Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/288929 
Erscheinungsjahr: 
2020
Quellenangabe: 
[Journal:] HMD Praxis der Wirtschaftsinformatik [ISSN:] 2198-2775 [Volume:] 57 [Issue:] 1 [Publisher:] Springer Fachmedien Wiesbaden [Place:] Wiesbaden [Year:] 2020 [Pages:] 89-105
Verlag: 
Springer Fachmedien Wiesbaden, Wiesbaden
Zusammenfassung: 
Machine Learning ist ein Forschungsfeld mit großen Potenzialen und weitreichenden Anwendungspotenzialen. Big Data kann dabei als Enabler angesehen werden, da große und qualitativ hochwertige Daten stets die Grundlage für erfolgreiche Machine Learning-Algorithmen und -Modelle darstellen. Aktuell gibt es noch keinen voll etablierten Standardprozess für den Machine Learning-Life Cycle, wie es im Data Mining mit dem CRISP-DM beispielsweise der Fall ist, was zur Folge hat, dass gerade die Operationalisierung von Machine Learning-Modellen Unternehmen vor große Herausforderungen stellen kann. In diesem Beitrag werden anhand der Sicht auf die Beschaffenheit der Daten, die verschiedenen Rollen in Machine Learning-Teams und den Lebenszyklus von Machine Learning-Modellen Implikationen für das Datenmanagement in Unternehmen herausgearbeitet.
Schlagwörter: 
Datenmanagement
Life Cycle-Modell
Künstliche Intelligenz
Machine Learning
Big Data
Data Management
Life cycle model
Artificial Intelligence
Machine Learning
Big Data
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Dokumentversion: 
Published Version

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.