Data Science und Artificial Intelligence – wo ist der Unterschied?

Artificial Intelligence wird oft als ein rein selbst lernendes System skizziert, das keinen „Trainer“ braucht, seine Optimierungskriterien selbst festlegt und irgendwann natürliche Intelligenz ersetzt. Bei b.telligent ist künstliche Intelligenz vielmehr mit klugen Algorithmen verbunden, die wir bei unseren Kunden gezielt einsetzen, um Optimierungspotentiale zu nutzen. Beispielsweise können wir mit Deep-Learning-Verfahren Textauswertungen für Sentimentanalysen verbessern oder automatisierte Bilderkennung in Vorhersagemodelle einbinden. Künstliche Intelligenz kann auch über Spracherkennung oder Chatbots genutzt werden, um Ihre Callcenter-Auslastung zu senken.

Die Automatisierung von Geschäftsprozessen mit Algorithmen ist seit der Gründung von b.telligent Bestandteil des Beratungsportfolios, das sich über Business Analytics zu Advanced Analytics und Data Science entwickelt hat. Durch die Verbindung mit Deep Learning wird es nun als Artificial Intelligence bezeichnet. Für uns ist Deep Learning eine natürliche Erweiterung unseres Werkzeugkastens, der immer relevanter wird.

  • Data Science hat das Ziel, aus Daten durch mathematische Algorithmen (wirtschaftlich nutzbares) Wissen zu extrahieren.
  • Artificial Intelligence ist das Nachahmen von intelligenten Handlungen mit Hilfe von mathematischen Algorithmen unter besonderer Berücksichtigung des Umgangs mit Unsicherheit und das kontinuierliche Lernen aus neuen Situationen.

Man sieht, die beiden Begriffe sind nicht scharf voneinander abzugrenzen und gehören zusammen. AI ist deutlich näher am Produkt, und am Ende steht oft eine Applikation oder ein Feature für ein Produkt. Der Begriff AI ist häufig über das Produkt direkt mit Wertschöpfung verknüpft, wohingegen Data Science die Wissensgenerierung etwa in Form von Customer Insights stärker bedient und somit auch Handlungsempfehlungen zulässt, wobei Interpretation ein wichtiger Aspekt ist.

b.telligents Data-Science- und AI-Ansatz kombiniert die herausragende Expertise aus vielen Praxisprojekten und die fundierten Data-Scientist-Skills unserer Experten mit den neuesten Verfahren aus Data Science und AI. Ziel ist es, mathematische Algorithmen zu nutzen, um Ihnen einen Vorsprung für Ihr Unternehmen zu verschaffen.

CRISP-DM, das bekannte Phasenmodell, wird in vielen unserer Projekte zur Strukturierung herangezogen und oft mit agilen Elementen wie Scrum oder Kanban kombiniert. Die Schritte Business und Data Understanding sind ebenso wichtiger Bestandteil unseres Data-Science-Beratungsansatzes wie Data Preparation (Feature Engineering) und Modelling, die oft als eigentliche Data Science betrachtet werden. Wir sind davon überzeugt, dass eine optimale Lösung eines Problems mit dem genauen Verständnis des Problems beginnt.

Moderne Data-Science-Abteilungen arbeiten im Wesentlichen auf zwei verschiedene Weisen:

  1. Ad-hoc-Modus: Hier liefert die Abteilung statische Datenanalysen, Customer Insights oder Prognosemodelle, auf deren Basis dann Entscheidungen getroffen werden. In diesen Modus fallen auch Proof of Concepts (PoCs), auf deren Basis entschieden wird, ob ein Use Case dauerhaft umgesetzt werden soll oder nicht.
  2. Application-Modus: Die Data-Science-Abteilung liefert interaktive, ständig mit frischen Daten versorgte Bestandteile eines Produkts wie den personalisierten Content einer App oder Webseite, prognostische Selektionslogiken für Kampagnenmanagementsysteme oder ein Alerting für industrielle Fertigungsprozesse.

Diese beiden Arbeitsweisen eines Data-Science-Teams schließen sich keinesfalls aus. So wird oft im Ad-hoc-Modus ein Prototyp für eine Applikation entwickelt und liefert wertvolle Erkenntnisse für das Endprodukt eines Data-Science-Teams; kurz gesagt, unser Data-Science-Beratungsansatz liefert alles von der Use Case Creation über den PoC bis hin zur Applikation! b.telligent hat schon einigen Unternehmen dabei geholfen, eine Data-Science-Abteilung aufzubauen und in die alltäglichen Prozesse zu integrieren. Data Science Coaching, Enabling, der Aufbau der technischen und organisatorischen Strukturen sind dabei Teil unserer Arbeit.

