Wie es das Schicksal wollte, hatte ich in den letzten 1,5 bis 2 Monaten das Glück, den Markt für Data Science und maschinelles Lernen zu analysieren. Und es bestand der Wunsch, zumindest ein paar Zeilen darüber zu schreiben. Es wird also höchstwahrscheinlich eher eine kurze Notiz als ein solider Artikel sein.
Marketingabteilungen in großen Unternehmen
Data Science ist hier gefragt für die Analyse von Verkäufen, Märkten, Kundensegmentierung und die Untersuchung ihres Verhaltens. In diesem Fall beschränkt sich die Arbeit des Analysten höchstwahrscheinlich weitgehend auf die Datenaggregation, das Erstellen von Dashboards und das Einrichten von Marketingkampagnen. Die letzte Aufgabe ist eine Optimierungsaufgabe, in der Modelle erstellt werden, die die Reaktion des Kunden auf Werbung, alle Arten von Werbeaktionen und Rabatte während des Verkaufs vorhersagen.
Risikomanagement in Banken und Versicherungen
Das Risikomanagement ist eigentlich eine separate Branche, und die quantitative Analyse ist ein Instrument zur Kontrolle und Steuerung des Risikos. Die häufigsten Themen sind hier das Kreditrisikomanagement, die Bewertung der Kreditwürdigkeit von Kreditnehmern sowie fortschrittliche Methoden zur Berechnung des regulatorischen und wirtschaftlichen Kapitals und der Rückstellungen für erwartete Verluste aus Kreditausfällen.
F & E - Laboratorien
F & E - Forschung und Entwicklung. Im Rahmen der Arbeit solcher Labors wird häufig Grundlagenforschung mit der Entwicklung neuer Algorithmen und Architekturen für maschinelles Lernen betrieben. Die Spezialisten, die in solchen Bereichen benötigt werden, sind viel spezialisierter und „graben“ tiefer als die klassischen Datenwissenschaftler. F & E-Profis bezeichnen sich oft als Ingenieure für maschinelles Lernen oder tiefes Lernen oder einfach als Mathematiker.
Hier einige Beispiele für Aufgaben: Entwicklung trainierbarer Agenten in Computerspielen, Steuerung von Roboterausrüstung, unbemannte Luftfahrzeuge, autonomes Fahren.
Produktstarts
Die Ära der Startups ist noch nicht vorbei. Das Thema Startups und Venture Investing ist nach wie vor beliebt. Das Hauptmerkmal dieses Bereichs ist die Fokussierung auf ein ganzes Produkt. Wenn maschinelles Lernen verwendet wird, ist der Hauptfaktor für seine Nützlichkeit die Verbesserung der Benutzerfreundlichkeit des Produkts und der Benutzererfahrung (UX).
Zum Beispiel eine Augmented Reality Mobile App für Kinder. Die Popularität einer solchen Anwendung hängt möglicherweise nicht von der „seelenlosen“ Qualitätsmetrik ab, sondern von der Helligkeit und Spektakulärität des Bildes. Ein weiteres Beispiel: ein Chatbot zum Unterrichten von Englisch oder einfach nur zum Spaß. Qualitätsmetriken sind alles andere als offensichtlich. Der Chatbot kann aus dem Thema heraus sprechen, aber es klingt "cool" und gewinnt Ansichten, Klicks und Likes. Es ist nicht schwer zu erraten, wohin ich hier führe. Solche Anwendungen oder Websites können zumindest mit Werbung Geld verdienen.
Integratoren, IT-Beratung
Integrator-Unternehmen und Beratungsdienste sind gefragt, da sie Erfahrung und Wissen sammeln. Ihr Hauptwert liegt im Humankapital. Um ein Projekt mit Automatisierung und maschinellem Lernen zu starten, müssen viele Fachleute aus ganz unterschiedlichen Bereichen gleichzeitig informiert sein. Niemand kann sowohl Fachwissen in Bezug auf die besten Branchenpraktiken (Bankwesen, Einzelhandel, Werbung, soziale Medien) als auch Wissen über den gesamten Technologie-Stack kombinieren. Ein bemerkenswertes Beispiel ist die von Neosoft angebotene MLOps-Praxis (eine Teilmenge der DevOps-Praktiken für maschinelles Lernen). Eine alternative Möglichkeit, Ihr Unternehmen auf die nächste Stufe zu heben, besteht darin, ein ganzes Team einzustellen. Dies geschieht mit nur zwei Fingerklicks.
Anbieter und Softwareentwickler
Die Automatisierung und Modernisierung von Unternehmen basiert einerseits auf vorgefertigten Lösungen und kann andererseits nicht ohne Anpassung auskommen. Die Aufgabe der Anpassung an eine bestimmte Infrastruktur und ein bestimmtes Geschäftsmodell kann natürlich auch von Integratoren auf der Ebene der Einstellungen für die gekaufte fertige Software gelöst werden. Um sich jedoch einen Wettbewerbsvorteil zu verschaffen, muss ein Unternehmen häufig einen Teil seines einzigartigen Service- oder Produktangebots auf den Markt bringen. Zum Beispiel werden Entwickler von Drittanbietern wie EPAM sogar von Unternehmen wie Google oder Facebook angezogen.
Giganten und Plattformen von Tech-IT-Unternehmen
Unter den Technologiegiganten können Sie natürlich "Suchmaschinen" (Google, Yandex), Online-Handel (Amazon, Alibaba) und soziale Netzwerke (Facebook, Instagram, WeChat) nennen. Wenn diese Leute etwas brauchen, kaufen sie oft Startups und Unternehmen vollständig und machen daraus ihre eigenen internen strukturellen Abteilungen.
Ein stetiger Trend in den letzten Jahren ist mit dem Übergang von allem und jedem zu Cloud-Plattformen verbunden. In diesem Zusammenhang werden ganze Ökosysteme von Partnerdiensten auf der Basis von Plattformen wie Azure, AWS oder Google Cloud aufgebaut. Insbesondere bieten diese Dienste einen benutzerdefinierten Zugriff auf Funktionen für maschinelles Lernen und Data Mining.
Ergebnis
Um in der bestehenden Vielfalt der Angebote auf dem Markt bestehen zu können, muss jedes Unternehmen klar verstehen, auf welche Bereiche der Geschäftsautomatisierung, des maschinellen Lernens und der Datenanalyse es spezialisiert ist. Es ist auch sehr wichtig, die besten Branchenpraktiken und -trends Ihres Kunden und natürlich Ihrer Konkurrenten zu kennen. Das Wichtigste ist jedoch, dass der Kunde Sie kennt und erkennt.