AI and Data in Business and Management - Cheatsheet

Geschichte und Entwicklung der Künstlichen Intelligenz

Definition:

Entwicklung und Meilensteine von KI-Technologien und -Forschung im Laufe der Zeit

Details:

• 1956: Dartmouth Conference – Geburtsstunde der KI
• 1960er Jahre: Erste Expertensysteme und frühe Algorithmen
• 1970er Jahre: Forschungskrise („KI-Winter“)
• 1980er Jahre: Aufschwung der Expertensysteme
• 1997: IBM Deep Blue schlägt Schachweltmeister
• 2010er Jahre: Durchbrüche im maschinellen Lernen und Deep Learning
• 2016: AlphaGo besiegt Go-Weltmeister
• Aktuelle Trends: Künstliche neuronale Netze, natürliche Sprachverarbeitung (NLP), Autonome Systeme

Data Warehousing und ETL-Prozesse

Definition:

Datenintegration und -Speicherung für Analyse und Berichterstattung in Unternehmen.

Details:

• Daten-Warehouse: Zentrale Datenbank zur Speicherung großer Datenmengen aus verschiedenen Quellen.
• ETL-Prozess: Extract, Transform, Load - Extrahieren, Transformieren und Laden von Daten in das Warehouse.
• Extract: Daten aus diversen Quellen extrahieren (\texttt{SQL, APIs, Flat Files}).
• Transform: Daten bereinigen, anreichern und harmonisieren (\texttt{Filterung, Aggregation, Konvertierung}).
• Load: Transformierte Daten in Ziel-Datenbank laden.
• Zweck: Unterstützung von Entscheidungsfindung, Business Intelligence und Datenanalyse.
• Tools: \texttt{Talend, Informatica, Microsoft SSIS, Apache NiFi}.

Training, Validierung und Testen von ML-Modellen

Definition:

Prozess zur Erstellung, Bewertung und Feinabstimmung von Machine-Learning-Modellen.

Details:

• Training: Modell wird mit Trainingsdaten trainiert, um Muster zu erkennen.
• Validierung: Modell wird mit Validierungsdaten getestet, um Hyperparameter zu optimieren und Überanpassung (Overfitting) zu verhindern. Validierungsfehler: \[E_{val} = \frac{1}{n_{val}} \sum_{i=1}^{n_{val}} (y_i - \hat{y}_i)^2 \]
• Testen: Modell wird mit Testdaten getestet, um die endgültige Leistungsfähigkeit zu bewerten. Testfehler: \[E_{test} = \frac{1}{n_{test}} \sum_{i=1}^{n_{test}} (y_i - \hat{y}_i)^2 \]

Fairness und Transparenz bei der Nutzung von KI-Modellen

Definition:

Fokus auf ethische Aspekte und verantwortungsvolle Nutzung von KI, um unfaire Vorurteile und Intransparenz zu vermeiden.

Details:

• Fairness: Vermeidung von Diskriminierung und Vorurteilen in Daten und Algorithmen.
• Transparenz: Klare, nachvollziehbare Entscheidungen und Prozesse in KI-Modellen.
• Erklärbarkeit: Modelle müssen interpretierbar und verständlich sein.
• Bias-Überprüfung: Kontinuierliche Prüfung und Korrektur von Verzerrungen in Daten und Algorithmen.
• Regulierungen: Einhalten von rechtlichen und ethischen Standards.
• Verantwortung: Klärung der Verantwortlichkeiten bei Fehlern und Fehlentscheidungen von KI-Modellen.

Grundlagen des überwachten und unüberwachten Lernens

Definition:

Grundlagen des überwachten und unüberwachten Lernens: Kernthemen im maschinellen Lernen. Überwachtes Lernen: Modelle aus gekennzeichneten Daten. Unüberwachtes Lernen: Muster in unbeschrifteten Daten finden.

Details:

• Überwachtes Lernen: Input-Output-Paare, Ziel ist Funktion \( f : X \rightarrow Y \).
• Beispiele: Regression (z.B. lineare Regression) und Klassifikation (z.B. Entscheidungsbäume).
• Verlustfunktion \(L(y, \, f(x))\) minimieren.
• Unüberwachtes Lernen: Keine Zielvariablen, Fokus auf Datenstruktur.
• Beispiele: Clustering (z.B. k-Means) und Dimensionsreduktion (z.B. PCA).
• Datenexploration und Mustererkennung.

Einsatz von KI zur Optimierung öffentlicher Dienstleistungen

Definition:

Einsatz von KI zur Verbesserung von Effizienz, Genauigkeit und Servicequalität in öffentlichen Dienstleistungen

Details:

• Prozessautomatisierung: Verwaltungsvorgänge effizienter gestalten
• Datenanalyse: Bürgerdaten analysieren für bedarfsgerechte Lösungen
• Vorhersagemodelle: Nachfrage und Ressourcenbedarf prognostizieren
• Chatbots: Bürgeranfragen automatisiert beantworten
• Sicherheitsüberwachung: Anomalieerkennung in öffentlichen Räumen
• Verkehrsmanagement: Optimierung von Verkehrsflüssen durch Echtzeitanalysen

Umsetzung in produktive Systeme

Definition:

Integration von KI-Modellen und Datenanalysetools in bestehende betriebliche Systeme zur Optimierung von Geschäftsprozessen.

Details:

• Wichtige Schritte: Modellvalidierung, Sicherheitsüberprüfung, Skalierbarkeitstest.
• Rolle von IT-Infrastruktur: Notwendigkeit einer robusten und skalierbaren Plattform.
• Datensicherheit und Datenschutz: Einhaltung von Vorschriften wie DSGVO.
• Change Management: Schulung der Mitarbeiter und Anpassung der Geschäftsprozesse.
• Kontinuierliche Überwachung: Performance-Tracking und Anpassung der Modelle im Echtzeitbetrieb.

Natural Language Processing (NLP) Techniken

Definition:

NLP befasst sich mit der Interaktion zwischen Computern und menschlicher Sprache, hauptsächlich um Text zu analysieren und zu verstehen.

Details:

• Textextraktion: Informationen aus unstrukturiertem Text extrahieren.
• Sentiment-Analyse: Erkennung der Stimmung in Texten.
• Spracherkennung: Umwandlung von gesprochener Sprache in Text.
• Übersetzung: Automatisierte Übersetzung zwischen Sprachen.
• Wichtige Modelle: BERT, GPT, Word2Vec, RNN, LSTM.
• Anwendungen: Chatbots, Empfehlungssysteme, Textzusammenfassung.
• Tokenisierung: Text in kleinere Bestandteile (Tokens) zerlegen. Beispiel: „Das ist ein Satz.“ wird zu [„Das“, „ist“, „ein“, „Satz“, „.“]