Und am Ende lernt die KI doch nichts Neues.
Daten sind richtig und wichtig, wenn wir an KI denken.
Also nichts wie los und erstmal alle Daten in ein Datawarehouse packen.
Als ich vor ein paar Jahren die ersten Machine Learning versuche im Lager machte war das meine erste Reaktion.
Wir brauchen Daten. Vieeele Daten!
Ich sprach mit Kunden und bekam Daten. Und noch mehr Daten. Mehr Daten.
Also nichts wie los, eine KI gebaut, Daten rein gekippt und lernen lassen.
Voller Vorfreude warte ich auf die neuen Strategien im Lager.
Doch die Ergebnisse waren alles andere als bahnbrechend.
Was hatte die KI gelernt?
Die Regeln, die wir vorher programmiert hatten.
Nicht unbedingt das, was man sich erhofft, wenn man an #deeplearning denkt.
Für mich war das jedoch eine wichtige Erkenntnis.
Es kommt nicht darauf an, einfach mehr Daten zu haben.
Ich brauche die richtigen Daten zu meiner Fragestellung.
Um eine KI zu bauen, die im Lager bessere Strategien entwickelt, waren es die komplett falschen Daten.
Ich benötigte Auftragsstrukturen und ungefähre Tagesabläufe.
Mit denen konnte ich einen digitalen Zwilling bauen, in dem die KI experimentieren kann.
So können Daten produziert werden, welche der KI das richtige Feedback zu meiner Fragestellung geben.
Seit dem steht für mich die Frage nach dem “Was möchte ich mit den Daten erreichen?” an erster Stelle.
Ein Bruch mit dem Sammeltrieb dem ich lange gefolgt bin.
Tatsächlich aber auch eine Erleichterung, denn Daten mach erstaunlicherweise eine ganze Menge Arbeit.
Welche Erfahrungen habt ihr mit Datawarehouses gemacht? Habt ihr immer die richtigen Daten finden können? Oder waren es am Ende doch nicht die, die ihr dann brauchtet?
#ki#künstlicheintelligenz#ai#datawarehouse#bigdata#deeplearning#logistik#wms#digitalerzwilling
#machinelearning