Was ist AutoML? Hintergründe, Vorteile und Tools

Statistische Methodenkenntnisse, ausgeprägte Programmier-Skills, eine große Kommunikationskompetenz und ein Verständnis von wirtschaftlichen Zusammenhängen: Gute Data Scientists verbinden diese Kompetenzen, um für Unternehmen aus Daten Mehrwerte zu generieren.

Die Verfügbarkeit guter Data Scientists am Arbeitsmarkt ist aber begrenzt und ihr Gehaltsniveau hoch. Gleichzeitig wollen Unternehmen immer mehr das Datenpotenzial erschließen und mit Machine Learning digitale Wettbewerbsvorteile generieren.

AutoML, also das automatisierte maschinelle Lernen, soll mehr Unternehmen den Einsatz von Machine Learning ermöglichen.

Was sind die Hintergründe von AutoML?

Machine Learning steht für die Extraktion von Wissen aus Daten. Dafür erlernen Machine-Learning-Modelle Muster in den Daten und können darauf basierend Prognosen liefern. Der Weg von den Rohdaten bis hin zur belastbaren Prognose umfasst eine ganze Reihe an Arbeitsschritten. Datenaufbereitung, Feature Engineering, Modellauswahl und -optimierung, Ergebnisbereitstellung: Typischerweise werden die einzelnen Prozessschritte von einem ganzen Team an Datenexperten (Data Scientists, Data Engineers etc.) vorangetrieben. Das Ziel von AutoML-Tools ist es, diesen Prozess zu automatisieren. Der Fokus liegt auf dem Training der Analysemodelle.

Welche Vorteile bietet AutoML?

Die Vorteile einer erfolgreichen Automatisierung des Machine-Learning-Prozesses liegen auf der Hand:

• Kostensenkung: Reduzierung des Fachkräftebedarfs durch den Wegfall manueller Arbeitsschritte. Auch Unternehmen mit einem geringerem Budget können das Thema Machine Learning aktiv angehen.
• Effizienzsteigerung: Unternehmen können mit AutoML schneller Ergebnisse generieren.
• Skalierbarkeit: Auch Anwender ohne Programmier- und ML-Kenntnisse können leichter vom Erkenntnisgewinn des maschinellen Lernens profitieren. Viele AutoML-Tools verfügen über grafische Benutzeroberflächen für eine einfache Bedienung.
• Unterstützung: AutoML kann auch bestehende Data-Science-Units in Unternehmen unterstützen und zum Beispiel ein erstes auf Knopfdruck gestartetes AutoML-Modell der Ausgangspunkt für tiefergehende Analyseschritte sein.

Ersetzt AutoML die Datenexperten?

Nein, denn AutoML-Tools allein bringen Unternehmen nur begrenzt Mehrwerte. Um die Entscheidungsfindung datenbasierter zu gestalten, braucht es Experten, die dabei helfen, die ML-Ergebnisse sinnvoll und verständlich ins Unternehmen zu bringen. Dem Data Scientist obliegt hier der Brückenschlag zwischen dem Output der ML-Modelle und den Geschäftsanforderungen des Unternehmens. Wie lassen sich die Ergebnisse interpretieren? Wie kommen sie zustande? Welche Auswirkungen haben sie? Know-how, Erfahrung und Kommunikationskompetenz menschlicher Experten helfen, die automatisch erzeugten Ergebnisse zu verstehen und Akzeptanz für datengetriebene Veränderungen zu schaffen. Die AutoML-Anbieter selbst haben das Problem der unzureichenden Interpretierbarkeit ebenfalls erkannt und versuchen gerade hier ihr Angebot auszubauen, um es auch für Data-Science-Laien verständlicher zu machen.

Insbesondere bei komplexen Analysevorhaben und schlecht aufbereiteter Datenlage kommt AutoML an Grenzen und das Fachwissen der Data Scientists und Data Engineers ins Spiel. Gerade im Einsatz in sensiblen Geschäftsprozessen braucht es auch die Überwachung der AutoML durch Experten.

Welche AutoML-Tools gibt es?

Die Auswahl an AutoML-Lösungen ist groß. Neben den Angeboten der großen Anbieter wie Google (Google Cloud AutoML) oder Amazon (SageMaker Autopilot) gibt es eine Reihe weiterer Tools. Hier sind besonders das empfehlenswerte H2O AutoML, TPOT und AutoFolio zu nennen.

AutoML hilft dabei, Machine Learning massenkompatibler zu machen. Die Hürden Know-how und finanzielles Invest werden mit AutoML für Unternehmen leichter zu nehmen. Für den erfolgreichen produktiven Einsatz von Machine Learning, insbesondere in komplexen Anwendungsfeldern, braucht es aber die menschliche Expertise. In wenigen klar abgesteckten Bereichen kann AutoML Mehrwerte generieren. Darüber hinaus braucht es die Verbindung von AutoML und Data Scientists. Auch hier hilft AutoML den Machine-Learning-Prozess effizienter und schneller zu gestalten, da es die Arbeit der Data Scientists skalieren kann.

Sie wollen AutoML als Teil Ihrer Data-Science-Initiative einsetzen? Dann sprechen Sie uns an. Wir beraten Sie gerne und zeigen Ihnen in unserer Strategieberatung Wege auf, um mit dem richtigen Einsatz von AutoML schnelle Erfolge zu generieren.

Erfahren Sie mehr. 

 

Weiterführender Link:

• AutoML in der Praxis: Mit YUNA elements ML-Skripte optimal steuern