Machine learning (ML) hilft dabei, alle möglichen Probleme zu lösen, klingt aber einfach ziemlich unzugänglich. Die meisten Menschen haben den Begriff gehört, und viele sind sich nicht genau sicher, was er bedeutet. Wie kann es helfen, Probleme im Versorgungsunternehmen zu lösen? <\/SPAN>Später in diesem Blogbeitrag werden wir drei Wörter betrachten, die jedem helfen, das zu werden, was ein Kollege von mir als buzzword compliant im Machine Learning bezeichnet.<\/STRONG><\/P>Angesichts des Anstiegs von Daten und Analysen taucht der Begriff "machine learning" überall auf. Es ist ein Teilbereich des Gebiets der künstlichen Intelligenz. Das lässt es ein wenig wie Science-Fiction klingen, aber das ist es nicht. Moderne Cloud-Datenspeicherung und Rechenressourcen haben die erstaunliche Kapazität, reale Geschäftsprobleme anzugehen, insbesondere mit ML-Techniken. Machine learning verwendet generische Programme anstelle der Erstellung spezifischer Programme für jede neue geschäftliche Herausforderung. Diese Programme bewerten Daten, um Muster zu erkennen, und verwenden diese Muster dann zur Vorhersage. In gewissem Sinne lernt die Maschine oder der Computer aus Daten über vergangene Erfahrungen und wendet dieses Lernen auf das aktuelle Problem an.<\/STRONG><\/P>Maschinen lernen auf dieselbe Weise wie wir Menschen. Jemand sagt uns oft, was wir erwarten sollen (Algorithmus), wir machen Erfahrungen (Daten), wir beobachten und bilden unsere eigenen Vorstellungen über Muster (Training) und wenden diese Muster dann auf zukünftige Erfahrungen an. Meine Frau hat gelernt, meine Stimmung anhand meines Gesichtsausdrucks und meines Standorts zu lesen. Obwohl sie keine direkte Kenntnis meiner inneren Gedanken hat, hat sie gelernt, dass ich unglücklich bin, wenn ich "diese Miene" in der Küche mache, weil die Kinder ihr Geschirr im Spülbecken liegen gelassen haben. Sie hat ein Muster beobachtet und trifft daher genaue Vorhersagen.<\/P>1. Modell<\/STRONG><\/P>Im Bereich des ML hat "Modell" noch keine standardisierte Definition. <\/SPAN>Denken Sie an das Modell als das System, das die Techniken, Programme und Daten verkörpert.<\/STRONG> <\/SPAN>Es ist das Modell, das letztendlich Ergebnisse liefert. Sie könnten nach der Leistung eines bestimmten Modells bei einem neuen Datensatz fragen. Wenn Sie einen Data Scientist fragen würden, ob das Modell bereit ist, Ihr Problem zu lösen, könnte die Antwort lauten: "Das Modell ist noch nicht genau genug; es braucht noch mehr Feinabstimmung."<\/P>2. Algorithmus<\/STRONG><\/P>Ein Algorithmus ist ein Verfahren zur Erledigung einer Aufgabe, wie ein Rezept<\/STRONG>. Im ML ist es ein mathematischer Ansatz zur Erkennung von Mustern in den Daten. ML-Software enthält Bibliotheken dieser generischen Programme, die in Ihren Modellen verwendet werden können. Es gibt viele Algorithmen, die von Mathematikern geschrieben wurden, jeder mit seinen eigenen Stärken und Schwächen für verschiedene Situationen. Sie haben oft kryptische Namen wie empirical Bayesian kriging (EBK) oder ordinary least squares (OLS), und es ist etwas Testen erforderlich, um den besten Algorithmus für jede Anwendung zu finden. Data-Science-Schulungen sind normalerweise notwendig, um den besten Algorithmus für eine bestimmte Aufgabe auszuwählen.