- \n
- \nHerausforderung<\/div>\nEntwicklung eines Instrumentariums zur Analyse und Identifizierung der Geschlechterverh\u00e4ltnisse<\/div>\n<\/li>\n
- \n
L\u00f6sung<\/div>\nDockerisierte App zur Analyse und Identifizierung des Geschlechts von Teilnehmern<\/div>\n<\/li>\n- \n
Technologien und Werkzeuge<\/div>\nDocker, Node.js, React, Python, Celery, Redis, Flask, PySpark, Pandas, Scikit-learn, LightGBM, XGBoost, HyperOpt, SHAP<\/div>\n<\/li>\n<\/ul>\n<\/div>\nKunde<\/h2>\n
Der Kunde ist GSMA<\/a>ist eine globale Organisation, die das Mobilfunk-\u00d6kosystem vereint, um Innovationen zu entdecken, zu entwickeln und zu liefern, die f\u00fcr positive Gesch\u00e4ftsumgebungen und gesellschaftliche Ver\u00e4nderungen grundlegend sind. Sie vertreten Mobilfunkbetreiber und Organisationen aus dem gesamten mobilen \u00d6kosystem und angrenzenden Branchen.<\/p>\n
Der Kunde wandte sich an ESSID Solutions, um das Inclusive Tech Lab bei der Weiterentwicklung seines bestehenden Systems zur Geschlechtererkennung zu unterst\u00fctzen. KI der Mobiltelefonnutzer<\/a>.<\/p>\n
Herausforderung: Entwicklung eines Toolkits zur Gender-Analyse und -Identifizierung<\/h2>\n
Frauen sind eine starke Quelle des Wachstums, sie sind entscheidend f\u00fcr die Entwicklung eines Landes. Ungleichheiten zwischen M\u00e4nnern und Frauen k\u00f6nnen den landesweiten Fortschritt in den Bereichen Gesundheit, Bildung und Lebensstandard verringern. Auch heute noch sind Frauen mit systembedingten und vor allem oft nicht gemessenen Hindernissen konfrontiert, die sie daran hindern, ihren R\u00fcckstand aufzuholen und die Kluft zwischen den Geschlechtern zu schlie\u00dfen.<\/p>\n
Wenn es um Konnektivit\u00e4t und die Mobilfunkbranche geht, sind in L\u00e4ndern mit niedrigem und mittlerem Einkommen 390 Millionen Frauen nicht vernetzt, und 184 Millionen weniger Frauen als M\u00e4nner besitzen ein Mobiltelefon. Dabei sind Frauen nicht nur ein \"Segment\", sondern die H\u00e4lfte des potenziellen Kundenstamms. Dies ist eine Herausforderung und eine hervorragende Gelegenheit f\u00fcr Telekommunikationsbetreiber weltweit. \u00dcberwindung der Geschlechterkluft<\/a> kann Frauen, der Gesellschaft und der Mobilfunkbranche im Allgemeinen zugute kommen.<\/p>\n
Die Kluft zwischen den Geschlechtern zu schlie\u00dfen, GSMA<\/a> erforderlich, um die geschlechtsspezifische Datenl\u00fccke<\/i>. Heute ben\u00f6tigen Mobilfunkbetreiber in L\u00e4ndern mit niedrigem und mittlerem Einkommen mehr KYC-Daten, um Engp\u00e4sse bei der Verbreitung von Mobiltelefonen unter Frauen besser zu verstehen und Produkte f\u00fcr Frauen zu entwickeln.<\/p>\n
Beseitigung der geschlechtsspezifischen Datenl\u00fccke und Verwaltung der Mobiltelefondatenanalyse, GSMA Vernetzte Frauen<\/a>wurde in Zusammenarbeit mit ESSID Solutions mit der Aufgabe betraut, ein Toolkit zur Analyse und Identifizierung der Geschlechter zu entwickeln.<\/p>\n
L\u00f6sung: Docker-App zur Analyse und Identifizierung des Geschlechts der Teilnehmer<\/h2>\n
Hauptziel der Entwicklung des Toolkits war es, den Mobilfunknetzbetreibern (MNOs) ein Tool an die Hand zu geben, das sie einfach installieren und vor Ort ausf\u00fchren k\u00f6nnen, um qualitativ hochwertige geschlechtsspezifische Kennzeichnungen f\u00fcr ihren Teilnehmerstamm vorherzusagen und Einblicke aus dem Analyse-Dashboard zu erhalten.<\/p>\n
Das Team von ESSID Solutions hat in Zusammenarbeit mit dem GSMA Inclusive Tech Lab das bestehende Toolkit \u00fcberarbeitet und verbessert, um eine umfassendere Analyseumgebung zu schaffen, die den Anforderungen des Mobilfunkbetreibers gerecht wird. In enger Zusammenarbeit mit unserem Kunden haben wir die Version 3.0 des Produkts entwickelt.<\/p>\n
