Man's to the right

AutoML vs. Datenwissenschaftler – Schluss mit der Diskussion

Anstatt sich entweder für AutoML oder Datenwissenschaftler zu entscheiden, müssen Technologieführer erkennen, dass beide Seiten für den zukünftigen Erfolg eine tragende Rolle spielen.

Wenn Technologieführer versuchen, maschinelles Lernen für die Lösung von Geschäftsproblemen einzusetzen, müssen sie von der Frage abrücken, ob sie eher auf Automatisierung oder auf menschliche Talente im Bereich Datenwissenschaft setzen wollen. Ansonsten kann es nämlich passieren, dass der Geschäftswert beider Chancen verloren geht.

Es gibt bereits einige Beispiele für die erfolgreiche Einführung von Automatisierung für die Verwaltung von Infrastrukturen und die Anwendung von „Continuous Integration/Continuous Delivery (CI/CD)“-Verfahren für die Verringerung von Implementierungszeiten. In beiden Fällen ersetzt Automatisierung manuelle Prozesse, die mühsam, zeitaufwändig und fehleranfällig sind. Dabei wird die Effizienz erhöht und Personalressourcen werden für effektivere Arbeiten freigegeben.

Automatisiertes maschinelles Lernen (AutoML) verspricht genau diesen Erfolg für das maschinelle Lernen.

Die Aufgaben, die AutoML-Tools ausführen, sind anspruchsvoller, da maschinelles Lernen weitaus komplexer als Infrastrukturen oder CI/CD ist. Das sind großartige Neuigkeiten für Technologieführer. Durch eine erfolgreiche Automatisierung detailreicherer Workflows können Unternehmen mit geringerem Aufwand bessere Ergebnisse erzielen. Da es schwierig und teuer ist, Datenwissenschaftler mit guten Fähigkeiten einzustellen, ermöglichen AutoML-Tools Unternehmen, die Vorteile von Lösungen für maschinelles Lernen zu nutzen und den Kostenaufwand dabei geringer zu halten.

Das hat natürlich dazu geführt, dass Technologieführer und Datenwissenschaftler AutoML mit Menschen vergleichen und die Frage aufwerfen, wer oder was besser ist und ob Datenwissenschaftler irgendwann nicht mehr gebraucht werden. Die Antwort auf diese Frage ist jedoch nicht so einfach. Lassen Sie uns dieses komplexe Thema gemeinsam entschlüsseln. Außerdem wollen wir uns in diesem Beitrag einigen anderen Fragen widmen, die wir uns stattdessen stellen sollten.

Ist AutoML besser als menschliche Datenwissenschaftler?

Im Falle des maschinellen Lernens ist der Maßstab für „besser“ abhängig vom Geschäftsproblem, das Sie versuchen zu lösen.

AutoML-Tools liegen im Vergleich zu menschlichen Datenwissenschaftlern in den Bereichen Geschwindigkeit und Risikominimierung vorne, aber das menschliche Gehirn ist Maschinen dafür in anderer Hinsicht überlegen. Datenwissenschaftler bringen ein Gespür für Nuancen, Intuition und kreative Lösungsfindungen in den Prozess ein, mit dem AutoML-Tools einfach nicht mithalten können.

Die Frage, ob AutoML besser ist als von Menschenhand geschaffenes maschinelles Lernen, ist vergleichbar mit der Frage, ob man eher einen 3D-Drucker mieten oder einen Bildhauer mit Masterabschluss einstellen sollte. Es kommt ganz darauf an, welche Anforderungen Sie an das Produkt haben. 

Sind Sie auf der Suche nach einer detaillierten, innovativen Kreation, die die Lösung für ein neues Problem bietet, oder nach einem Mechanismus, der im richtigen Maßstab und Gewicht hergestellt wurde?

