Machine-Learning-Workflows leicht gemacht

Wer die neuesten Techniken des maschinellen Lernens (ML) nutzen möchte, steht vor einer großen Herausforderung. Bereits vermeintlich einfache Aufgaben wie eine Verkehrsprognose werfen eine Reihe von Fragen auf: Wo finde ich geeignete Fahrzeugdaten für meine Prognose? Wie kann ich diese im Zusammenspiel mit Wetter- und Kartendaten verwenden? Was für ein ML-Verfahren sollte ich wählen? Wie beschreibe ich meinen ML-Workflow? Wie gut ist meine Prognose? Insbesondere Neulinge im Bereich der Datenverarbeitung und des maschinellen Lernens kann das schnell frustrieren, selbst wenn sie über genügend Expertise in ihrem eigenen Fachbereich verfügen.

Im Projekt Simple-ML arbeitet das L3S zusammen mit der Rheinischen Friedrich-Wilhelms-Universität Bonn, der AIM Agile IT Management GmbH und der PROJEKTIONISTEN GmbH daran, ML-Prozesse für einen breiten Anwenderkreis leichter zugänglich zu machen. Dies beinhaltet unter anderem die Bereitstellung und Beschreibung geeigneter Datensätze, Hilfe und Tipps bei der Auswahl von ML-Modellen sowie die Erklärung und interaktive Visualisierung der Ergebnisse – alles begründet auf semantischen Datenprofilen, robusten Workflow-Spezifikationen mit einer eigenen domänenspezifischen Sprache und skalierbaren Umsetzungen. Ein besonderer Fokus liegt auf der Umsetzung von ML-Verfahren in den Domänen Mobilität und Logistik, da insbesondere in diesen Bereichen zunehmend offene heterogene Daten verfügbar sind. Sie erfordern spezialisierte Operationen und Visualisierungen, die über den Einsatz herkömmlicher ML-Tools hinausgehen.

Simple-ML soll also den Zugang zum maschinellen Lernen erleichtern, ML verständlicher machen und Interaktionsmöglichkeiten bieten, damit zum Beispiel sämtliche Teilaufgaben auf dem Weg zu einer Verkehrsprognose ohne signifikante ML-Expertise gelingen und ein robuster, nachvollziehbarer und effizienter ML-Workflow entsteht.