Ahh, das Meer.

Der Urlaub auf dem mediterranen Meer lag am Strand und starrte in die Wellen. Woman Luck hatte einen guten Tag: Die Sonne starrte von einem blauen und wolkenlosen Himmel herab und erhitzte den Sand und das salzige Meer um mich herum. Zum ersten Mal seit einiger Zeit hatte ich Ausfallzeiten. In der abgelegenen Area, in der ich warfare, gab es nichts mit ML zu tun, wo die rauen Straßen jeden verängstigt hätten, der sich an die gleichmäßigen Gehwege westlicher Länder gewöhnt hat.

Dann, weg von der Arbeit und teilweise Zivilisation, irgendwo zwischen Zonierung und Daydreaming, begannen meine Gedanken zu driften. In unserem täglichen Geschäft sind wir auch damit beschäftigt, Zeit damit zu verbringen, nichts zu tun. Aber Nichts ist hier ein starkes Wort: Als meine Gedanken teuerten, erinnerte ich mich zuerst an die jüngsten Ereignisse, dachte dann über die Arbeit nach und kam dann schließlich zum maschinellen Lernen an.

Vielleicht Spuren meines vorherigen Artikels –wo ich 6,5 Jahre „Machen“ ml nachdachte– Ich warfare immer noch im Hinterkopf. Oder vielleicht warfare es einfach die völlige Abwesenheit von irgendetwas Technischen um mich herum, wo das Meer mein einziger Begleiter warfare. Was auch immer der Grund warfare, ich begann psychological, die Jahre hinter mir zu proben. Was warfare intestine gelaufen? Was warfare seitwärts gegangen? Und – vor allem – was wünschte ich, jemand hätte mir zu Beginn jemand gesagt?

Dieser Beitrag ist eine Sammlung dieser Dinge. Es soll keine Liste dummer Fehler sein, die ich andere dringend bittet, um jeden Preis zu vermeiden. Stattdessen ist es mein Versuch, die Dinge aufzuschreiben, die meine Reise ein bisschen reibungsloser gemacht hätten (aber nur ein bisschen ist Unsicherheit notwendig, um die Zukunft genau das zu machen: die Zukunft). Teile meiner Liste überschneiden sich mit meinem vorherigen Beitrag und aus gutem Grund: Einige Lektionen lohnt sich wieder zu wiederholen und erneut zu lesen.

Hier ist Teil 1 dieser Liste. Teil 2 ist derzeit in meinem sandigen, seewasserfleckigen Notizbuch begraben. Mein Plan ist es, in den nächsten Wochen damit nachzuverfolgen, sobald ich genug Zeit habe, um es in einen Qualitätsartikel zu verwandeln.

1. ML MEHR MEH

Dies ist ein Punkt, den ich versuche, nicht zu viel nachzudenken, oder es wird mir sagen: Sie haben Ihre Hausaufgaben nicht gemacht.

Als ich anfing, warfare mein interner Monolog so etwas wie: „Ich will nur ml. ““ Was auch immer das bedeutete; letztlich Trainieren Sie ein maschinelles Lernenmodell. Das Modelltraining ist ironischerweise oft der kürzeste und letzte Teil des gesamten Prozesses.

Jedes Mal, wenn ich endlich zum Modelltrainingsschritt komme, atme ich psychological auf Erleichterung auf, weil ich es durch das unsichtbare Teil geschafft habe: die Daten vorzubereiten. Es gibt nichts „Verkaufbar“ in lediglich die Daten vorbereiten. Nach meiner Erfahrung ist die Vorbereitung der Daten in keiner Weise auffällig (solange es intestine genug gemacht wird).

Hier ist das übliche Muster dafür:

• Sie haben ein Projekt.
• Sie erhalten einen realen Datensatz. (Wenn Sie mit einem intestine kuratierten Benchmark-Datensatz arbeiten, haben Sie Glück!)
• Sie möchten ein Modell trainieren.
• Aber zuerst… Datenreinigung, Fixieren, Verschmelzen, Validieren.

Lassen Sie mich Ihnen ein persönliches Beispiel geben, das Ich habe als lustige Geschichte erzählt (Was es jetzt ist. Damals bedeutete es, ein paar Tage maschinelles Lernen unter Zeitdruck wieder zu resotieren…).