AutoML-Tools können wie 3D-Drucker in deutlich kürzerer Zeit als Menschen ein akzeptables Maß an Genauigkeit erreichen. Wenn sie für einen Geschäftsanwendungsfall ausreichen, warum sollte man AutoML-Tools menschlicher Arbeit nicht vorziehen? Mit der Automatisierung geben Sie die volle Kontrolle zugunsten der Effizienz auf. Dadurch können Sie nur noch begrenzt auf zugrundeliegende Modelle oder Algorithmen für Ihre Lösung zugreifen und diese optimieren. Wenn es sich um einen komplizierteren Anwendungsfall handelt, ist menschliche Arbeit von entscheidender Bedeutung. Datenwissenschaftler können leistungsstärkere Lösungen mit mehr Nuancen für komplexe Anwendungen für maschinelles Lernen erstellen, wie z. B. Feature-Engineering- und Ensemble-Methoden. Dabei behalten sie die vollständige Kontrolle über die Modelle und Algorithmen, die sie erstellen.

In anderen Fällen ist der Maßstab für „besser“ nicht von Ergebnissen abhängig, sondern von den Fähigkeiten, die dem Unternehmen bereits zur Verfügung stehen. Nicht jedes Unternehmen verfügt über ein Team qualifizierter Datenwissenschaftler. Oftmals wiederum besteht einfach keine dringende Notwendigkeit, in ein solches Team zu investieren. In diesen Fällen kann AutoML als „besser“ bezeichnet werden, weil es den Unternehmen ermöglicht, mehr aus den Fähigkeiten herauszuholen, über die sie bereits verfügen.

Werden Datenwissenschaftler durch AutoML ersetzt?

Die kurze Antwort lautet „Ja“. Wir sehen, dass es gerade schon passiert.

In Fällen, in denen eine Maschine ein Modell von maschinellem Lernen effizienter erstellen kann und dennoch einen akzeptablen Genauigkeitsbereich erreichen kann, ist es sinnvoll für Unternehmen, sich für AutoML-Tools zu entscheiden. Mithilfe dieser Tools haben Entwickler ohne klassischen datenwissenschaftlichen Hintergrund Zugang zu maschinellem Lernen. Man kann beobachten, dass sich Software-Ingenieure bei der Arbeit mehr Kenntnisse im Bereich maschinelles Lernen aneignen und so eine neue Riege an sogenannten „Citizen Data Scientists“ bilden. Sie verfügen vielleicht nicht über das Fachwissen, um komplizierte Modelle von maschinellem Lernen zu erstellen, aber sie können AutoML-Tools für die Lösung echter Probleme in ihren Unternehmen nutzen.

AutoML kann zwar Teile des Workflows von maschinellem Lernen übernehmen, ohne dass dafür Datenwissenschaftler benötigt werden, aber das bedeutet nicht, dass datenwissenschaftliche Fähigkeiten überflüssig werden. Klassisch ausgebildete Datenwissenschaftler bleiben jetzt, da mehr Unternehmen auf AutoML zugreifen können, genauso wichtig, wenn nicht sogar noch wichtiger.

Die Diskussion rund um das Thema „AutoML vs. Datenwissenschaftler“ ist von Grund auf falsch. Wir ermutigen Technologieführer, sich mit der eigentlichen Frage zu befassen: Wie können sich Unternehmen AutoML und Datenwissenschaftler voll zunutze machen?

Datenwissenschaftler als die wahren Gewinner in Sachen AutoML

Clevere Technologieführer erkennen schnell, dass es nicht darum geht, sich entweder für AutoML oder für Datenwissenschaftler zu entscheiden, sondern eine Strategie zu entwickeln, von beidem zu profitieren. AutoML-Tools erhöhen nur den Wert menschlicher Datenwissenschaftler.

Datenwissenschaftler, die AutoML in ihre Arbeit einbeziehen, können tiefer in die Möglichkeiten maschinellen Lernens eintauchen und ihre Arbeit noch effektiver gestalten. So ist es möglich, in der Zeit, die ein Datenwissenschaftler für die Durchführung von zehn Experimenten bräuchte, nun hunderte Experimente durchzuführen. Erfahrene Datenwissenschaftler sehen darin eine Möglichkeit, einen Großteil ihrer Zeit mit der genaueren Untersuchung technischer Probleme zu verbringen – wodurch ihre Unternehmen deutlich höhere Erträge erzielen.

