Logo des Repositoriums

HMD 57(1) - Februar 2020 - Business Impact Künstliche Intelligenz

https://dl.gi.de/handle/20.500.12116/36029
Auflistung nach:

Auflistung HMD 57(1) - Februar 2020 - Business Impact Künstliche Intelligenz nach Autor:in "Gómez, Jorge Marx"

1 - 1 von 1
  • Zeitschriftenartikel
    Implikationen von Machine Learning auf das Datenmanagement in Unternehmen
    (HMD Praxis der Wirtschaftsinformatik: Vol. 57, No. 1, 2020) Kessler, René; Gómez, Jorge Marx
    Machine Learning ist ein Forschungsfeld mit großen Potenzialen und weitreichenden Anwendungspotenzialen. Big Data kann dabei als Enabler angesehen werden, da große und qualitativ hochwertige Daten stets die Grundlage für erfolgreiche Machine Learning-Algorithmen und -Modelle darstellen. Aktuell gibt es noch keinen voll etablierten Standardprozess für den Machine Learning-Life Cycle, wie es im Data Mining mit dem CRISP-DM beispielsweise der Fall ist, was zur Folge hat, dass gerade die Operationalisierung von Machine Learning-Modellen Unternehmen vor große Herausforderungen stellen kann. In diesem Beitrag werden anhand der Sicht auf die Beschaffenheit der Daten, die verschiedenen Rollen in Machine Learning-Teams und den Lebenszyklus von Machine Learning-Modellen Implikationen für das Datenmanagement in Unternehmen herausgearbeitet. Machine Learning is a trend research area with great potential and far-reaching application potentials. Big Data is an enabler, as large and high-quality data are always the basis for successful machine learning algorithms and models. There is currently no fully established standard process for the machine learning life cycle, as is the case in data mining with the CRISP-DM-Process, which means that the operationalization of machine learning models in particular can present companies with major challenges. In this article, the implications for data management in companies are worked out on the basis of the view of the nature of the data, the various roles in machine learning teams and the life cycle of machine learning models.