Ich habe einmal an einem Projekt gearbeitet, bei dem ich die Vegetationsdichte (unter Verwendung des NDVI -Index) aus ERA5 -Wetterdaten vorhersagen wollte. ERA5 ist ein massiver Gitter-Datensatz, der frei im Europäischen Zentrum für Wettervorhersagen mit mittlerer Reichweite erhältlich ist. Ich habe diesen Datensatz mit NDVI -Satellitendaten von NOAA (im Grunde genommen der amerikanischen Wetteragentur) zusammengeführt, die Auflösungen sorgfältig ausgerichtet, und alles schien in Ordnung zu sein – keine Fehlanpassungen, keine Fehler wurden geworfen.

Dann rief ich die Datenvorbereitung an und trainierte ein Sehtransformatormodell auf dem kombinierten Datensatz. Ein paar Tage später habe ich die Ergebnisse und… Überraschung visualisiert! Das Modell dachte, die Erde sei auf den Kopf. Im wahrsten Sinne des Wortes waren meine Eingabedaten nach rechts, aber die Zielvegetationsdichte wurde am Äquator umgedreht.

Was warfare passiert? Ein subtiler Fehler in meiner Auflösungsübersetzung drehte die Breitengradorientierung der Vegetationsdaten um. Ich hatte es nicht bemerkt, weil ich bereits viel Zeit mit der Datenvorbereitung verbracht habe und schnell zum „lustigen Teil“ gelangen wollte.

Diese Artwork von Fehler ärgert sich in einem wichtigen Punkt: ML-Projekte in der realen Welt sind Datenprojekte. Insbesondere außerhalb der akademischen Forschung arbeiten Sie nicht mit Cifar oder ImageNet. Sie arbeiten mit chaotischen, unvollständigen, teilweise Labellel und Multi-Supply-Datensätzen, die erforderlich sind:

• Reinigung
• Ausrichten
• Normalisierung
• Debuggen
• Visuelle Inspektion

Und noch mehr ist diese Liste nicht exexhautiv. Dann alle oben genannten wiederholen.

Die Daten richtig machen Ist die Arbeit. Alles andere baut auf dieser (traurig unsichtbaren) Fundament auf.

2. Das Schreiben von Papieren ist wie die Vorbereitung eines Verkaufsgesprächs

Einige Papiere nur intestine lesen. Möglicherweise können Sie nicht erklären, warum, aber sie haben einen Fluss, eine Logik, eine Klarheit, die schwer zu ignorieren ist. Das ist selten zufällig*. Für mich stellte sich heraus, dass das Schreiben von Papieren ähnlich ist, um eine ganz bestimmte Artwork von Verkaufsgespräch zu erstellen. Du verkaufst deine Ideedein Ansatzdein Einblick zu einem skeptischen Publikum.

Dies warfare eine überraschende Erkenntnis für mich.

Als ich anfing, nahm ich an, dass die meisten Papiere genauso aussahen und fühlten. Alle von ihnen waren für mich „wissenschaftliches Schreiben“. Aber im Laufe der Zeit bemerkte ich, als ich mehr Papiere las, die Unterschiede. Es ist wie das Sprichwort: Außenstehende sehen alle Schafe gleich aus; Für den Hirten ist jeder unterschiedlich.

Vergleichen Sie beispielsweise diese beiden Papiere, auf die ich in letzter Zeit gestoßen bin:

Beide verwenden maschinelles Lernen. Aber sie sprechen mit unterschiedlichem Publikum mit unterschiedlichen Abstraktionsebenen, unterschiedlichen narrativen Stilen und sogar unterschiedlichen Motivationen. Der erste geht davon aus, dass die technische Neuheit von zentraler Bedeutung ist. Der zweite konzentriert sich auf die Relevanz für Anwendungen. Offensichtlich gibt es auch den visuellen Unterschied zwischen den beiden.

Je mehr Papiere Sie lesen, desto mehr erkennen Sie: Es gibt nicht eins Weg, um ein „gutes“ Papier zu schreiben. Es gibt viele Möglichkeiten, und der Weg variiert je nach Publikum.