Erfolgreiche Datenwissenschaftler nutzen AutoML-Tools so wie im Bauwesen Verkleidungs- und Vorfertigungswerkzeuge eingesetzt werden: als Mechanismus, um den Zeitaufwand für repetitive Aufgaben zu reduzieren und Maschinen zu ermöglichen, die Materialien vorzubereiten, die sie für die Ausführung spezialisierterer Arbeiten benötigen.

Schluss mit der Diskussion rund um die Frage „AutoML vs. Datenwissenschaftler“ – Sie benötigen beides

Es ist zwecklos, zu versuchen, einen Gewinner in der Diskussion „AutoML vs. Datenwissenschaftler“ zu ermitteln. In der Zukunft wird es keine Diskussionen geben, in denen es heißt „AutoML oder Datenwissenschaftler“, sondern „AutoML und Datenwissenschaftler“.

Die Datenwissenschaftler, die AutoML als Motor für ihr Potenzial nutzen, werden die wahren Gewinner sein.

Technologieführer müssen AutoML nutzen. Allerdings nicht als Eins-zu-eins-Ersatz für Datenwissenschaftler, sondern als eine Möglichkeit, von den Vorteilen des maschinellen Lernens zu profitieren, bevor intern datenwissenschaftliche Fähigkeiten aufgebaut werden können, und als eine Möglichkeit, die Arbeit bereits vorhandener Datenwissenschaftler zu fördern. Clevere Unternehmen können schon jetzt beginnen, sich mit AutoML zu beschäftigen. Dank Entwicklerfähigkeiten werden sie im Laufe der Zeit auf die Einstellung von Top-Datenwissenschaftlern besser vorbereitet sein.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe
Trends-Ebook

Haben Sie es satt, durch kurzlebige Technologietrends zu navigieren und oberflächlichen Hypes auszuweichen?

About the Authors

Eric Miller - Senior Director, Technical Strategy, Rackspace Technology

VP, Private Cloud Solutions

Eric Miller

An accomplished tech leader with 20 years of years of proven success in enterprise IT, Eric is a strong advocate of cloud native architectural patterns, passionate about Machine Learning, IoT, Serverless, and all things automation in the cloud. Eric has led several AWS and solutions architecture initiatives, including AWS Well Architected Framework (WAF) Assessment Partner Program, Amazon EC2 for Windows Server AWS Service Delivery Program, and a wide range of AWS rewrites for multi-billion dollar organizations.  Prior to joining Rackspace, Eric was the Vice President of AWS Customer Solutions at Onica, which was acquired by Rackspace in 2019. Before working with Onica, Eric held several technology leadership positions at School Pointe, Inc., Neudesic, m2 Consultants, ARGUS International, Inc., Apex Mortgage Services LLC, and TechSkills. Eric lives in New Albany, Ohio with his wife and family. He holds a Bachelor of Science in Information Technology and Information Systems Security from the University of Phoenix.  

Read more about Eric Miller
Mark McQuade

Practice Manager, Data Science & Engineering

Mark McQuade

Mark McQuade is an AWS and cloud-based solution specialist, knowledge addict and relationship builder. Earlier in his career, Mark held technical support, operations, business development and leadership roles for a telecommunications solutions provider, where he worked for 13 years. He then transitioned to the world of cloud and opened up his own AWS small business before joining Onica, who was acquired by Rackspace technology in 2019.   Mark is currently Practice Manager of Data Science & Engineering at Rackspace Technology. Every day, he gets to learn more about what he is passionate about professionally – AI and machine learning – as well as the fascinating world of data. As a technology evangelist, you’ll often find Mark promoting data and AI/ML at talks, webinars, podcasts and industry events.

Read more about Mark McQuade