Ein tiefes Verständnis von Deep Learning

Die Geschichte von Yalda Mohammadian

Ein tiefes Verständnis von Deep Learning

Mit dem Aufkommen des Internets der Dinge (IoT) und vernetzter Geräte stehen immer mehr Daten zur Verfügung, um neue Lösungen zu entwickeln. Das vernetzte Auto ist eines der Geräte, die Organisationen wie der ANWB (niederländische Pannenhilfe) nutzen, um ihren Service zu verbessern. Yalda Mohammadian ist eine der Datenwissenschaftlerinnen, die die Möglichkeiten des IoT ausschöpfen.

Optimale Disposition und vorausschauende Wartung

"Der ANWB führt viele datenwissenschaftliche Projekte durch", erklärt Yalda, "von der Vorhersage von Verkehrsstaus über Autopannen bis hin zu automatischen Fahrzeugbewertungen für Inzahlungnahmen." Yalda selbst arbeitet derzeit mit einem Deep-Learning-Modell, das erkennt, welches Autoteil eine Panne verursacht hat.

"Wenn wir wissen, was mit einem Auto nicht in Ordnung ist, bevor wir ein Pannenhilfsfahrzeug, die Wegenwacht, losschicken, erhöht sich die Effizienz dramatisch", erklärt sie weiter. "Manchmal kann ein Problem telefonisch behoben werden, und manchmal müssen wir eine Wegenwacht schicken. In Fällen, in denen wir einem Fahrer nicht helfen können, ist es am besten, einen Abschleppwagen zu schicken."

Mit über 400 Wegenwachten, die täglich unterwegs sind, ist eine effiziente Disposition entscheidend, um gestrandeten Fahrern schnell zu helfen.

Das aktuelle Projekt ist nicht nur auf die Erkennung von Komponenten ausgerichtet. Das ultimative Ziel ist es, die Entwicklung eines Modells für die vorausschauende Wartung zu ermöglichen. "Vernetzte Autos übermitteln Informationen über ihren Status, von blinkenden Armaturenbrettleuchten bis hin zum Kilometerstand der Komponenten. Anhand dieser Daten können wir Autobesitzer benachrichtigen, wenn eine Wartung erforderlich ist, um Pannen zu vermeiden."

Vererbung eines Deep Learning Modells

Seit Anfang 2019 baut das ANWB seine internen Data-Science-Fähigkeiten aus. Als Yalda im Juni 2019 dazukam, begann sie mit der Arbeit an dem Deep-Learning-Modell für die Komponentenerkennung. Dieses Modell war bereits von einem externen Datenwissenschaftler entwickelt worden, und Yaldas Aufgabe war es, es weiterzuentwickeln. "Ich hatte noch nie mit Deep Learning gearbeitet und ich finde es sehr wichtig, dass ich erklären kann, was unter der Haube vor sich geht", erklärt Yalda.

Als sie mit einer Data-Science-Technik konfrontiert wurde, mit der sie nicht vertraut war, machte sich Yalda auf die Suche nach einem Schulungskurs, der ihr helfen sollte.

"Früher hätte ich einen sechswöchigen Online-Kurs besucht, aber meine Kollegin hat mir GoDataDriven empfohlen. Sie war begeistert von Ihren Kursen, und die Möglichkeit, die  sich innerhalb von drei Tagen mit Deep Learning auseinanderzusetzen, war viel effizienter als ein Online-Kurs."

Ein tieferes Verständnis des Modells

Teilnehmen an Der Deep Learning-Kurs hat Yalda geholfen, das Modell, an dem sie arbeitete, zu verstehen. "Mir hat die Mischung aus Theorie und Praxis gefallen. Es ist toll, dass man auch die Hintergründe des Deep Learning vermittelt bekommt." Yalda hat bereits einige Erkenntnisse aus dem Kurs umgesetzt. "Der Code des Modells wurde in PyTorch geschrieben, was für Anfänger ziemlich kompliziert ist. Ich bin jetzt dabei, es in Keras umzuwandeln, wo man dasselbe mit viel weniger Code machen kann."

Mit mehr theoretischem Wissen hat Yalda ein tieferes Verständnis für das Modell.

"Ich verstehe die Entscheidungen, die bei der Erstellung des Modells getroffen wurden, besser. Das bedeutet, dass ich sie auch in Frage stellen und hinterfragen kann. Das Modell verwendet derzeit ein rekurrentes neuronales Netzwerk, das für die Experimente, die wir durchführen, vielleicht nicht das Beste ist. Dank des Kurses kann ich diese Art von Fragen stellen.