Details
Machine Learning in industriellen Dienstleistungen. Ein Vorgehensmodell
1. Auflage
|
19,99 € |
|
| Verlag: | Grin Verlag |
| Format: | |
| Veröffentl.: | 25.04.2019 |
| ISBN/EAN: | 9783668927711 |
| Sprache: | deutsch |
| Anzahl Seiten: | 78 |
Dieses eBook erhalten Sie ohne Kopierschutz.
Beschreibungen
Masterarbeit aus dem Jahr 2018 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, FernUniversität Hagen (Fakultät für Wirtschaftswissenschaft (WIWI)), Sprache: Deutsch, Abstract: Ziel ist die Konzeption eines Vorgehensmodells zur Einführung von Machine Learning (ML) in industriellen Dienstleistungen. Im Rahmen einer Literaturstudie wird der Forschungsstand im Hinblick auf bestehende Vorgehensmodelle zur Einführung von ML in industriellen Dienstleistungen dargestellt. Anschließend werden Vorgehensmodelle analysiert, die zur Konzeption des Vorgehensmodells herangezogen werden können. Dabei orientiert sich diese Arbeit an folgender Leitfrage: Wie muss ein Vorgehensmodell konzipiert sein, um eine erfolgreiche Einführung von maschinellem Lernen in industriellen Dienstleistungen zu ermöglichen?
Forschungsarbeiten, Artikel in Journalen oder Geschäftsmodelle von Unternehmen belegen die Bedeutung von Künstlicher Intelligenz beziehungsweise Machine Learning für die Industrie (zum Beispiel Predictive Maintenance, Bots, Analytics). Es liegen allerdings Ursachen vor, die zum Scheitern von KI- oder ML-Projekten führen. Das Problem besteht häufig darin, dass Unternehmen oft ohne vorherige Planung und definierte Prozesse Projekte durchführen. Zudem scheitern ML-Projekte oft daran, dass sich beim Anwenden von ML eine Reihe von Problemen ergeben. Diese Probleme sind in der Regel unvorhersehbar, können nur mit einem hohen Kostenaufwand gelöst werden und führen direkt zum Ausfall. Herausforderungen im Rahmen von ML-Projekten stellen zum Beispiel der Umgang mit Big Data oder die Korrektheit der Ergebnisse dar.
Es ist daher für die erfolgreiche Umsetzung von IT-Projekten zu empfehlen, ein Vorgehensmodell zu verwenden. Dieses bietet die Beschreibung eines koordinierten Ansatzes bei der Durchführung des Projekts und definiert sowohl die Eingabe, die für die Ausführung einer Tätigkeit erforderlich ist, als auch die Ausgabe, die als Ergebnis einer Aktivität erzeugt wird. Zudem werden durch die Anwendung eines Vorgehensmodells Prozesse im Projekt transparenter, planbarer und kontrollierbarer, was sich wiederum positiv auf die Qualität der Ergebnisse des Projekts auswirkt.
Forschungsarbeiten, Artikel in Journalen oder Geschäftsmodelle von Unternehmen belegen die Bedeutung von Künstlicher Intelligenz beziehungsweise Machine Learning für die Industrie (zum Beispiel Predictive Maintenance, Bots, Analytics). Es liegen allerdings Ursachen vor, die zum Scheitern von KI- oder ML-Projekten führen. Das Problem besteht häufig darin, dass Unternehmen oft ohne vorherige Planung und definierte Prozesse Projekte durchführen. Zudem scheitern ML-Projekte oft daran, dass sich beim Anwenden von ML eine Reihe von Problemen ergeben. Diese Probleme sind in der Regel unvorhersehbar, können nur mit einem hohen Kostenaufwand gelöst werden und führen direkt zum Ausfall. Herausforderungen im Rahmen von ML-Projekten stellen zum Beispiel der Umgang mit Big Data oder die Korrektheit der Ergebnisse dar.
Es ist daher für die erfolgreiche Umsetzung von IT-Projekten zu empfehlen, ein Vorgehensmodell zu verwenden. Dieses bietet die Beschreibung eines koordinierten Ansatzes bei der Durchführung des Projekts und definiert sowohl die Eingabe, die für die Ausführung einer Tätigkeit erforderlich ist, als auch die Ausgabe, die als Ergebnis einer Aktivität erzeugt wird. Zudem werden durch die Anwendung eines Vorgehensmodells Prozesse im Projekt transparenter, planbarer und kontrollierbarer, was sich wiederum positiv auf die Qualität der Ergebnisse des Projekts auswirkt.
Diese Produkte könnten Sie auch interessieren:
