Methodisches Vorgehen zur Realisierung von maschinellen Lernprojekten im Mittelstand

Abstract

Im Rahmen dieser Arbeit wurde ein methodisches Vorgehen zur Realisierung von maschinellen Lernprojekten im Mittelstand entwickelt. Oftmals sind zeitliche, finanzielle und personelle Ressourcen hier stark beschränkt, wodurch sich ein systematischer Wettbewerbsnachteil bzw. Entwicklungsstau ergibt. Um es unerfahrenen Anwendern dennoch zu ermöglichen Datenanalyseprojekte mittels maschinellem Lernen (ML) durchzuführen, wird ein Konzept eines persönlichen Informationsassistenten (PIA) entwickelt. Kernelement ist eine Checkliste, die den Anwender ganzheitlich bei einem maschinellen Lernprojekt begleitet und folgende Themengebiete abdeckt: Vorbereitung und Projektplanung, Mess- und Datenplanung, Datenaufnahme, Datenprüfung und -bereinigung, Datenauswertung und Modellbildung sowie den Projektabschluss. Neben einer Einführung in die Thematik bietet die Checkliste Tipps, Hinweise und weiterführende Literatur. Der PIA besteht zudem aus zwei weiteren Modulen, der Zugänglichkeit von Daten und Wissen und der Datenanalyse. Für beide Module wurden Konzepte aus Wissenschaft und Forschung adaptiert und in einen industrienahen Kontext gebracht. Um die Anwender bei der Modellbildung mittels ML zu unterstützen, wurde eine Toolbox in den PIA integriert, welche automatisiert komplementäre Algorithmen testet und validiert. Die entwickelte Methodik wurde in zwei industrienahen Anwendungsfällen validiert.

In this work, a methodological approach was developed which enables unexperienced workers in small and medium-sized enterprises (SME) to perform machine learning projects. Due to the limited resources in SMEs in time, staff and money available, a systematic competitive disadvantage is observed. To enable especially inexperienced users to perform a data analysis project with machine learning, the concept of a Personal Information Assistant (PIA) is introduced. Core element of PIA is a checklist, which comprehensively guides the user through a machine learning project covering the topics preparation and project planning, measurement and data planning, data acquisition, data check and cleansing, data evaluation and modeling as well as project completion. After a short introduction into each topic, the checklist offers tips, remarks and further literature. Besides the checklist, PIA consists of the two additional modules accessibility of data and knowledge and data analysis. For both modules, concepts from research have been adapted into an industrial context. To support users in building a machine learning model, a toolbox is integrated in the assistant which automatically tests and validates complementary algorithms. The developed methodology was validated in two industry relevant use cases.