In Can Do reichen die Daten die im System erfasst und gepflegt werden aus. Dieser Datenbestand baut sich im Laufe der Zeit auf und muss nicht explizit für die KI erfasst werden.
Can Do erzeugt mit seinen Algorithmen aus vergleichsweise wenig Daten sehr viele Informationen (automatisch). Diese Informationen wertet die KI aus. Aus dem regulären, täglichen Anwenderverhalten lernt die KI. Es ist also kein Mehraufwand notwendig.
Hier eine grundlegende Erläuterung zu diesem Thema:
Die für das Training einer Künstlichen Intelligenz (KI) erforderliche Datengrundlage variiert stark je nach Art der KI, dem spezifischen Anwendungsbereich und dem angestrebten Komplexitätsgrad. Einige generelle Aspekte hinsichtlich Format und Volumen der Daten können jedoch als Orientierung dienen:
Format
- Strukturierte Daten: Diese liegen in geordneter Form vor, z.B. in Datenbanken oder Tabellen, und umfassen oft numerische oder kategorische Werte. Sie sind für maschinelles Lernen in Bereichen wie Finanzen oder Kundenbeziehungsmanagement geeignet.
- Unstrukturierte Daten: Dazu gehören Texte, Bilder, Videos und Audiodateien. Solche Daten benötigen in der Regel vorverarbeitende Schritte, um für das maschinelle Lernen nutzbar zu sein.
- Semi-strukturierte Daten: Kombinieren Elemente aus beiden obigen Kategorien, wie z.B. E-Mails oder Webseiten, die sowohl klar definierte Daten (wie Header-Informationen) als auch unstrukturierte Inhalte (wie den Body-Text) enthalten.
Die Wahl des Datenformats hängt vom Ziel der KI ab. Für Textanalysen sind beispielsweise große Textcorpora erforderlich, für Bilderkennung sind es Bildersets, und für Vorhersagemodelle können strukturierte historische Daten benötigt werden.
Volumen
Das benötigte Datenvolumen variiert ebenfalls stark:
- Einfache Modelle und Aufgaben: Für weniger komplexe Aufgaben oder einfache Algorithmen des maschinellen Lernens können bereits kleine bis mittelgroße Datensätze (von einigen hundert bis zu einigen zehntausend Beispielen) ausreichend sein.
- Deep Learning: Für komplexere Modelle, insbesondere im Bereich des Deep Learnings, sind oft sehr große Datensätze erforderlich, die aus Millionen von Beispielen bestehen können. Diese großen Datensätze sind notwendig, um die vielen Parameter in tiefen neuronalen Netzen effektiv zu trainieren und Overfitting zu vermeiden.
Weitere Überlegungen
- Qualität: Die Daten müssen von hoher Qualität sein, d.h., sie sollten relevant, vollständig und korrekt sein. Unsaubere Daten müssen bereinigt werden, um die Genauigkeit der KI nicht zu beeinträchtigen.
- Diversität: Die Daten sollten vielfältig genug sein, um alle Aspekte des Problems abzudecken, das die KI lösen soll. Eine mangelnde Diversität kann zu Verzerrungen und schlechter Leistung in realen Anwendungsfällen führen.
- Aktualität: Insbesondere in schnelllebigen Bereichen sollten die Trainingsdaten aktuell sein, um die Relevanz und Effektivität der KI-Lösungen zu gewährleisten.
Zusammenfassend hängt die erforderliche Datengrundlage für das Training einer KI stark von der spezifischen Anwendung ab. Während einfache Modelle mit weniger und einfacheren Daten auskommen können, erfordern anspruchsvollere Anwendungen umfangreiche, hochwertige und vielfältige Daten.