Machine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day

Transkript

1 Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day

2 Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen befasst. Turing-Test: Ist das Verhalten eines Computers von dem des Menschen zu unterscheiden? Gut zu wissen: 1. Der Begriff Intelligenz ist unklar. 2. Menschliches Verhalten ist oft nicht intelligent. Alan Turing (* ) 2

3 Beispiele für AI-Anwendungen Computer Vision Vorhersagen Bots

4 Machen Maschinen keine Fehler?

5 Machine Learning (Beispiele) Unsupervised Supervised Categorial Continuous SVD PCA K-means Association Analysis Hidden Markov Model Hammer Distance Regression Decision Trees Random Forest KNN Naive-Bayes SVM Random Forest Source: 5

6 Vergangenheit vs. Prognose Retrospektiv Business Intelligence Beschreiben/messen Vergangene Performance Identifikation Unterschiede Segmente Zusammenhänge Prädiktiv Vorhersagen Empfehlungen abgeben Identifikation Potential Segmentierung Zukünftige Performance Pricing Marketing 6

7 Supervised Learning Historische Daten Trainings-Daten Machine Learning / AI Test-Daten Vorhersagemodell Abgleich Vorhersage vs. Modell Verbesserung Modell 7

8 Anwendungsbeispiel Gastronomie Studium und Vorhersage hochdynamischer Modelle welche aufgrund vieler Einflussgrössen und hoher Volatilität schwer vorherzusagen sind Ziel: Bessere Prognosen als Restaurant- Management Verringerung Food-Waste Verbesserung Operations (Einkauf, Personal & Prozesse) Illustrative Daten 8

9 BI-Bedürfnisse Gastromonie Einkauf Menüoptimierung Kundensegmentierung und Personalisierung Personalplanung Monitoring / KPI Simulation Bedarfsplanung Fraud-Detection Dynamic Pricing/ Aktionen / Specials 9

10 Implementierung Menu-/Ressourcenplanung KPI / Monitoring Voranalyse Betrieb Identifikation Variablen Erstellung Datenbasis Modellbildung Einrichtung Dashboards 10

11 Modellierung Auswahl Algorithmus Gefühl für Daten nötig, um eine erste Auswahl an möglichen Algorithmen zu treffen Trial and Error Modell mit der kleinsten Abweichung zur Realität suchen Ziel: Entwicklung eines «Autopiloten» der besser ist als der Mensch Regression und Autoregression Mit Regressionsanalysen werden Zusammenhänge beschrieben Autoregressive Modelle erklären Zusammenhänge zwischen zeitversetzten Werten (Systematik erkennen) 11

12 w hoch 2 Dashboard Gastro Ergebnis: Reduktion des Vorhersagefehlers um 50% 12

13 Hotel Revenue Management Erfolgreiches Revenue Management ist heute ein 24-Stunden- Job. Predicive Analytics ist ein mächtiger Verbündeter, wenn es darum geht, wettbewerbsfähige Preise anzubieten, historische Daten im Griff zu haben und Trends zu erkennen. Ron Pohl, SVP und COO; Best Western Hotels & Resorts

14 Predictive Analytics Hotels Segmentierung, Pricing & Marketing Datalake Modellierung Operations, Personalisierung & Sales 14

15 Dramatische Veränderungen Fall der Berliner Mauer Anschläge Paris und Las Vegas Plötzliche und dramatische Veränderungen sind für Mensch und Maschine eine grosse Herausforderung. Tendenz: Mensch neigt zu Überschätzung der Effekte. Algorithmen reagieren träge oder auch extrem

16 Customer Journey Hotel These: Auf jeder Etappe der Customer Journey bietet sich der Einsatz von Machine Learning an Suche Bewertung Buchung AI Abreise Check-in Aufenthalt

17 Reflexion Machine-Learning wird für bestimmte Aufgaben zum Industriestandard Kritische Masse an Daten notwendig Nicht für jede Fragestellung eignet sich AI AI ermöglicht heute prädiktive Autopiloten, die deutlich besser arbeiten, als der Mensch AI-Anwendungen erfolgen im Idealfall entweder unbemerkt oder werden positiv erlebt Heute und morgen: Es braucht Gastgeber und Data Scientist

18 Kontakt w hoch 2 GmbH Kramgasse Bern b.wissmath@w-hoch2.ch