Und es sei denn, Sie sind einer dieser sehr seltenen brillanten Köpfe (denken Sie an Terence Tao oder jemand dieses Kalibers), Sie brauchen wahrscheinlich Unterstützung, um intestine zu schreiben. Vor allem bei Anpassung eines Papiers für eine bestimmte Konferenz oder ein bestimmtes Journal. In der Praxis bedeutet dies, eng mit einer hochrangigen ML -Individual zusammenzuarbeiten, die das Feld versteht.

Das Erstellen eines guten Papiers ist wie die Vorbereitung eines Verkaufsgesprächs. Sie müssen:

• Rahmen Sie das Drawback richtig ein
• Verstehe deine Zielgruppe (dh Goal -Veranstaltungsort)
• Betonen Sie die Teile, die am meisten Resonanz finden
• Und polieren, bis die Nachricht bleibt

3. Die Fixierung des Fehlers ist der Weg nach vorne

Vor Jahren hatte ich diese romantische Idee von ML als Erkundung eleganter Modelle, Erfindung neuer Aktivierungsfunktionen oder das Erstellen von cleveren Verlustfunktionen. Das kann für eine kleine Reihe von Forschern zutreffen. Aber für mich sah der Fortschritt oft so aus: „Warum fährt dieser Code nicht aus?“ Oder noch frustrierender: „Dieser Code lief erst vor ein paar Sekunden-warum läuft er nicht mehr Jetzt? „

Nehmen wir an, in Ihrem Projekt müssen Imaginative and prescient -Transformatoren für Umwelt -Satellitendaten verwendet werden (dh der Modellseite von Abschnitt 1 oben). Sie haben zwei Optionen:

1. Implementieren Sie alles von Grund auf neu (nicht empfohlen, es sei denn, Sie fühlen sich besonders abenteuerlich oder müssen es für Kursnachweise tun).
2. Finden Sie eine vorhandene Implementierung und passen Sie sie an.

In 99% der Fälle ist Choice 2 die offensichtliche Wahl. Aber „einfach Ihre Daten einschließen“ funktioniert quick nie. Sie werden auf:

• Verschiedene Berechnungsumgebungen
• Annahmen über Eingangsformen
• Vorverarbeitung von Macken (z. B. Datennormalisierung)
• Hartcodierte Abhängigkeiten (von denen ich auch schuldig bin)

Schnell kann Ihr Tag zu einer endlosen Reihe von Debugging-, Backtracking-, Testen von Kantenfällen, Änderungen von Dataloadern, Überprüfung des GPU -Speichers ** und der Wiederaufnahme von Skripten. Dann beginnen die Dinge langsam zu funktionieren. Schließlich trainiert Ihr Modell.

Aber es ist nicht schnell. Es ist Fehler beheben Sie Ihren Weg nach vorne.

4. Ich (ganz mit Sicherheit) wird nicht machen Das Durchbruch

Sie haben definitiv von ihnen gehört. Der Transformator Papier. Die Gans. Stabile Diffusion. Es gibt einen kleinen Teil in meinem, der denkt: Vielleicht werde ich das nächste transformative Papier schreiben. Und sicher muss jemand. Aber statistisch gesehen werde es wahrscheinlich nicht ich. Oder Sie, Entschuldigung. Und das ist in Ordnung.

Die Werke, die dazu führen, dass ein Feld schnell ändert, sind per Definition außergewöhnlich. Diese Arbeiten sind außergewöhnlich, dass die meisten Werke, selbst gute Arbeit, kaum erkannt werden. Manchmal hoffe ich immer noch, dass eines meiner Projekte „in die Luft jagen“ würde. Aber bisher haben es die meisten nicht. Einige wurden nicht einmal veröffentlicht. Aber hey, das ist kein Misserfolg – es ist die Grundlinie. Wenn Sie erwarten, dass jedes Papier ein Homerun ist, sind Sie auf der schnellen Spur enttäuscht.

Gedanken schließen

Für mich erscheint maschinelles Lernen oft als schlankes, modernes Feld-eines, in dem sich Durchbrüche gleich um die Ecke haben und wo das „Tun“ intelligente Menschen mit GPUs und Mathematik Magie machen. Aber in meiner täglichen Arbeit ist es selten so.

Meistens besteht meine tägliche Arbeit aus:

• Umgang mit unordentlichen Datensätzen
• Debugging -Code aus GitHub gezogen
• Redrapferpapiere immer und immer wieder
• Wiederum neuartige Ergebnisse produzieren

Und das ist okay.

