Dr. Martin Berninger (d-fine)

© 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

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

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.

Künstliche Intelligenz: Predictive Data Analytics

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

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..

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

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?

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

Praxisbeispiel: Automatisierte Auswertung von Kundenanfragen

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

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

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

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.
13
Features
CFI
Kausaler Zusammenhang
„Scheinkausalität“
Eingang
Rohdaten
Daten
sammeln
Daten-
Aufbereitung
Daten-
Analyse
Modell-
Entwicklung
Deployment

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

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

Implementierung der Predictive Data Analytics Anwendung zur Vorhersage von
Gewinnwahrscheinlichkeiten als Browserapplikation
Anzeige eingehender
Kundenanfragen
Vorhersage der
Visualisierung
Kundeninformationen
Eingang
Rohdaten
Daten
sammeln
Daten-
Aufbereitung
Daten-
Analyse
Modell-
Entwicklung
Deployment

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

d-fine
(textbox is required to avoid an issue where
this page gets rotated by 90° if printing (both
“physical” and pdf))

Dr. Martin Berninger (d-fine)

Weitere ähnliche Inhalte

Was ist angesagt?

Mehr von Praxistage

Dr. Martin Berninger (d-fine)