<\/P>3. Training<\/STRONG><\/P>Training hebt ML von anderen Arten der Problemlösung ab. Das Modell wird mit einem Datensatz mit bekannten Ergebnissen trainiert. Es wendet den Algorithmus an, um die Trainingsdaten zu analysieren und Korrelationen sowie Muster in diesen Daten zu finden. <\/SPAN>Sobald das Modell ausreichend trainiert ist, kann es verwendet werden, um Vorhersagen für neue Daten zu treffen, bei denen die Ergebnisse noch unbekannt sind.<\/STRONG><\/P>Lösung eines realen Problems<\/STRONG><\/P>Elektrizitätsversorger schalten den Service im normalen Geschäftsbetrieb ein und aus. Für die meisten Versorgungsunternehmen-Kunden passiert dies nicht sehr oft. Für einige jedoch ist diese Aktion mehrmals im Jahr erforderlich. Dies kann daran liegen, dass Menschen ein- und ausziehen oder unbezahlte Rechnungen vorliegen. Einige Versorger installieren Zähler, die aus dem Büro ferngesteuert ein- und ausgeschaltet werden können, ohne dass ein Mitarbeiter mit Fahrzeug zum Standort geschickt werden muss. Diese Zähler sparen Zeit für den Kunden und reduzieren gleichzeitig Transaktionskosten sowie Umweltauswirkungen. Wie könnte ein Versorgungsunternehmen Daten analysieren, um vorherzusagen, welche Kunden von diesen teureren Zählern profitieren würden?<\/P>Um dieses Problem anzugehen, könnten wir Daten aus vergangenen Aufträgen zusammenstellen und Vorhersagen über zukünftige Ein- und Ausschaltaktivitäten treffen. Die Daten könnten Kontotyp, Tarif, Zahlungshistorie, Rechnungsbeträge, Adresse usw. umfassen. Wir würden einen Algorithmus auswählen, historische Daten sammeln und das Modell trainieren. Dieses Modell könnte dann verwendet werden, um aktuelle Konten zu untersuchen und vorherzusagen, welche davon wahrscheinlich eine hohe Nachfrage nach diesem Service in der Zukunft haben.<\/P>In diesem Beispiel wäre wie bei den meisten Versorgungsfragen Information über den Standort unbezahlbar bei der Lösung dieses Problems<\/STRONG>. Wir wissen, dass Universitätsstudenten Wohnungen entsprechend dem Schulzyklus bewohnen und dann oft für den Sommer ausziehen. Studentenwechsel wirken sich direkt auf Stromserviceaufträge aus. Wenn wir auch Standortinformationen wie Nähe zu Universitäten verwenden könnten, würde das Modell noch besser funktionieren.<\/P>Machine-Learning-Techniken werden sich weiterentwickeln. Dabei ist es wichtig, Standortintelligenz bei jedem Schritt einzubeziehen.<\/STRONG> Standort ist ein natürlicher Bestandteil der Vorbereitung von Versorgungsdaten, des Modelltrainings und bedeutungsvoller Vorhersagen. <\/SPAN>Es gibt keinen besseren Weg zur Integration von Standortintelligenz in ML als mit GIS.<\/P>Die Aufgabe der Nutzung großer Datenmengen ist viel zu groß für manuelle Analysen.<\/STRONG> <\/SPAN>Versorgungsunternehmen benötigen die besten Werkzeuge und Techniken, um verwertbare Erkenntnisse in Daten zu finden, Ergebnisse zu visualisieren und die Auswirkungen klar an Stakeholder zu kommunizieren. Die ArcGIS-Plattform enthält diese Werkzeuge zusammen mit leistungsstarken standortbasierten Machine-Learning-Techniken.<\/P>Das nächste Mal, wenn Sie aus der Küche kommen und jemand Ihre Gedanken anhand Ihres Gesichtsausdrucks liest, erkennen Sie daran, <\/SPAN>dass dieselbe Technik wie beim Machine Learning angewendet wird. Erfahren Sie,wie Location Intelligence und Machine Learning Ihre geschäftlichen Herausforderungen adressieren können.<\/P> <\/DIV> <\/P>