Data Analytics, Predictive Analytics, Machine und Deep Learning - unser Werkzeugkasten

Um die bestmöglichen Entscheidungen treffen zu können, ist eine einwandfreie Datenanalyse notwendig. Die Analysemöglichkeiten von Data Science lassen sich auch im Data-Science-Reifegradmodell wiederfinden:

  1. Descriptive Analytics: Beschreibung und Messung von Ereignissen.
  2. Diagnostic Analytics: Beschreibung von Zusammenhängen durch statistische Verfahren. „Warum passiert etwas?“
  3. Predictive Analytics: Vorhersage von zukünftigen Ereignissen oder Handlungen.
  4. Prescriptive Analytics: Empfehlung und Automatisierung von Handlungen auf Basis von Predictive Analytics.

Entwicklungsstufen der Data Science

Descriptive und Diagnostic Analytics finden mit innovativen Ansätzen bei Data und Business Understanding in unseren Projekten immer Anwendung. Unser Data-Science-Team beherrscht die modernsten Methoden zur Analyse und Vorhersage von zukünftigem Verhalten. Darunter sind Problemfelder und Verfahren wie:

  • Predictive Analytics: Hierbei greift man auf bestehende Daten zu, um zukünftige Ereignisse oder Werte aus komplexen Datenstrukturen vorherzusagen. Dieses Wissen hilft dem Management, bessere Entscheidungen zu treffen.
  • Regression: Der ewige Klassiker. Hier wird ein parametrisches Modell vorgegeben, und die Parameter werden mit Algorithmen geschätzt. Der Vorteil ist, dass diese Modelle gut interpretierbar und sehr bekannt sind. Neben guten Prognosen werden hier wertvolle Insights generiert, die helfen, informierte Entscheidungen zu treffen.
  • Machine Learning: Diese Methodenklasse beinhaltet vor allem die sogenannten „Black-Box-Verfahren“ wie Random Forests, Gradient Boosted Trees, Support Vector Machines, neuronale Netze etc. Die Modelle aus diesen Verfahren sind schwer bis gar nicht zu interpretieren und finden vor allem bei komplexen Datenstrukturen Anwendung, wenn keine Modellannahme im Vorhinein getroffen werden kann. Hier steht häufig eine möglichst gute Prognose im Vordergrund und die Interpretierbarkeit des Modells ist nachrangig.
  • Neuronale Netze und Deep Learning: Als Teilbereich des maschinellen Lernens widmet sich Deep Learning bestimmten Problemen, die mit anderen Methoden kaum zugänglich sind, insbesondere in der Bild- und Audioverarbeitung. Aber auch in anderen komplexen Datensituationen wie Weblogdaten oder komplexen Zeitreihenproblemen findet diese Methodenklasse Anwendung.
  • Natural Language Processing: Erfahren Sie mehr über Ihre Kunden, dank einer intelligenten Verknüpfung von gesprochener oder geschriebener Sprache. Mit modernen Verfahren wie Word2Vec, Latent Dirichlet Allocation (LDA), Optical Character Recognition (OCR) und Neuronale Netze künstlicher Intelligenz kann aus Sprache wertvolle Information gewonnen und operationalisiert werden. Häufig findet man derartige Modelle in Anwendungen wie Chat- oder Sprachbots.

Wie revolutionieren Data Science und Artificial Intelligence Unternehmen?

Der Einsatz dieser Techniken zahlt sich für Unternehmen mit einem erheblichen Wissensvorsprung aus und bringt neue Chancen in Form von potentiellen Umsatzsteigerungen mit sich. Selbstverständlich beherrschen unsere Consultants alle gängigen Data-Technologien und Lösungen wie Hadoop, SAP HANA, Apache Spark, Teradata oder auch Python, R und Scala.

Big Data, Cloud-Technologien, Data Science und Artificial Intelligence revolutionieren die Welt. Die Arbeit von Data Scientists hat schon zu Veränderungen und Fortschritten auf vielen Gebieten geführt. Niemand weiß, was in der Zukunft passieren wird, allerdings gibt es dank Methoden wie Predictive Analytics, Machine Learning und Deep Learning die Möglichkeit, basierend auf bestehenden Daten die Zukunft präzise vorherzusagen.
Der Einsatz von maschinellem Lernen und Deep Learning ermöglicht es Unternehmen, mit dem wachsenden Konkurrenzdruck und den kontinuierlich wachsenden Kundenanforderungen Schritt zu halten. Gleichzeitig erzielen Sie Wettbewerbsvorteile, indem Sie sich den Herausforderungen der Digitalisierung stellen.

Der Erfolg von Digitalisierung in einem Unternehmen hängt von den Use Cases ab. Ein schlechter Use Case wird durch Data Science oder AI nicht zu einem guten Use Case. Bei den Use Cases können zwei wesentliche Stoßrichtungen ausgemacht werden:

  • Automatisierung und Optimierung: Ein bekannter Use Case wird durch neue Methoden und dadurch neu verfügbare Daten optimiert oder automatisiert. Zum Beispiel stellt man seine Selektionslogik auf neuronale Netze um und nutzt hierfür auch die Weblogdaten in nicht aggregierter Form.
  • Neues Geschäftsmodell: Auf Basis der neuen Methoden und Technologien wird ein neuer Use Case erst möglich. Zum Beispiel werden Güter durch die Anwendung von Predictive Maintenance auf Maschinendaten nicht mehr gekauft, sondern geleast, und das Geschäft mit Wartung und Versicherungen wird zu einem neuen Businesstreiber für das güterproduzierende Unternehmen, das früher die Güter verkauft und die Wartung häufig extern vergeben hat.

