Darüber hinaus stehen theoretisch alle KI-Frameworks zur Verfügung, nicht nur diejenigen, die ein Plattformhersteller integriert hat.

AutoML als integraler Teil einer Daten- und Content-Plattform ist noch ein recht neuer, wenig verbreiteter Ansatz. Nicht jedes Unternehmen wird daher direkt auf diesen Zug aufspringen wollen. Sobald aber diese Plattformen sowohl offene Plug-in-Schnittstellen bieten, um individuell weitere Frameworks zu ergänzen und in eine Analysekette einzubinden und zum anderen im Sinne der Content Federation einen einheitlichen Zugriff auf verschiedene Quellen bieten, dürften AutoML-Ansätze weiter an Attraktivität gewinnen.

Dr. Gregor Joeris (gregor.joeris@ser.de)
ist Chief Technology Officer der SER Group und der innovative Kopf hinter den SER-Technologien & -Produkten. Er hat an der RWTH Aachen Informatik studiert und in Bremen promoviert. Heute steht Dr. Joeris federführend für die Konzeption und Weiterentwicklung der Enterprise Content Management-Plattform Doxis4.

Weiterführende Informationen:

• Comparative study of CNN and RNN for natural language processing
• Towards Automated Machine Learning: Evaluation and Comparison of AutoML Approaches and Tools.

(map)