Eine große Herausforderung in der Datenanalyse ist die benötigte Menge an “Lerndaten”. Gerade wenn künstliche Intelligenz beteiligt sein soll, braucht es oft Unmengen davon. Denn während für uns oft ein kurzer Blick auf ein Dokument genügt, um die wichtigsten Datenpunkte zu erkennen, braucht die Maschine „viele Blicke“. Nur so können Muster und deren Erkennung so gut trainiert werden, dass eine ausreichend hohe Analysequalität erreicht wird.
Doch das Sammeln ausreichend großer Datenmengen braucht oft lange Zeit. Nicht jeder sitzt auf sprudelnden Datenquellen. Denn so wie es das Zitat von Phil Dourado zum Ausdruck bringt: Bis die erforderliche Datenmenge erreicht ist, um die perfekten Informationen daraus gewinnen zu können, müssen viele lange warten. Mit dem Negativeffekt, dass sich die Welt – mitsamt den relevanten Daten – schon wieder ein gutes Stück weiterentwickelt hat. Und damit Muster entdeckt werden, die schlicht schon wieder veraltet sind.
Wollen Sie warten bis Sie perfekte Daten haben, die Welt dann aber schon drei Schritte weiter ist?
In diesem Fall gilt es eine Entscheidung zu treffen. Und zwar gegen die perfekten Daten und für ein System zur Wissensorganisation, das die erforderlichen „Leitplanken“ zur Datenanalyse setzt.
Das war der Ausgangspunkt für die Entwicklung von seKOS(R). Durch definierte Regeln für die Erkennung der relevanten Datenpunkte ist im besten Fall ein Start von der Null-Linie aus möglich. Ein wesentlicher Vorteil wenn man nicht über zehntausende Kunden und deren Daten verfügen kann. Oder um es in den Worten des Zitats zu sagen: Die perfekten Informationen sind dann schon gesammelt und die Analyse kann sofort starten.