In prädiktiven Analysen wird ein Modell darin „geschult", basierend auf verschiedenen Eingabevariablen Werte für neue Daten zu prognostizieren. Das Modell erkennt Beziehungen und Muster dieser Variablen und ermittelt basierend auf seinen „Lernerfahrungen" eine Punktzahl, je nach Gegenstand der Ermittlung.
Dieser Wert kann als Business Intelligence bei der Bewertung des Risikos oder des potenziellen Nutzens einer Reihe von Bedingungen verwendet werden. Damit wird messbar gemacht, mit welcher Wahrscheinlichkeit bestimmte Ereignisse eintreten können.
Prädiktive Analysen können sowohl auf strukturierte als auch auf unstrukturierte Daten angewendet werden. Beim Data Mining (Erkennung von Mustern, Trends und Verhaltensweisen in großen Datensätzen) werden Daten aus verschiedenen Quellen wie Data Warehouses oder Data Lakes für die Analysen vorbereitet.
Sobald die Daten bereit sind, wird ein Modell für die prädiktive Analyse erstellt und getestet. Sobald dieses Modell „geschult" und evaluiert wurde, kann es auch in Zukunft für die Beantwortung neuer Fragen zu ähnlichen Daten eingesetzt werden.
Zu den gängigen Techniken prädiktiver Modellierung gehören Regressionsanalysen, maschinelles Lernen, Entscheidungsbäume, neuronale Netze und vieles mehr.
Regressionsmodelle
Diese Modelle verwenden mathematische Gleichungen, um die Beziehung zwischen Variablen zu bestimmen.
Lineare Regressionsmodelle liefern kontinuierliche Ergebnisse mit unendlichen Möglichkeiten (wie potenzielle Immobilienwerte unter Verwendung eines bekannten Quadratmeterpreises), während logistische Regressionsmodelle eine begrenzte Anzahl von Möglichkeiten ausgeben (z. B. ob ein bestimmtes Haus in dieser Nachbarschaft über oder unter einem bestimmten Preis verkauft wird).
Regressionsmodelle werden oft dazu genutzt, Kreditrisiken zu bestimmen, Kreditkartenbetrug aufzudecken und Markttrends oder die Auswirkungen neuer Richtlinien für Finanzdienstleistungen zu prognostizieren.
Entscheidungsbäume
Entscheidungsbäume sind ein weiteres beliebtes Tool der prädiktiven Analytik, mit dem Zusammenhänge zwischen aufeinanderfolgenden Entscheidungen ermittelt werden. Entscheidungsbäume lassen sich auf Modelle für maschinelles Lernen anwenden. Ausgehend von einer Liste sequenzieller und hierarchischer Fragen werden kausale Zusammenhänge bestimmt, die zu einem Ergebnis führen, das auf den Eingangsdaten basiert.
Mit dem Baumformat dieses Modells lassen sich alle möglichen Ergebnisse einer Entscheidung anzeigen, indem optisch dargestellt wird, wie eine jede Entscheidung zu bestimmten Ergebnissen führt.
Maschinelles Lernen
Maschinelles Lernen ist die natürliche Fortsetzung prädiktiver Analysen. Prädiktive Analysen basieren zwar häufig darauf, dass die Modelle von Datenwissenschaftlern und Analysten erstellt werden – die Algorithmen für maschinelles Lernen, die in künstlicher Intelligenz und Deep Learning-Software wie IBM Watson verwendet werden, sind jedoch selbstlernend. Sie verbessern und entwickeln sich mit der Verarbeitung der Daten, ohne dass sie kontinuierlich neu programmiert werden müssen.
Optimierung des Managements von KI/ML-Anwendungen
In dieser Webcast-Reihe erfahren Sie von Experten, wie das Deployment und Lifecycle-Management von KI/ML-Anwendungen (Künstliche Intelligenz/maschinelles Lernen) vereinfacht werden, damit Sie ML-Modelle und KI-Apps schneller erstellen und freigeben können.