Im letzten Artikel haben wir festgehalten, dass viele Branchen von der Erfahrung und der hervorragenden Expertise der Reisebranche mit ihrer Digitalen Transformation profitieren können, insbesondere in den Bereichen
Allerdings sehen wir beim Einsatz von Maschine Learning & KI derzeit nur die großen Player mit eigenen Entwicklungs-Teams und hohem internen IT Know-How ganz vorne mitspielen. Internationale Player wie Expedia, Booking.com oder auch Lufthansa schaffen sich hier gerade einen großen Vorsprung. Das wird immer mehr zur Herausforderung, ja auch zu einer Bedrohung für diejenigen die zurückbleiben.
Viele Unternehmen haben daher auch das Gefühl, dass Sie eigentlich „irgendetwas“ mit Maschine Learning und Künstlicher Intelligenz machen sollten. Im besten Fall werden ambitionierte Pilotprojekte gestartet, diese schaffen es aber oft nicht in den produktiven Betrieb.
Dabei wäre es genau jetzt an der Zeit die vorhandene Automatisierung der Beschaffungsprozesse zu nutzen um Einkauf, Kalkulation und Vertriebskanalsteuerung durch Maschine Learning zu optimieren - Stichworte sind z.B.: Automated Pricing und KI gesteuertes Marketing.
Was sind die Stolpersteine bei der erfolgreichen Implementierung von Maschine Learning?
Zum einen beobachten wir, dass das agile Umfeld, in dem viele dieser Pilotprojekte entstehen, nicht die Rückintegration in die Kernorganisation überlebt. In diesem Fall stirbt dann oft auch die Pilotanwendung, da die dringend benötigten Unterstützer und Protagonisten fehlen.
Zum anderen tritt häufig ein „pink Elephant“ Thema an die Oberfläche: die Datenqualität. Von der qualitativen und quantitativen Qualität der Daten hängt der Erfolg oder Misserfolg von Maschine Learning Projekten ab – sie stellen quasi das Fundament dar und sind die Voraussetzung für das erfolgreiche Trainieren von Maschine Learning Algorithmen.
Warum sind Daten und agiles Vorgehen bei Machine Learning Projekten noch wichtiger als sonst?
Das liegt an der Umkehr des traditionellen Vorgehens aus der Entwicklung eines regelbasierten Systems: Traditionell werden die Regeln basierend auf dem Know-How von Experten formuliert und mit Testdaten verprobt. Danach wird die Lösung entwickelt und in Betrieb genommen:
Beim Maschine Learning wird das Vorgehen umgekehrt: Ein sogenanntes Modell wird mit einer großen Anzahl von Eingangsdaten und „richtigen“ Antworten trainiert. Die Regeln bilden sich als Ergebnis des Trainings. Die Qualität der Regeln hängt entscheiden von der Qualität und Quantität der Daten ab, die in dieser Phase verwendet werden:
Auf die Trainingsphase folgt die Inferenzphase – das austrainierte Model wird mit Echtdaten beschickt und liefert Vorhersagen, die z.B. für die Ermittlung des optimalen Preises für ein Produkt oder das für einen Kunden relevanteste Angebot verwendet werden können.
Bestärkendes Lernen oder verstärkendes Lernen (englisch reinforcement learning) ermöglicht dann die ständige Verbesserung der Modelle durch die Rückkopplung der Vorhersagen zu den durch diese tatsächlich erzielten Effekte, z.B. ob der der vorgeschlagene Preis oder das angezeigte Angebot tatsächlich zu einer guten Conversion geführt hat.
Legen wir einfach los, es ist gar nicht so schwer!
In der Touristik gibt es eine Reihe von denkbaren Anwendungsgebieten dieser Methoden und Technologien. Durch Cloud-basierte Services und Systeme, werden die aufwändigen Datenaufbereitungsprozess wie Reinigung, Formung und Mischung von Daten auch für kleine und mittlere Unternehmen erschließbar. Damit können die Daten für analytische Aufgaben und Maschine Learning in optimaler Qualität bereitgestellt werden. Auf diesem Fundament kann dann ein individuelles Modell für die Kundenspezifischen Anforderungen entwickelt und trainiert werden.
Quellenangaben für verwendete Bilder: Elnur/shutterstock
© Grothe Technology GmbH - Alle Rechte Vorbehalten.