Die L\u00f6sungskomponenten werden in Docker-Containern bereitgestellt und betrieben. Die Architektur ist so aufgebaut, dass der MNO das System in seinen R\u00e4umlichkeiten oder in der Cloud betreiben kann. Die Nutzung des Tools umfasst drei Hauptschritte:<\/p>\n
- \n
- Vorbereitung der Rohdaten:<\/i><\/b> Der Benutzer beginnt mit der Angabe des Speicherorts verschiedener Rohdatendateien, z. B. Umfragedaten mit geschlechtsspezifischen Kennzeichnungen, Anrufdatens\u00e4tze, Transaktionshistorie f\u00fcr mobiles Geld usw. Dieser Schritt umfasst die Vorbereitung und Organisation der erforderlichen Daten f\u00fcr die weitere Analyse.<\/li>\n
- Modellierung:<\/i><\/b> In diesem Schritt f\u00fchrt der Benutzer Experimente durch, um die optimale Klassifikationsmodell zur Vorhersage<\/a> das Geschlecht der Abonnenten. Durch die Nutzung der angegebenen Datens\u00e4tze kann der Benutzer verschiedene Modelle trainieren und bewerten, um dasjenige zu ermitteln, das die beste Leistung erbringt.<\/li>\n
- Erstellung von Vorhersagen und Analyseberichten:<\/i><\/b> Sobald das bevorzugte Klassifizierungsmodell identifiziert ist, erstellt der Benutzer auf der Grundlage des trainierten Modells Vorhersagen zum Geschlecht. Diese Vorhersagen werden dann verwendet, um einen umfassenden Analysebericht zu erstellen. Der Bericht soll wertvolle Informationen f\u00fcr die Entscheidungsfindung und strategische Planung innerhalb des Mobilfunknetzbetreibers liefern.<\/li>\n<\/ul>\n
Der gesamte Ablauf ist im Folgenden dargestellt:<\/p>\n
![\"ai](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2023\/06\/ai-gender-detection-picture.webp\")
<\/p>\nDas Hauptziel des ESSID Solutions-Teams bestand darin, eine benutzerfreundliche, anpassungsf\u00e4hige und flexible L\u00f6sung zu entwickeln. Sie erm\u00f6glicht es den Nutzern, m\u00fchelos verschiedene Algorithmen f\u00fcr maschinelles Lernen zu erkunden und mit verschiedenen Modellen zu experimentieren, um das effektivste zu ermitteln.<\/p>\n
Die L\u00f6sung bietet eine optimierte Pipeline, die ohne umfassende technische Kenntnisse konfiguriert und ausgef\u00fchrt werden kann.<\/p>\n
Die Bew\u00e4ltigung der Herausforderung, riesige Datenmengen zu verwalten und gleichzeitig einen stabilen Arbeitsablauf aufrechtzuerhalten, war eine wichtige Priorit\u00e4t.<\/p>\n
Ergebnis: Verringerung der geschlechtsspezifischen Unterschiede und Schaffung eines integrativeren \u00d6kosystems<\/h2>\n
Das Ergebnis unserer Arbeit ist ein fortschrittliches Toolkit zur Analyse und Identifizierung des Geschlechts. Das Sch\u00f6ne an der L\u00f6sung ist, dass sie es den Mobilfunknetzbetreibern erm\u00f6glicht, das Geschlecht ihrer Abonnenten auf der Grundlage der Telefonnutzungshistorie zu identifizieren und Einblicke in die geschlechtsspezifischen Unterschiede zu erhalten. Mithilfe der L\u00f6sung k\u00f6nnen sie die neuesten Daten \u00fcber die geschlechtsspezifische Kluft im Mobilfunk untersuchen und verstehen, was n\u00f6tig ist, um sie zu schlie\u00dfen.<\/p>\n
Wir sind dem GSMA-Team dankbar, dass es unser Unternehmen eingeladen hat, an einem so komplexen und anspruchsvollen Projekt mitzuarbeiten. Wir haben die Ergebnisse p\u00fcnktlich fertiggestellt und die Erwartungen des Auftraggebers erf\u00fcllt<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"
- Modellierung:<\/i><\/b> In diesem Schritt f\u00fchrt der Benutzer Experimente durch, um die optimale Klassifikationsmodell zur Vorhersage<\/a> das Geschlecht der Abonnenten. Durch die Nutzung der angegebenen Datens\u00e4tze kann der Benutzer verschiedene Modelle trainieren und bewerten, um dasjenige zu ermitteln, das die beste Leistung erbringt.<\/li>\n
- \n