Ein wichtiger Faktor bei allen Use Cases ist es, dass die Nutzung von hochkomplexen Datenstrukturen nun möglich ist. Hierdurch gibt es undenkbar viele Möglichkeiten für Unternehmen, die es zu nutzen gilt. Die technischen und algorithmischen Grenzen wurden in den letzten drei Jahren extrem weit verschoben. Nutzen Sie durch moderne Data Science und AI die neuen Freiräume für Ihr Unternehmen.

Social Media Analytics – mit Data Science und Artificial Intelligence wirdʼs möglich

Ein immer wichtiger werdendes Aufgabenfeld von Data Scientists ist Social Media Analytics im Bereich Marketing. Das Monitoring und die Arbeit der Scientists mit modernsten Techniken wie dem Natural Language Processing helfen, die Flut an Informationen, die über Social-Media-Tools wie Facebook, LinkedIn, Twitter oder Instagram zur Verfügung stehen, zu segmentieren und die Zusammenhänge schnell zu verstehen, neue Themen im Markt zu identifizieren oder neue Prädiktoren für Modelle zu generieren. Der Einsatz von Predictive Analytics erlaubt es, das Kundenverhalten auf den unterschiedlichen Plattformen vorauszusagen.

Die richtige Social-Media-Analytics-Software

Der Markt für Software im Bereich Social Media Analytics und Digital Communications ist hochdynamisch und von einer großen Anzahl innovativer Anbieter mit sehr unterschiedlichen Stärken geprägt. b.telligent ist als unabhängiges Beratungshaus in der Lage, Media-Analysen, Ausschreibungen und Auswahlprozesse neutral, kompetent und herstellerunabhängig unter Berücksichtigung Ihrer Zielgruppen zu unterstützen.

So wird gewährleistet, dass Unternehmen, die auf Kennzahlen bzw. Key Performance Indicators (KPI) der Social-Media-Kanäle und Monitoring-Verfahren setzen, langfristig Wissensvorsprünge sowie klare Wettbewerbsvorteile erzielen können, da Trends und Chancen für Produkte bzw. Dienstleistungen schnell analysiert und Diffamierungen von Produkten schnell aufgedeckt werden können. Dies ist besonders bei Social-Media-Kampagnen und wichtigen Geschäftsentscheidungen hilfreich.

Mit b.telligent von Data Science und Artificial Intelligence profitieren

b.telligent verfügt über ein breit gefächertes Know-how zu unterschiedlichen Data-Science-Technologien und -Methoden und unterhält zudem ein großes Partnernetzwerk. Zusätzlich können unsere Consultants auf eine jahrelange Praxiserfahrung im Bereich Big Data, Data Architecture und Data Strategy zurückgreifen, um eine unternehmensgerechte Strategie zu entwickeln.

Sie wollen von den Erfahrungen und Kompetenzen von b.telligent im Data-Science-Umfeld profitieren, um Ihr Unternehmen auf die nächste Entwicklungsstufe zu heben? Die Münchner Unternehmensberatung mit weiteren Standorten in Deutschland und in der Schweiz kann umfassende Projekterfahrungen vorweisen – von der Erstellung von Applikationen über die Customer Lifetime Value Measure bis hin zu Next Best Action (NBA), Social Media Analytics, Predictive Maintenance und Artificial Intelligence. Darüber hinaus unterstützen Sie unsere Berater dabei, Ihre individuelle Data-Science-Strategie zu entwickeln und auf Basis von Predictive Analytics, Machine Learning sowie Deep Learning bessere Entscheidungen zu treffen, Ihr Geschäftsmodell zu optimieren und zu erneuern, um dadurch nachhaltige Wettbewerbsvorteile zu erzielen.

Wichtiges rund um Data Science und Artificial Intelligence auf einen Blick

Die derzeit wohl meistdiskutierten Themen stammen allesamt aus dem Bereich Data Science und AI. Dieser Entwicklung wird von unserem Data-Science-Team Rechnung getragen. In unserem Blog berichten unsere Berater über die neusten Entwicklungen in der Data-Science-Welt, geben interessante Einsichten in die Arbeit von Data Scientists und stellen praxisnahe Best Practices vor. 


Dr. Sebastian Petry

Kontakt

Dr. Sebastian Petry
Competence Center Manager
DE +49 (89) 122 281 110
CH +41 (44) 585 39 80

Ab jetzt keine Neuigkeiten mehr verpassen - unser Newsletter:

Technologienetzwerk

Videos