Im vorherigen Blog-Artikel haben wir darüber gesprochen, was Data Engineering/ Datenaufbereitung ist und warum Daten für den Aufbau eines guten KI-Modells unerlässlich sind. In diesem Artikel geben wir Ihnen einige Einblicke, wie ein KI-Modell tatsächlich aufgebaut ist und was dafür benötigt wird.
Die 3 Schritte zur Erstellung des KI Modells
Die Modellerstellung kann in drei Teile aufgeteilt werden, in welche wir nun eintauchen werden.
1. Training
In der Trainingsphase nehmen wir unsere aufbereiteten und transformierten Daten aus der Data Engineering-Phase und beginnen mit der Schulung eines KI-Modells. Ziel ist es, dass unser KI-Modell weiß, welche Datenparameter wichtig sind und welche Ergebnisse erwartet werden.
Als Beispiel im Marketing: Wir könnten Eingabedaten von App Store Downloads & App Store InPayment Returns haben und wollen die nächsten 4 Wochen Umsatz basierend auf Daten mit Trends & Saisonalität der letzten 2 Jahre prognostizieren. So wird unser Input 2 Jahres Daten sein, um das Modell zu trainieren, unser Output sind 4 Wochen vorhergesagter Umsatz.
2. Optimierung
In der Optimierungsphase beginnen wir, das Modell zu verbessern. Also probieren wir, das trainierte Modell an alten Daten aus.
Hier ein Beispiel: Wir prognostizieren die letzten 4 Wochen mit den Daten, welche 1,75 Jahren zurückdatiert worden sind und sehen dann, wie gut sie waren. Dann beginnen wir mit der Optimierung der Daten, indem wir wichtige Parameter ändern, zum Beispiel andere Methoden, die das KI-Modell bereitstellt.
3. Bewertung
Nicht zuletzt bewerten wir das Modell nun kontinuierlich. Jede Vorhersage des Modells wird gespeichert und anschließend mit den realen Ergebnissen verglichen. Dies gibt uns Aufschluss darüber, wie gut unser Modell im Allgemeinen funktioniert und wo wir Verbesserungen vornehmen müssen.
Die letzten beiden Abschnitte haben Ihnen einen Einblick gegeben, wie konzeptionell ein KI-Marketing-Modell aufgebaut werden kann und wie die meisten der KI oder Machine Learning-Experten es aktuell tun. Das Ziel dieser Artikel war es, Ihnen ein besseres Verständnis dafür zu vermitteln, wie die Dinge funktionieren, um sicherzustellen, dass Sie Ihre Daten für Ihr nächstes KI-Projekt bereit haben.
Es gibt noch eine weiteren wichtigen Aspekt: Datenqualität
Wir wollen hier noch einmal die Datenqualität hervorheben und erneut betonen. Es ist sehr wichtig, zu verstehen, dass die Qualität Ihrer Daten von den Aspekten der Genauigkeit (d. h. korrekte Daten) bis hin zur Menge der Daten für Ihr Modell von grundlegender Bedeutung ist. Wenn Sie Daten mit einer sehr niedrigen Qualität haben, werden Sie am Ende eine Vorhersage oder Klassifizierung erhalten, die sehr schlecht ist. Bitte denken Sie daran, wenn Sie mit einem Machine Learning/ KI-Spezialisten sprechen oder auch wenn Sie in Zukunft mit KI zu tun haben.
