bei Google ScholarTitelangaben
Kaiser, Matthias ; Stirnweiß, Dominic ; Wederhake, Lars:
Hierarchische Eignungsprüfung von externen (Open) Data Sets für unternehmensinterne Analytics- und Machine-Learning-Projekte.
In: HMD Praxis der Wirtschaftsinformatik.
Bd. 60
(2023)
.
- S. 144-161.
ISSN 2198-2775
DOI: https://doi.org/10.1365/s40702-022-00842-3
Volltext
Angaben zu Projekten
| Projekttitel: |
Offizieller Projekttitel Projekt-ID Projektgruppe WI Digital Value Network Ohne Angabe Projektgruppe WI Künstliche Intelligenz Ohne Angabe |
|---|
Abstract
Unternehmen erkennen zunehmend die Bedeutung evidenzbasierter Entscheidungen. Insbesondere die zunehmende Nutzung unternehmensexterner und offener Datensätze (Open Data) fördert die Möglichkeiten evidenzbasierter
Entscheidungen. Dabei basieren evidenzbasierte Entscheidungen mit diesen Datensätzen immer häufiger auf Analysen, welche mittels maschineller Lernverfahren bzw.
Machine Learning (ML) vorbereitet oder durchgeführt werden. Weil der Inhalt und die Qualität und damit der Nutzen eines Datensatzes für solche Analyseverfahren im Vorfeld ungewiss ist, stellt die Auswahl und die Beschaffung von geeigneten
Daten unabhängig vom ML-Verfahren eine Kernherausforderung dar. Dieser Beitrag stellt deshalb zum Zwecke der Effizienz ein hierarchisches Vorgehen vor. Mit diesem können schemabasierte Datensätze strukturiert und effektiv dahingehend überprüft werden, ob deren Qualität und inhaltliche Fit für einen bestimmten Anwendungsfall (z.B. eine wiederkehrende Entscheidungssituation) ausreichend ist.
Im Beitrag beschreiben wir einen Anwendungsfall aus dem Bereich der datengestützten Energieverbrauchsprognose für Wohngebäude, bei dem der Aufwand für die Datensatzauswahl reduziert werden konnte.