Machine Learning (ML) und künstliche Intelligenz (KI) sind schon lange Teil unseres Lebens. Wir sind es mittlerweile gewohnt, Siri zu fragen, wie das Wetter wird, oder Alexa automatisch unsere Einkäufe neu bestellen zu lassen. Doch seit der Einführung von ChatGPT ist klar geworden, wie stark KI-Technologien in unserem Leben involviert sind – und dieser Trend setzt sich fort.
Laut Fortune Business Insights wurde der Markt für Machine Learning 2021 mit 15,44 Milliarden US-Dollar bewertet und wird bis 2029 voraussichtlich auf 210 Milliarden US-Dollar explodieren.
Dieses exponentielle Wachstum wird durch zahlreiche Anwendungen von KI in verschiedenen Branchen vorangetrieben – von schnellerer Diagnose von Krankheiten im Gesundheitswesen bis hin zu selbstfahrenden Autos im Automobilsektor.
Im digitalen Handel ist das Verständnis des Kundenverhaltens entscheidend für den Geschäftserfolg. Machine Learning hat hier eine bahnbrechende Rolle übernommen und ermöglicht es Unternehmen, riesige Datenmengen zu analysieren und wertvolle Erkenntnisse über die Kundenreise zu gewinnen. Global agierende Unternehmen wie Amazon, Alibaba und eBay nutzen bereits fortschrittliche Algorithmen, um ihre Angebote zu personalisieren, den Umsatz zu steigern und Kunden letztendlich ein maßgeschneidertes und effizientes Erlebnis zu bieten. Der Erfolg dieser Modelle hängt jedoch stark von der Qualität und Genauigkeit der zur Schulung verwendeten Daten ab. Machine Learning Engineers und Data Scientists spielen hier eine entscheidende Rolle, da sie für die Gestaltung, den Aufbau und die Aufrechterhaltung der Dateninfrastruktur verantwortlich sind, die diese Modelle antreibt.
Im diesem Blog zeigen wir, wie unser Machine Learning-Team arbeitet, wie wir bei NETCONOMY KI nutzen und wie unsere Engineers dies alles möglich machen. (Wenn Sie mehr über Machine Learning oder künstliche Intelligenz erfahren möchten, aber mit diesen Themen noch nicht vertraut sind, lesen sie unseren Blog.)
Machine Learning bei NETCONOMY
Wir arbeiten aktiv daran, ein datengetriebeneres Unternehmen zu werden und verwenden KI/ML-Technologien in verschiedenen Bereichen, wie z.B. der internen Finanz- und Ressourcenvorhersage. Auf diese Weise können wir genauere Zukunftsszenarien erstellen und unseren manuellen Aufwand erheblich reduzieren.
Für unsere Kunden erstellen und betreiben wir Machine Learning-Modelle und Datenmanagementsysteme, um:
- die Kundenerfahrung auf ihren digitalen Plattformen zu verbessern,
- ihre Geschäfte durch automatisierte Prozesse zu verbessern,
- handlungsfähige Erkenntnisse aus den verfügbaren Daten zu gewinnen.
Hier sind zwei Anwendungsfälle, an denen unser Machine Learning-Team für unsere Kunden gearbeitet hat:
Produktsuche durch visuelle Ähnlichkeit
Stellen Sie sich vor, Sie sehen ein Foto eines Produkts online und entscheiden sofort, dass Sie es kaufen müssen. Der nächste Schritt besteht normalerweise darin, einen Online-Shop zu besuchen und versuchen, es zu finden, indem Sie die Beschreibung in die Suchfunktion eingeben. Wir alle wissen jedoch, dass diese oft eine große Anzahl ähnlicher Produkte ausspucken, die man dann manuell durchsuchen muss. Um dabei zu helfen, haben wir ein visuelles Ähnlichkeitssuchsystem entwickelt, das Cloud-Image-ML-Services und Open-Source-Modelle verwendet. Kunden können auf diese Weise schnell und einfach ähnliche Artikel im Online-Shop finden, indem sie einfach ein Foto des gewünschten Produkts hochladen. Darüber hinaus kann das System die hochgeladenen Daten analysieren und personalisierte Interaktionen bieten. Wenn jemand beispielsweise ein Foto auf dem ein Fußballverein zu sehen ist hochlädt, sagt das System: „Es scheint, als wären Sie ein Fußballfan!“ – und zeigt ihm die Fanartikel des Vereins aus dem Bild.
