Schnelles Setup für Einsteiger und erfahrene Data Scientists 29.03.2021. Projekte für maschinelles Lernen sind komplex. Wo sollen Daten gespeichert werden? Wir sollen Algorithmen trainiert werden? Viele offene Fragen schrecken Firmen schon vor dem Start zurück.
Source: Machine Learning zu komplex? Mit AutoAI einfach durchstarten
Der Start geht aber auch einfach.
Gesponsert vonIBM Deutschland GmbH
Um KI im Unternehmen effektiv zu betreiben, ist die Automatisierung ein wichtiger Faktor. Nach einer Untersuchung von Deloitte verbringen Data Scientists bis zu 80 Prozent ihrer Arbeitszeit mit Aufgaben, die leicht automatisierbar sind.
Das macht deutlich, wie sinnvoll es ist, KI-Technologien für die Entwicklung von KI-Lösungen zu nutzen. Neben Verringerung der Fehlerquote, Beschleunigung der Bereitstellung und Entlastung der Data Scientists, lassen sich dadurch gesetzliche Vorgaben und Normen, zum Beispiel zum Datenschutz, besser gewährleisten.
AutoAI automatisiert die Einführung künstlicher Intelligenz
IBM AutoAI ermöglicht die komplette Automatisierung von Datenvorbereitung, Modellauswahl und Optimierung. Lösungen wie IBM AutoAI können zahlreiche Aufgaben bei der Modellierung von KI automatisieren. Das verbessert die KI und spart gleichzeitig Arbeitszeit und Kosten.
AutoAI bereitet die Daten für das Training vor, wählt den am besten passenden Modelltyp während des Feature Engineering aus und rechnet danach die Standard-Algorithmen durch. Dadurch hilft AutoAI auch bei der systematischen Durchsuchung der verschiedenen Modellierungsoptionen. Anschließend kann sich der Data Scientist an die Optimierung machen und erhält dabei Unterstützung von AutoAI. Danach erfolgt die Bereitstellung im lokalen Rechenzentrum oder das Betreiben von KI in der Cloud. Auch hier unterstützen AutoAI und das IBM Watson Studio.
DIN und Standards: Normungs-Roadmap künstliche Intelligenz
Ende 2020 hat die Bundesregierung ihre Normungsroadmap Künstliche Intelligenz vorgestellt. Dabei handelt es sich um ein Dokument, in dem Experten KI-Normen und -Standardisierungen für DIN und DKE empfehlen. Hier war auch Dr. Wolfgang Hildesheim, Leiter IBM Watson Group Deutschland, Österreich, Schweiz beteiligt.
Die Roadmap formuliert dabei konkrete Handlungsempfehlungen, mit der KI aus Deutschland effektiv umgesetzt werden kann. In sieben Schwerpunkten erfasst die Roadmap über 70 Standardisierungspotenziale. Um für die eigene KI ebenfalls Normierungen gewährleisten zu können, hilft die Automatisierung mit AutoAI. Dabei lassen sich auch die Herangehensweisen der Normungsroadmap berücksichtigen und KI nach gängigen Standards bereitstellen.
Wie die Daten nutzen?
Um Daten für ein Modell zu nutzen, kann AutoAI diese analysieren und automatisiert vorbereiten. Von IBM AutoAI profitieren auch Data Scientists ohne umfassende Programmierkenntnisse. Das bedeutet, dass erfahrene Data Scientists sehr viel effizienter arbeiten und Anfänger sehr schnell einen Einstieg erhalten. Gleichzeitig reduziert dieser Vorgang Fehler. AutoAI ist daher ideal für alle Einsatzszenarien, um eine KI auf solide Basis zu stellen.
Nachdem AutoAI die Daten vorbereitet hat, macht sich die Lösung an die Auswahl des am besten geeigneten Modells. AutoAI trainiert dazu mit einer Teilmenge der Daten alle verfügbaren Verfahren. Mit einer Steigerung der verwendeten Datenmenge eliminiert die Lösung weniger geeignete Verfahren. Am Ende des Prozesses wählt AutoAI den besten Algorithmus aus.
