Consetto startet Datenexperten.com – das Projektportal für IT-Experten

Durch die Corona-Krise hat sich der deutsche Projektmarkt deutlich verändert. Das gilt auch für die IT-Branche. Wo vorher der Fachkräftemangel IT-Experten einen stetigen Strom an Projekten beschert hat, ist der unsichere Ausblick in die Zukunft zu einer Erschwernis für Freiberufler geworden. Unternehmen sind zögerlicher in der Ausschreibung von Projekten geworden und es stehen mehr qualifizierte Fachkräfte zur Verfügung. Unternehmen brauchen aber auch weiterhin Unterstützung bei der Digitalisierung.  

Mit unserer neuen Plattform zur Vermittlung von Projekten setzen wir genau an dieser Stelle an. Datenexperten.com unterstützt sowohl Freelancer als auch Unternehmen dabei das richtige Match zu finden. Unser Ziel ist es hochqualifizierten IT-Experten den Zugang zu spannenden Projekten leichter zu machen und gleichzeitig für Unternehmen die Ausschreibung von Projekten einfacher zu machen.  

Warum Datenexperten? 

Wer sich jetzt denkt – naja, OnlineVerzeichnisse und Plattformen, auf denen sich Freelancer anmelden können, gibt es ja schon einige. Und Agenturen, die Freelancer und Projekte vermitteln wie Sand am Meer. Was ist der Vorteil von Datenexperten? Das ist leicht erklärt. Bei Datenexperten.com geht es nicht darum IT-Experten oder Unternehmen etwas zu verkaufen. Es geht darum, die richtige Besetzung für ein Projekt zu finden. Damit alle Beteiligten zufrieden mit der Zusammenarbeit sind. Damit das, was am Anfang besprochen wurde auch tatsächlich dem Projekt und den Fähigkeiten entsprochen hat. Und im besten Fall sogar Spaß gemacht hat. Deswegen liegt der Fokus bei Datenexperten.com auf den Fähigkeiten, die der Experte mitbringt. Je genauer Experten diese in ihre Profile eintragen, desto besser werden vorgeschlagenen Projekte zu ihnen passen. Dafür sorgt unser Datenexperten Matching Algorithmus.  

Der Matching Algorithmus 

Mit Hilfe von Machine Learning bestimmen wir für jedes Projekt die geeigneten Experten. Mit zunehmender Datenmenge und durch manuelle Optimierung wird der Algorithmus im Laufe der Zeit immer besser. Dafür tragen Experten ihre Skills in ihre Profile ein. Je detaillierter desto besser. Diese Fähigkeiten werden dann mit den Skills verglichen, die in den Projekten angegeben sind. Die Experten bekommen die Projekte, die zu ihren Fähigkeiten passen, auf ihren Profilen direkt vorgeschlagen. 

Der Ablauf 

Die Projekte, die interessant sind, können sich die Experten dann genau ansehen und sich darauf bewerben. Datenexperten.com ist keine Personalvermittlung im klassischen Sinn. Die Bewerbung geht als E-Mail beim Projektausschreiber ein. Beide Parteien stehen ab da in direktem Kontakt. Es gibt keinen Mittelsmann, der die Kommunikation erschwert und alle Details, die noch zu besprechen sind, können geklärt werden. Wenn alles passt kann die Zusammenarbeit anfangen. Und wenn die Chemie stimmt spricht nichts dagegen beim nächsten Mal direkt wieder zusammen zu arbeiten.  

Schaut vorbei! 

Datenexperten.com ist für alle Interessierten schon heute zugänglich. Schaut euch die verfügbaren Projekte an oder erstellt selbst welche. Und was am besten ist: Die Registrierung und Nutzung der Seite ist völlig kostenlos.

datenexperten.com

 

Wie funktioniert Deep Learning? Eine konzeptionelle Einführung

Deep Learning ist ein Verfahren des maschinellen Lernens, das neuronale Netze einsetzt, um von Trainingsdaten zu lernen und aufgrund der gelernten Generalisierungen Entscheidungen zu treffen.

 

Was ist ein neuronales Netz?

Abbildung: Ein einfaches neuronales Netz

Ein neuronales Netz kann man sich als eine Art Black-Box vorstellen, in die eine Reihe von Input-Features eingegeben wird, und die nach Durchlauf aller verborgenen Ebenen ein Output liefert.  Jeder Input-Knoten stellt dabei ein Merkmal, ein „Feature“ jenes Objektes dar, über das die Entscheidung getroffen werden soll.

 

Ein klassisches Beispiel einer solchen Entscheidung ist die Klassifizierung, bei der es darum geht, Input-Objekte einer vorher bestimmten Klasse zuzuordnen. Bei einer Klassifizierung von Graustufen-Bildern z.B. gibt es im neuronalen Netz einen Input-Knoten für jeden Pixel des Bildes, wobei jeder Knoten einen Wert zwischen 0 und 1 aufweist, je nach seiner Helligkeit. Nehmen wir an, all diese Bilder würden handgeschriebene Ziffern zwischen 0-9 darstellen; dann haben wir auf der Output-Seite unseres Netzes zehn Knoten, die je für eine andere Zahl stehen. Der Output-Knoten mit dem höchsten Wert gewinnt, und das System liefert diese Zahl als Ergebnis zurück.

Soviel zum Input und Output. Doch was passiert eigentlich innerhalb der verborgenen Ebenen der Black-Box? Wie man dem obigen Bild entnehmen kann, geht der Wert aus jedem Knoten einer vorigen Ebene in jeden Knoten der nächsten Ebene hinein. Das Entscheidende an dieser Stelle, und das Entscheidende überhaupt an Deep Learning, ist das die einzelnen Knotenwerte mit Koeffizienten multipliziert werden, die später wie Reglerknöpfe justiert werden können, um die Ausgaben des Netzes an die korrekten Trainingslabels anzupassen. Diese nennen sich Gewichte.

Da man für die Trainingsdaten den richtigen Output schon kennt, hat man die Möglichkeit, das Output eines Leerdurchlaufs (mit unjustierten Reglerknöpfen) für ein Trainingselement mit dem des korrekten Outputs für das Element zu vergleichen. Man weiß also, wie groß die Fehlerspanne ist und kann daran arbeiten, diese zu schließen. Das Schließen dieser Fehlerspanne nennt sich Optimierung, und sie hat zum Ziel, den Beitrag jedes der Knotenkoeffizienten (Gewichte) zur Fehlerspanne zu minimieren. Hierzu werden zunächst für jedes Gewicht partielle Ableitungen errechnet, die die Änderungsrate der Fehlerspanne abhängig vom jeweiligen Gewicht darstellen.

In einem zweiten Schritt wird diese Änderungsrate, die den Anteil des jeweiligen Gewichts an der Fehlerspanne darstellt, mal ein Koeffizient namens Learning Rate multipliziert, und vom alten Wert des Gewichts abgezogen. Die Learning Rate bestimmt dabei die Geschwindigkeit und Kleinschrittigkeit der Fehlerminimierung.

Indem diese Gewichtsoptimierung für jedes Gewicht des Netzes ausgeführt wird, werden die Outputs immer korrekter und die Fehlerspanne wird immer kleiner. Nach abgeschlossenem Training kann das neuronale Netz akkurat Klassen vorhersagen.