Kaggle verwandelte Machine-Learning-Probleme in öffentliche Wettbewerbe

Unternehmen sammeln Daten, die sie in Wert verwandeln wollen, doch Datenwissenschaftler sind rar und Organisationen haben Schwierigkeiten, Talente zu gewinnen. Kaggle.com bietet eine Alternative: Unternehmen veranstalten Machine-Learning-Wettbewerbe und Teilnehmer erstellen Vorhersagemodelle für Preise.

Eine HICSS-Studie aus dem Jahr 2020 nutzte zehn Experteninterviews sowie von Kaggle gecrawlte Daten, um zu verstehen, wie Organisationen Wettbewerbe nutzen. Sie fand echte Vorteile – die Diskussion mit Teilnehmern und das Erlernen modernster Ansätze –, stellte aber fest, dass Wettbewerbe nur einen Bruchteil der Aufgaben in einem typischen Data-Science-Projekt abdecken können.

Die Studie identifizierte 12 Faktoren in drei Kategorien, die den wahrgenommenen Erfolg einer Organisation bei der Ausrichtung eines Data-Science-Wettbewerbs beeinflussen, und bietet damit einen Rahmen dafür, wann Crowdsourcing besser ist als die Einstellung von Personal.

Das Modell per Wettbewerb durch Crowdsourcing entwickeln

Die Crowd ist weit größer und vielfältiger als jedes interne Team.

Eine klare Bewertungsmetrik ermöglicht es Organisationen, Modelle objektiv zu vergleichen.

Wettbewerbe bringen interne Teams mit modernsten Ansätzen in Kontakt.

Die Ausrichtung kostet einen Preis, nicht Gehälter und Personalstellen.

Wenn Fachwissen knapp und teuer ist, kaufen Sie Lösungen statt Personal: Ein gut abgegrenzter Wettbewerb mit einer klaren Metrik lässt die Crowd die Arbeit erledigen und schult dabei Ihr Team.

Kaggle wurde zum Referenzmarktplatz für Data-Science-Wettbewerbe, den Unternehmen und Forscher weltweit nutzten, um Modelle zu beschaffen, Ansätze zu benchmarken und Talente zu rekrutieren, bevor das Unternehmen 2017 von Google übernommen wurde.