Effiziente Automatisierung in der Data Science (AutoDS) ... die Gepäckprognose am Flughafen Hamburg
 

Der Einsatz von Data Science nimmt durch das Interesse an Künstlicher Intelligenz in vielen Branchen stetig zu. Mit maschinellem Lernen (ML) ist es möglich, operative und dispositive Aufgaben zu optimieren und bei der Entscheidungsfindung zu unterstützen. Eine mögliche Automatisierung der ML-Lebenszyklus-Phasen (AutoML) hilft bei der Demokratisierung von ML in Unternehmen.

Ziel war die Entwicklung und Validierung eines automatisierten Prognosemodells für das Fallbeispiel von Gepäckmengen am Hamburger Flughafen unter Verwendung der Low-Code AutoML-Bibliothek PyCaret. Für die automatische Datenintegration wurde die Bibliothek "AutoJoin" implementiert und eingesetzt.

Durch die Automatisierung signifikanter Phasen des Machine-Learning-Lebenszyklus konnten präzise Vorhersagen für Gepäckstücke pro Flug innerhalb und außerhalb der Flugsaison erreicht werden. Die Ergebnisse zeigen eine Verbesserung der Vorhersagegenauigkeit um 38,6% gegenüber herkömmlichen Methoden, was die Effizienz in der Personaldisposition am Flughafen maßgeblich unterstützt. Der Einsatz von AutoML in der entwickelten Anwendung "AutoDS" ermöglicht eine zeitökonomische Modellentwicklung durch Endanwender.

Vortrag von ...
Finn Dohrn (HAW Hamburg, Forschungsgruppe MINDS & Data Scientist Flughafen Hamburg)