Monat: Januar 2022

Kein Experte ist momentan so gefragt wie der Data Scientist. Doch wie kann man in einer Zeit, in der Vorhersagemodelle über den Erfolg eines Unternehmens entscheiden, mithalten, wenn ein Data Scientist nicht verfügbar ist?

Wie in den 1990er Jahren für Business Intelligence, findet derzeit ein Prozess statt und Data-Science-Plattformen aktuell den Markt erobern. Diese beschleunigen nicht nur die Arbeit des Data Scientists, sondern geben auch Anwendern die Möglichkeit, Data-Science-Aufgaben zu übernehmen.

DataRobot schafft die Möglichkeit, Analytics-Lösungen, um Künstliche Intelligenz und Machine Learning zu erweitern und die Demokratisierung der Daten für alle Unternehmensbereiche weiter voranzutreiben. Aus diesem Grund hat sich EVACO bereits Ende 2019 für die einzige Data-Science-Plattform entschieden, die eine moderne End-to-End-Lösung bietet – ob für Data Preparation, MLDev oder MLOps. Zudem stehen über die Plattform Applikationen zur Verfügung, mit denen auch What-If-Analysen durchgeführt werden können. Senior Data Scientist David Stopschinski betont: „Für mich stellt eine solche Plattform einen enormen Zeit- und Inspirationsgewinn dar. Zeit, weil ich mehr als zehnmal schneller zu Ergebnissen komme, als wenn ich selbst programmiere. Inspiration, da ich bei sehr schwierigen Business-Aufgaben, DataRobot dazu nutzen kann, direkt den ‚richtigen‘ Weg einzuschlagen“.

Die Bandbreite der Aufgaben, die DataRobot lösen kann, ist enorm. „Dabei ist DataRobot für mich niemals eine Blackbox gewesen“, erläutert der Data Scientist weiter. „Auch wenn die Möglichkeit besteht, Algorithmen zu tunen, sprich Parameter anzupassen, war dies in den meisten Fällen nicht notwendig, da DataRobot einen, für die meisten Zwecke optimierten, Kompromiss zwischen Rechendauer (Zeit) und Rechengenauigkeit gefunden hat“.

Bei neuen Projekten funktioniert die Umsetzung entsprechend optimal. Aber wie verhält es sich bei speziellen Projekten, die bereits seit Jahren in der Entwicklung sind und es folglich keinen Sinn ergeben würde, neu mit DataRobot zu beginnen? Derartige Modelle sind oft hochgradig komplex und wurden meist von mehreren Data Scientisten entwickelt.
Die Antwort darauf liefert ‚DataRobot Core‘. Denn damit können die selbst codierten Modelle in DataRobot integriert und nicht nur das vollständige Lifecycle Management genutzt werden. Ebenso werden hiermit Insights generiert, um die bereits bestehenden Modelle weiter zu optimieren. Auch die Kollaborationsmöglichkeiten von DataRobot bieten Optionen, um effektiv als Team ein Data-Science-Projekt zu bearbeiten. „Aus meiner Sicht schließt DataRobot damit die wichtige Lücke, so dass Data Scientisten die Power von DataRobot nutzen können, ohne auf ihre bereits entwickelten Algorithmen verzichten zu müssen“, beendet David Stopschinski die Erklärung.

Hier finden Sie mehr zu DataRobot.