Der ausgewählte Algorithmus spart natürlich auch Rechenzeit und Speicherplatz ein. AutoAI nutzt spezielle, neue Ansätze, um verschiedene Anforderungen für das Feature Engineering systematisch und genauer zu verfolgen. Dazu nutzt AutoAI das Reinforcement Learning. In einem PDF-Dokument werden die technischen Grundlagen genauer behandelt. Im Anschluss werden durch AutoAI die besten Modell-Pipelines optimiert. Der ganze Prozess kann durch Watson Studio gesteuert werden.
Wenn Data Scientists mit dem Modell zufrieden sind, können sie es in IBM Watson Machine Learning speichern und weiterbearbeiten. Hier stehen auch REST-APIs zur Verfügung. Die Speicherung kann als Python/Jupyter-Notebook erfolgen und mit Watson Studio auf dem Desktop bearbeitet werden. Anschließend kann die Bereitstellung erfolgen. Das Notebook kann für die lokale Bereitstellung im Rechenzentrum aber auch in Cloudumgebungen genutzt werden.
Cloud oder On-Premise? Die richtige Plattform für AutoAI
AutoAI kann natürlich auf Hardware im eigenen Rechenzentrum eingesetzt werden (On-Premises). In vielen Unternehmen wird beim Einsatz von KI auf Public/Multi Cloud oder auf hybride Clouds gesetzt. IBM AutoAI unterstützt hier zahlreiche Cloud-Infrastrukturen.
Ein Vorteil beim Verwenden von AutoAI in der Cloud ist die sehr schnelle Bereitstellung der Infrastruktur und die Bezahlung der tatsächlich benötigten Ressourcen. Investitionen in Hard- und Software sind dabei nicht nötig. Auch die Skalierbarkeit ist in diesem Fall wesentlich einfacher. Gleichzeitig kann jederzeit parallel eine lokale Infrastruktur bereitgestellt werden.
KI-Modelle können natürlich auch auf der IBM Cloud betrieben werden. AWS, Microsoft Azure oder Google Cloud Computing unterstützen AutoAI ebenfalls. Der Betrieb in einer Multi-Cloud-Umgebung stellt kein Problem dar. In hyperkonvergenten Netzwerken, die zum Beispiel mit Azure Stack HCI, AWS Outposts oder anderen Lösungen umgesetzt werden, ist AutoAI ebenfalls umsetzbar.
IBM Cloud Pak for Data as a Service ermöglicht einen Test der Funktionen in der IBM Cloud. Mit der Watson Machine Learning Cloud können KI-Umgebungen über einen Managed Service in der IBM Cloud bereitgestellt werden. Für erste Schritte kann IBM Watsons Machine Learning Cloud Lite auch kostenlos in der IBM Cloud genutzt werden. Zwar erlaubt die kostenlose Version nur fünf implementierte Modelle mit 5.000 Vorhersagen und 50 Kapazitätseinheitenstunden pro Monat, allerdings reichen diese Ressourcen für einen ersten Blick aus. Wer mehr Kapazität benötigt, kann auf eine nutzungsabhängige Abrechnung mit „as-a-Service“-Bereitstellung umstellen.
Watson Machine Learning Server – AI On-Premises bereitstellen
Wer noch nicht auf Cloud-Lösungen setzen will, kann Watson Machine Learning Server auch als Installation auf einem lokalen Server betreiben und mit Watson Studio Desktop verbinden. Auch hier kann auf Jupyter-Notebooks gesetzt werden. Die Bereitstellung ist ähnlich einfach, erfordert aber eine eigene Infrastruktur. In hybriden Umgebungen lassen sich Watson Machine Learning Server-Installationen auch mit Clouddiensten verbinden, um einzelne Ressourcen auszulagern. Auch hier können Unternehmen auf verschiedene Anbieter setzen, zum Beispiel Microsoft Azure, AWS, Google Cloud Computing oder natürlich auch auf die IBM Cloud.