---

Fußnoten

Der vorherige Artikel erwähnte: https://towardsdatascience.com/lessons-lenarned-after-6-5-Jahre-of-machine-learning/

* Wenn Sie interessiert sind, ist mein Lieblingspapier das eine: https://arxiv.org/abs/2103.09762. Ich habe es vor einem Jahr an einem Freitagnachmittag gelesen.

** Bis heute erhalte ich immer noch E -Mail -Benachrichtigungen darüber, wie das Löschen des GPU -Speichers im Tensorflow unmöglich ist. Dieses 5-jährige GitHub-Drawback gibt die Particulars.

Martin Luther King Jr. ist berühmt für seine Rede, „Ich habe einen Traum.” Er hielt es am 28. August 1963 im Lincoln Memorial in Washington, D.C. vor etwa 250.000 Menschen. Sie gilt als eine der bedeutendsten Reden des 20. Jahrhunderts. Es spielte eine entscheidende Rolle in der Bürgerrechtsbewegung für schwarze Amerikaner.

Während dieser Rede sagte er, dass er von einem Tag träume, an dem seine vier Kinder in einer Nation leben würden, in der Menschen nicht nach ihrer Hautfarbe, sondern nach ihrem Charakter beurteilt werden.

Auch ich hatte vor einigen Jahren einen Traum. Es struggle nicht so glorreich und hat den Lauf der Geschichte nicht so verändert wie das von Martin Luther King. Mein Ziel struggle es, Datenwissenschaftler zu werden.

Nicht wegen des Prestiges oder weil es im Development lag (und immer noch ist), sondern weil ich es wirklich liebe, mit Daten zu arbeiten, komplexe Probleme zu lösen und Erkenntnisse zu nutzen, um Geschäftsergebnisse voranzutreiben. Als ich Datenwissenschaftler wurde, trafen meine einzigartigen Fähigkeiten und Leidenschaften aufeinander. Weißt du, das Candy Spot, der zu einer erfüllenden Karriere führt.

Meine Reise struggle nicht einfach. Ich wusste weder, wo ich anfangen sollte, noch wusste ich, was ich als nächstes tun sollte. Ich nahm an verschiedenen Kursen teil, von denen sich viele als nicht hilfreich erwiesen. Ich habe auch unzählige Artikel über Information Science gelesen. Während es harte Arbeit erfordert, Datenwissenschaftler zu werden, habe ich viel Mühe auf Dinge verwendet, die letztendlich nicht notwendig waren.

Ich wünschte, jemand hätte mir die Anleitung gegeben, die ich gleich mit Ihnen teilen werde. Dies ist der Zweck dieses Artikels. Die gute Nachricht? Das Befolgen dieser Schritte ist keine Garantie für einen Job als Datenwissenschaftler, aber sie werden Ihre Chancen erheblich verbessern – auch ohne Doktortitel! Ich kenne mehrere Fachleute, die sich ohne Doktortitel als Datenwissenschaftler hervorgetan haben. Der Erfolg in diesem Bereich hängt vor allem von Beharrlichkeit und praktischer Erfahrung ab.

„Der Anfang ist der wichtigste Teil jeder Arbeit.“

— Platon

Untersuchungen zeigen dass ein Kleinkind über einen Zeitraum von zwei bis drei Monaten etwa 14.000 Schritte macht und 100 Stürze professional Tag erlebt, bevor es das Laufen beherrscht. Dennoch bleiben sie hartnäckig und denken nie daran, aufzugeben.

Im Gegensatz dazu machen wir als Erwachsene oft das Gegenteil. Wir neigen dazu, aufzugeben, sobald wir auf Hindernisse stoßen. Wo ein Erwachsener 100 Misserfolge sieht, sieht ein Child 100 Lernmöglichkeiten. Das Child analysiert sein Versagen nicht zu sehr und überschätzt die Risiken nicht. Es fängt einfach an, versucht es, fällt und versucht es erneut!

Betrachten Sie die Geschichte von Justin Kan, dem Mitbegründer von Twitch. Seine unternehmerische Reise begann nicht mit einem Blockbuster-Erfolg. Es begann mit dem, was er als „Scheiß erster Begin„Kiko genannt, eine On-line-Kalender-App. Kiko konkurrierte mit Giganten wie Google Kalender, wurde aber schließlich bei eBay für 258.100 US-Greenback verkauft!

