Was haben SAS Viya und die österreichischen Berge gemeinsam? Eine ganze Menge!
Neulich besuchten mich Freunde aus Tirol am Neusiedler See, also im Burgenland. Bekanntermaßen ist Tirol ein Bundesland im Hochgebirge. Entsprechend amüsiert waren meine Freunde, als ich ihnen den Rosenberg und den Ungerberg in der Nachbarschaft zeigte. „Bei uns hätten die noch nicht mal einen Namen“, so der Kommentar. Kein Wunder: Die beiden „Berge“ sind gerade mal 50 Meter hoch.
Doch meine Freunde änderten schnell ihre Meinung, als wir diese kleinen Hügel hinaufspaziert waren (nein, von Klettern werde ich hier nicht sprechen😊). Denn vom „Gipfel“ bot sich uns ein überwältigender Ausblick auf einen Umkreis von rund 60 Kilometern: über den kompletten Neusiedler See, die Ausläufer der österreichischen Alpen mit 2.000er-Gipfeln – und sogar weit bis nach Ungarn hinein.
Tiefe Einblicke mit Machine Learning und Deep Learning
Auch wenn es sich zu einfach anhört: Ein kleiner Perspektivwechsel kann uns hier im Burgenland bereits hoch spannende Ausblicke in die Landschaft verschaffen. Meine zunächst kritischen Freunde räumten ein, dass man in Tirol mindestens drei Stunden wandern müsse, um sich an einer vergleichbaren weiten Aussicht zu erfreuen.
Später saßen wir bei einem Glas exzellenten burgenländischen Wein beim Heurigen, und mir wurde klar, dass unser Erlebnis exakt die verschiedenen analytischen Level mit ihren unterschiedlichen Anforderungen wiedergibt. Und das bringt mich zu der eingangs erwähnten Verbindung zwischen den österreichischen Bergen und SAS Viya.
Meine Freunde stehen für die Menschen, die erst mal komplexe Machine-Learning-Modelle bauen würden. Ihre Region ist die erste Adresse für Deep Learning (sorry, tiefe Täler). Wenn sie wandern gehen, statten sie sich erst mal angemessen aus – so wie ein Data Scientist, der für die Erstellung eines ML-Modells SAS VDMML oder das Deep-Learning-Python(DLPy)-Paket auf dem Jupyter Notebook nutzt.
Anwender in den Fachabteilungen und Citizen Data Scientists benötigen dagegen nicht immer ein komplexes Modell, um sich Einblicke in die Daten zu verschaffen. Für manche Geschäftsprobleme lässt sich die Antwort mit einfacher deskriptiver Statistik finden, wenn diese mit einer Grafikoberfläche kombiniert wird, die ein hohes Maß an Interaktivität bietet. Das i-Tüpfelchen bilden Self-Service Analytics (Entscheidungsbäume und kausale Modelle) sowie Self-Service Data Preparation (Filterfunktionen oder Verarbeitung nach Gruppen). Für diese Anwender ist das analytische Pendant zum Rosenberg ausreichend, um tiefere Erkenntnisse aus den Daten und daraus letztlich Wettbewerbsvorteile zu gewinnen.
Die gesamte Palette
Selbst Experten, die leistungsstarke Machine-Learning-Methoden entwickeln, wenden Basisstatistik an, um ihre Daten zu profilieren und die Resultate zu veranschaulichen – ähnlich wie meine Tiroler Freunde immer wieder gerne zu Besuch kommen und die Annehmlichkeiten des Burgenlandes zu schätzen wissen.
Umgekehrt schließe ich mich ihnen regelmäßig für größere Bergtouren an, um einen außergewöhnlichen Blick auf das Land zu bekommen. So wie der Fachanwender zum Analytics-Experten geht, wenn er komplexere Relationen verstehen möchte oder ein Vorhersagemodell braucht.
Von Visualisierung zu Machine Learning mit nur einem Klick
Das Ausschlaggebende ist die Nähe der beiden Perspektiven. Ich kann mich hier im Osten Österreichs ins Auto setzen, in die Berge fahren und noch am gleichen Tag auf 3.000 Meter Höhe stehen und spektakuläre Aussichten genießen. Oder ich nutze das Umland des Neusiedler Sees zum Fahrradfahren und Segeln.
Ebenso bietet SAS Viya das Beste aus beiden Welten: eine breite Palette an Machine-Learning-Methoden, um tiefe Einblicke in die Daten zu bekommen, und Visualisierung für eine schnelle Auswertung der Daten sowie eine einfache Kommunikation der Ergebnisse an Business-Anwender.
