Erklärbarkeit von Machine Learning Algorithmen

Viele Machine-Learning Verfahren sind sogenannte Black-Box-Algorithmen, die keinen direkten Zugang zum Gelernten bieten. Dadurch bleibt zunächst unklar, ob man einer berechneten Vorhersage auch trauen kann. Hier helfen Tools zur Erklärbarkeit von Machine-Learning Algorithmen wie etwa LIME oder SHAP. In unserem Showcase zeigen wir, wie Sie durch ihren Einsatz den Prozess vom Sammeln der Daten bis hin zur Vorhersage debuggen und verbessern können. Mehr erfahren

Clustering & Anomalie Detektion

Anhand unseres Open Food Facts Showcases zeigen wir Ihnen wie Sie mit Clustering Algorithmen natürlich auftretende Gruppierungen sowie seltene Beobachtungen – sogenannte Anomalien – aufspüren können. Letztere können fehlerhafte Nutzereingaben einer App sein oder seltene Produkte, im schlimmeren Fall aber auch Betrugsfälle oder Serverangriffe. Dadurch erlangen Sie tiefe Einblicke in die Struktur Ihrer Daten und können mit diesem Wissen, bessere Entscheidungen treffen. Mehr erfahren

Mit Neuronalen Netzen gegen Mikroplastik im Wasser

Die meisten Klärwerke sind nicht mit einer sogenannten vierten Reinigungsstufe ausgestattet. Diese kann dabei helfen, Arzneimittelreste und Kleinstpartikel wie Mikroplastik aus dem geklärten Wasser zu entfernen, bevor es in die Gewässer zurückgeführt wird. Da ihre Anschaffung und Betrieb teuer sind, ist es vorteilhaft, zuvor zu wissen, wie hoch die Belastung eigentlich ist. In dem interdisziplinären Forschungsprojekt VAMINAP helfen Künstliche Neuronale Netze bei der Schadstoffdetektion. Mehr erfahren

Mit Data Science Analysen den Kunden im Fokus

Anhand historischer Daten über Verkaufszahlen und Kundenaktivitäten können Sie durch Data-Science-Analysen einen tiefen Einblick in Ihre Geschäftsprozesse erhalten. Über Kundenvorlieben und Trends informiert zu sein, bedeutet auch teuren Lagerplatz zu sparen und gleichzeitig eine termingerechte Lieferung zu garantieren. Wie das geht, zeigen wir anhand unseres E-Commerce Showcases.