Als nächstes startete er Justin.television, eine Plattform, auf der er sein Leben rund um die Uhr dwell streamte. Aus Justin.television wurde schließlich Twitch, eine Reside-Streaming-Plattform mit Schwerpunkt auf Gaming. Im Jahr 2014 erwarb Amazon Twitch für 970 Millionen US-Greenback!

Wie Justin Kan sagte: „Warten Sie nicht. Bauen Sie jetzt Ihr erstes beschissenes Startup auf.”

Dieser Rat gilt auch für Ihre Reise in die Datenwissenschaft. Irgendwo anfangen. Beginnen Sie jetzt Ihren Lernprozess. Auch wenn sich Ihr erster Versuch „beschissen“ anfühlt und Sie nicht sicher sind, wo Sie anfangen sollen, ist es in Ordnung. Sie können auf Ihren anfänglichen Bemühungen aufbauen, und nichts hindert Sie daran, Ihre Richtung im Laufe der Zeit anzupassen. Sie müssen jetzt und irgendwo anfangen.

Der Kathedrale von Beauvais in Frankreich sollte im 13. Jahrhundert die höchste Kathedrale der Welt werden. Sein ehrgeiziges Design sprengte die Grenzen der gotischen Architektur. Allerdings kam es 1284 zu einem bemerkenswerten Einsturz, als das Chorgewölbe aufgrund unzureichender Fundamente und struktureller Unterstützung einstürzte. Es ist bis heute unvollendet.

Dies dient als starke Analogie für Ihre Reise in die Datenwissenschaft. Sie könnten (wir alle) versucht sein, direkt in die spannenden Teile einzutauchen, wie zum Beispiel Deep-Studying-Modelle, LLMs oder die neuesten Frameworks für maschinelles Lernen. Aber wie bei der Kathedrale von Beauvais könnte Ihr ehrgeiziger Plan ohne ein solides Fundament scheitern. Um sicherzustellen, dass Ihr Wissen fundiert genug ist, um fortgeschrittenere Konzepte zu unterstützen, ist es wichtig, zunächst die Grundlagen zu erlernen.

Mathematik: Ihre universelle Sprache

Stellen Sie sich Mathematik als die Sprache der Muster vor. Überall gibt es Mathematik. Und ganz ehrlich: Wenn Sie Mathematik nicht mögen, ist eine Karriere in der Datenwissenschaft möglicherweise nicht die richtige Wahl für Sie.

Sie müssen kein Mathematiker werden, aber Sie müssen die folgenden Schlüsselkonzepte verstehen:

• Lineare Algebra (Matrizen, Vektoren usw.): Stellen Sie sich Matrizen und Vektoren als die Sprache vor, in der Daten kommunizieren. Wenn Sie diese Konzepte verstehen, können Sie Datenstrukturen für Algorithmen für maschinelles Lernen manipulieren.
• Kalkül (Differenzierung, Integration, Gradient usw.): Sie sind für die Optimierung von Modellen unerlässlich, wie etwa Gradienten beim Coaching neuronaler Netze.
• Statistiken (Verteilungen, deskriptive Statistiken usw.): Hier lernen Sie, die Geschichten zu interpretieren, die Daten erzählen. Wenn Sie Konzepte wie Verteilungen und deskriptive Statistiken verstehen, können Sie fundierte Entscheidungen auf der Grundlage von Datenmustern treffen.

Eintauchen in die Programmierung

Wenn Ihre mathematischen Grundlagen vorhanden sind, wird die Programmierung Ihre Ideen zum Leben erwecken. Während einige dafür plädieren, R in der Datenwissenschaft zu erlernen, zeichnet sich Python durch seine Vielseitigkeit und weit verbreitete Verwendung in der Branche aus. Darüber hinaus verwenden die meisten Leute, die ich kenne, Python. Für die meisten Anwendungsfälle ist es mehr als ausreichend. Konzentrieren Sie sich auf:

• Grundlegende Syntax und Funktionen: Verstehen Sie, wie Python auf einer grundlegenden Ebene funktioniert. Es ist, als würde man ein Alphabet lernen, bevor man Geschichten schreibt.
• Datenstrukturen: Pay attention, Wörterbücher, Tupel – wissen, wie man sie verwendet. Es ist entscheidend für den Umgang mit realen Daten.
• Kontrollflussanweisungen: Beherrschen Sie „if-Anweisungen“, „for-Schleifen“ und „while-Schleifen“. Damit können Sie Logik implementieren, die komplexe Probleme lösen kann. Mit einfachen Aussagen können Sie viel mehr erreichen, als Sie denken!
• Objektorientierte Programmierung: Verstehen Sie das Konzept von Klassen, Funktionen und Objekten. Dadurch können Sie effizienten, wiederverwendbaren Code schreiben. Es erleichtert auch die Zusammenarbeit mit anderen.