Produktdatenanalyse und Produktempfehlungen
Beim Hinzufügen neuer Produkte zu ihrem Online-Shop haben Lieferanten oft Schwierigkeiten mit ihrer internen Taxonomie und wissen nicht, wie sie ihre Produkte richtig kennzeichnen sollen. Kunden können daher nicht alle relevanten Produkte sehen, wenn sie suchen. Um dies zu lösen, hat unser Team eine Lösung entwickelt, die Produkte automatisch analysiert und ihre Daten auf der Grundlage verfügbarer Medien angereichert. Das System extrahiert Informationen aus Beschreibungen, Bildern, Videos oder externen Bewertungen und erstellt strukturierte Attribute – z.B. „Schuhe“ – für jedes Produkt. Auf diese Weise können Lieferanten neue Produkte leicht hinzufügen oder vorhandene aktualisieren, anstatt die Informationen manuell hochzuladen, was mehr Zeit in Anspruch nimmt und Risiko für menschliche Fehler birgt. Darüber hinaus erstellt das System automatisch Produkt-Cluster basierend auf den verarbeiteten Informationen. Diese werden dann genutzt, um Kunden Produkt-Empfehlungen oder ähnliche Produkte zu zeigen, die sie suchen.
Erfahren Sie mehr über eines unserer Machine Learning-Projekte, das einen Innovationspreis vom SAP AppHaus Network erhalten hat.
Unser Team
Da Machine Learning weiterhin eine entscheidende Rolle in verschiedenen Branchen spielt, wird die Nachfrage nach qualifizierten Fachkräften in diesem Bereich weiter wachsen. Es gibt jedoch einige Unklarheiten hinsichtlich der verschiedenen Rollen, ihrer Namen und genauen Verantwortlichkeiten.
Data Scientists sind dafür verantwortlich, Rohdaten in handlungsfähige Erkenntnisse umzuwandeln und die Daten-Speicherung- und -Verarbeitungsinfrastruktur aufzubauen. Machine Learning Engineers nutzen dann diese Daten, um Modelle zu erstellen, die zukünftige Ereignisse oder Ergebnisse vorhersagen können. Der MLOps Enginner ist eine neuere Rolle, die die Bereitstellung und kontinuierliche Wartung der entwickelten Modelle übernimmt.
Bei NETCONOMY kombinieren wir diese drei Rollen zu einer hybriden Rolle. Das bedeutet, dass alle Mitglieder unseres Machine Learning-Teams Aufgaben in verschiedenen Bereichen übernehmen – je nach ihren Fähigkeiten, Talenten und Interessen. Dieser Ansatz gewährleistet, dass unsere Mitarbeiter und Mitarbeiterinnen sich in dem Bereich weiterentwickeln können, der für sie am vorteilhaftesten ist, während sie gleichzeitig zu einem positiven Workflow im Team beitragen.
Aid ist einer unserer Engineers und leitet das Machine Learning Team. Wir haben uns auf einen Kaffee getroffen und ihn gebeten, uns Einblicke in die Arbeit in seinem Team zu geben. Hier ist, was er uns erzählt hat:
Wie arbeitet ihr als Team?
Unser Team besteht aus vier Machine Learning Engineers und einem engagierten Product Owner, der uns hilft, den Überblick zu behalten. Um eine effektive Projektmanagement sicherzustellen, weisen wir jedem Projekt mindestens zwei ML Engineers zu – je nach Umfang des Projekts. Wir haben zwei Kollegen in Deutschland, zwei in Österreich und einer in Serbien. Das bedeutet, dass eine klare Kommunikation von entscheidender Bedeutung ist. Daher versuchender , das Beste aus unseren täglichen Meetings herauszuholen. Dort besprechen wir unsere Fortschritte und erarbeiten Lösungen für alle Herausforderungen, auf die wir stoßen. Eine gute Kommunikation ist definitiv eine der Stärken unseres Teams, neben unserer Bereitschaft Wissen zu teilen – was es uns ermöglicht, jeden Tag zu lernen und gemeinsam zu wachsen.
Welche Machine Learning-Modelle verwenden wir?
Das Modell hängt stark vom Anwendungsfall oder Projekt ab – und wir haben bisher viel ausprobieren und lernen müssen. Wir haben festgestellt, dass XGBoost-Modelle am besten für tabellarische Probleme funktionieren, die für eine großen Menge an Daten trainiert werden müssen. Für Klassifizierungsprobleme – wie bei der Produktanalyse – haben wir uns entschieden, tiefe Convolutional Neural Networks zu trainieren, da diese am effektivsten waren. Manchmal verwenden wir ein vortrainiertes Modell und adaptieren es entsprechend den Anforderungen des Projekts.