SQL: Ihre Datenbanksprache

Daten werden oft in Datenbanken gespeichert, auf die Sie zugreifen und die Sie bearbeiten müssen. SQL ist Ihre Sprache für die Interaktion mit diesen Daten.

• Interaktion mit Datenbanken: Lernen Sie grundlegende SQL-Befehle zum Abrufen, Aktualisieren und Verwalten von Daten.

Maschinelles Lernen: Daten in Erkenntnisse verwandeln

Als Nächstes können Sie mit dem maschinellen Lernen fortfahren, nachdem Sie Mathematik, Programmierung und Datenverarbeitung verstanden haben. Konzentrieren Sie sich auf:

• Algorithmen verstehen: Beginnen Sie mit dem Erlernen von Algorithmen wie linearer Regression, Entscheidungsbäumen und Clustering-Methoden. Dies sind die Grundlagen für komplexere Modelle.
• Überwachtes vs. unbeaufsichtigtes Lernen: den Unterschied zwischen diesen beiden Kerntypen des maschinellen Lernens verstehen. Beim überwachten Lernen werden Modelle mit gekennzeichneten Daten trainiert, während beim unüberwachten Lernen unbeschriftete Daten zum Einsatz kommen.
• Modellbewertung: Erfahren Sie, wie Sie die Leistung Ihrer Modelle mithilfe von Metriken wie dem F1-Rating für Klassifizierungsmodelle, der Wortfehlerrate für die Spracherkennung oder dem RMSE für die Zeitreihenanalyse bewerten.
• Function-Engineering: Es ist die Kunst, Ihre Rohdaten so umzuwandeln, dass Ihre Modelle sie verstehen können. Dies macht oft einen größeren Unterschied als die Verwendung eines ausgefallenen Algorithmus. Sie können ein Beispiel sehen Hier.
• Bibliotheken und Frameworks: Machen Sie sich mit beliebten Python-Bibliotheken für maschinelles Lernen vertraut, wie z. B. scikit-learn, TensorFlow und PyTorch.

Denken Sie daran, dass es beim maschinellen Lernen nicht nur um die Anwendung von Algorithmen geht. Es geht darum, das Drawback, das Sie lösen möchten, zu verstehen und den richtigen Ansatz zu wählen.

Geschäftssinn: Technische Fähigkeiten in geschäftliche Auswirkungen umwandeln

Viele Menschen kontaktieren mich, wenn es um den Beginn einer Karriere in der Datenwissenschaft geht. Sie verfügen in der Regel über beeindruckende Qualifikationen wie einen Doktortitel und einen fundierten Hintergrund in Mathematik. Trotz dieser beeindruckenden Referenzen fällt es vielen jedoch schwer, in diesem Bereich Fuß zu fassen. Der Grund? Es mangelt ihnen an Geschäftssinn.

Technische Fähigkeiten sind unerlässlich. Hier ist jedoch die Wahrheit. Das beste KI-Modell hat einen Wert von 0 $, wenn es ein Geschäftsproblem nicht löst. Ich habe brillante Datenwissenschaftler scheitern sehen, weil sie ausgefeilte Modelle erstellt haben, die niemand verwendet hat. Der Schlüssel? Lernen Sie, wie ein Unternehmer zu denken.

Zum Beispiel:

• Geschäftsprobleme übersetzen: Anstatt nur ein Vorhersagemodell zu erstellen, sollten Sie fragen: „Wie unterstützt dieses Modell die Entscheidungsfindung im Unternehmen?“
• Priorisierung der Wirkung: Konzentrieren Sie sich auf Probleme, bei denen Information Science den größten Nutzen generieren kann, anstatt komplexe Lösungen zu verfolgen, die kein Geschäftsproblem lösen.