Bei der Wahl eines Modells haben wir die Freiheit, uns für das zu entscheiden, was am sinnvollsten erscheint. Zuerst führen wir umfangreiche Recherchen durch, um verschiedene Möglichkeiten zur Lösung eines bestimmten Problems zu finden. Es kann auch vorkommen, dass Ideen aus der Recherchephase in der Praxis nicht funktionieren, dann machen wir einen Schritt zurück und suchen nach einer anderen Lösung.
Was war ein Highlight, das ihr als Team hattet?
Ohne Zweifel war eines der bedeutendsten Highlights das erste Mal, als wir erfolgreich ein ML-Modell für einen unserer Kunden implementiert haben. Es war etwas Besonderes, weil das bereitgestellte Modell eine geeignete Überwachungslösung in der Produktion erforderte. Während Cloud-Anbieter die Modellüberwachung in gewisser Weise vereinfachen, war unsere Herausforderung, dass wir das Modell in der Infrastruktur des Kunden bereitgestellt haben, wo wir keine out-of-the-box Cloud-Lösungen nutzen konnten. Deshalb mussten wir eine maßgeschneiderte Überwachungslösung entwickeln.
Was war eine Erkenntnis, die ihr als Team hattet?
Als Team haben wir gelernt, dass regelmäßige Treffen mit unseren Kunden während der Projektphase entscheidend sind. Dies ermöglicht es uns, unsere Vorgehensweise und Ergebnisse effektiv zu kommunizieren. Wenn wir mit Kunden arbeiten, die neu im Bereich des Machine Learnings sind, ist es wichtig, ihr Verständnis zu gewinnen und Erwartungen mit unseren eigenen abzugleichen, um mögliche Diskrepanzen zu vermeiden. Wir haben auch gelernt, dass während Machine Learning-Projekte Ähnlichkeiten mit Software-Projekten aufweisen, ein wesentlicher Unterschied darin besteht, dass die Bereitstellung eines Modells erhebliche Zeit und Mühe erfordert. Dies liegt daran, dass die meisten Probleme oft erst nach der Bereitstellung des Modells auftreten. Die Vorbereitung unserer ML-Infrastruktur, einschließlich Pipelines und Modellüberwachung, und unsere Fähigkeit, diese Probleme zu erkennen und anzugehen, waren eine besondere Lernerfahrung.
Aid auf der Bühne der Data Science Conference 2022
Christoph ist das jüngste Mitglied unseres Machine Learning-Teams – er studiert Computer Science und arbeitet nebenbei als Teilzeitkraft. Er ist ein großartiges Beispiel dafür, wie wir Student:innen dabei helfen, ihre Arbeitszeiten mit ihrem Studium zu kombinieren.
Natürlich wollen wir allen unseren Mitarbeiter:innen die größtmögliche Flexibilität bieten. Deshalb geben wir mit unseren flexiblen Arbeitsmodellen jedem die Freiheit, seinen oder ihren Ausgleich zu finden – je nach der individuellen Lebenssituation.
Wir fördern die nächste Generation von (Machine Learning-)Pionieren
Wir geben unseren Mitarbeiter:innen Raum zur Entfaltung und motivieren sie, ihre Entwicklung selbst in die Hand zu nehmen. Allerdings möchten wir aber auch jungen Menschen den Einstieg in die Tech-Branche erleichtern. Deshalb veranstalten wir unser jährliches Talent Lab für junge IT-Absolventen und bieten ihnen Mentoring und praktische Erfahrungen im Bereich Softwareentwicklung.
Wir möchten aber auch schon früher mit jungen Menschen in Kontakt treten, z. B. in der Oberstufe weiterführender Schulen, und ihnen helfen, Erfahrungen und Know-How in verschiedenen Bereichen der IT zu sammeln.
Deshalb hat unser Kollege Lukas, Software Architect und Development Lead, für die Schüler:innen der HTL Mößingerstraße im Rahmen ihrer Abschlussarbeit eine Aufgabe rund um das Thema Machine Learning ausgearbeitet. Dabei sollten die Schüler:innen eine App entwickeln, die es den Nutzern ermöglicht, Fotos von Outfits hochzuladen und schnell und einfach ähnliche Produkte wie die im Bild gezeigten zu finden. Die App analysiert, welche Kleidungsstücke auf dem Foto zu sehen sind und sucht nach den ermittelten Begriffen in unserem Shop.
Das Projekt steht kurz vor dem Abschluss – und wir können es kaum erwarten, die Umsetzung ihrer innovativen Ideen zu sehen!
