Machine-Learning

Warum erlebt Machine-Learning gerade so einen Boom?

Bis vor nicht allzu vielen Jahren war das Thema nur an Universitäten, Technologieunternehmen und Forschungsinstituten relevant. Da heutzutage jedoch unser Alltag und das Geschäftsleben immer mehr von Programmen mit künstlicher Intelligenz bestimmt werden und sie zunehmend in ganz normalen Produkten und Lösungen eingebaut sind, wird das Thema heiß diskutiert.

Der GARTNER HYPE CYCLE listet zahlreiche Entwicklungen innerhalb des Segments „Machine Learning“ bereits auf dem Weg zum tatsächlichen, regelmäßigen Einsatz. Die Spitze der überzogenen Erwartungen wird allmählich hinter sich gelassen, die Elemente nähern sich einer produktiven Einbindung. Als Beispiel lassen sich z.B. CHATBOTS mit Spracherkennung anführen, wie beispielsweise von uns bei unserem Kunden Sausalitos eingebaut.

Der Bot erkennt natürliche Sprache (z.B. „Ich will einen Tisch für 3 Personen reservieren“), extrahiert die relevanten Infos und antwortet in vorgefertigter Form auf die Anfrage.

Was ist Machine-Learning?

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz und einer der zentralen Artificial-Intelligence-Disziplinen. Damit werden IT-Systeme bezeichnet, die aufgrund von vorhandenen Daten und Algorithmen bestimmte wiederkehrende Muster und Gesetzmäßigkeiten erkennen und daraus individualisierte Lösungen entwickeln.

Grundvoraussetzung ist die Entwicklung von Regeln für die Datenanalyse und die Erkennung von Mustern. Nur durch diese Mustererkennung ist es möglich, künstliches Wissen aus bestehender Erfahrung zu generieren. Die gewonnenen Erkenntnisse bzw. das künstlich gewonnene Wissen können für neue Problemlösungen und bisher unbekannte Daten verwendet werden.

Die fünf Kategorien des Machine Learning

Machine Learning unterscheidet fünf Lernkategorien. Bei dem sog. “überwachten Lernen” werden im Vorhinein Beispielmodelle definiert und spezifiziert um die Informationen passend zu den Modellgruppen der Algorithmen zuzuordnen. Das “unüberwachte Lernen” bildet die Modellgruppen der Algorithmen automatisch aufgrund bereits selbst erkannter Muster. Die Kategorie “teilüberwachtes Lernen” ist eine Mischung der beiden Methoden. Die Lernkategorie “bestärkendes Lernen” basiert auf dem Prinzip Belohnungen und Bestrafungen. Der Algorithmus lernt dadurch, wie er auf bestimmte Situationen reagieren soll. Diese Lernkategorie ähnelt dem Prinzip des menschlichen Lernens sehr stark. Die Kategorie “aktives Lernen” bietet dem Algorithmus die Möglichkeit, die gewünschten Ergebnisse zu erfragen. Hierbei wird im Hintergrund eine Auswahl von relevanten Fragen mit hoher Ergebnisrelevanz von dem Algorithmus abgefragt, um zum passenden Ergebnis zu kommen.

Die Datenbasis kann je nach Struktur online oder offline vorliegen. Das synchrone Vorhandensein von Ein- und Ausgabe-Paaren oder die zeitlich versetzte Entwicklung kann entweder zu einem Batch-Lernen oder einem sequenziellen Lernen führen.

Wie genau funktioniert Machine-Learning?

Machine Learning kann nur funktionieren, wenn der Algorithmus neues Wissen aus vorherigen Erfahrungen generieren kann. Als Resultat daraus muss er bestimmte Muster und Erkenntnisse erkennen. Dieses Wissen und die Verwertung der Erkenntnisse müssen zu Beginn in einem gewissen Rahmen vorgegeben werden. Das System entwickelt sich anschließend selbstständig immer weiter und ist in der Lage Rückschlüsse zu ziehen oder Prognosen für bestimmte Entwicklungen treffen.

Das Prinzip des maschinellen Lernens wird am besten anhand eines konkreten Beispiels erklärt: Auf einer Bildreihe sind bestimmte Objekte zu sehen. Der Programmierer muss dem Computer anhand einer vorgegebenen Bilderreihe mitteilen, dass ein bestimmtes Objekt beispielsweise “ein Hund” ist und ein anderes “kein Hund”. Im weiteren Verlauf erhält das System vom Programmierer immer wieder Rückmeldungen, die der Algorithmus nutzt, um bestimmte Modelle anzupassen, optimieren und zu verfeinern. Somit wird es immer besser, bzw. intelligenter und kann schneller und leichter “einen Hund” von “keinem Hund” unterscheiden.

Der Lernerfolg ist somit direkt abhängig von der Datenmenge. Je größer die Datenmenge, also je vielfältiger die Unterscheidung zwischen „Hund“ und „kein Hund“ ausfällt, umso mehr Erfahrung zieht das System aus den Daten.

Die Existenz von Big Data macht das Machine Learning also erst möglich.

Wo wird Machine-Learning angewendet?

Machinelles Lernen wird immer dort wichtig, wo einfache, aber zeitaufwendige Prozesse ablaufen. Arbeiten, die für Menschen zu zeitaufwendig und aufgrund der Konformität zu fehlerhaft werden.

Einige Beispiele dafür wären Bildidentifizierung, Produktklassifizierung, das Ausschleusen von Duplikaten oder zielgerichtete Datensuche. Im nächsten Schritt fällt auch die rudimentäre Textgenerierung oder die Anwendung von ChatBots darunter. Auch können Social-Media-Kanäle hinsichtlich bestimmter Vorgaben analysiert werden. Individuell personalisierte Werbung ist ebenfalls ein Anwendungsgebiet von maschinellen Lernprozessen.

Maschinenlernen sorgt für eine Big Data-Auswertung in Echtzeit. Unternehmen können somit schnell Trends erkennen und auf Ereignisse reagieren. Maschinelle Lernprogramme können auch häufig auftretende Fehler identifizieren und somit die Ressourcen & Produktionsplanungen von Unternehmen optimieren. Dank der steigenden Datenmenge und des technischen Fortschritts wird auch die Bearbeitung komplexer Zusammenhänge immer lukrativer.

Anwendungsbereiche von Machine Learning

Machine Learning wird bereits in mehreren Bereichen verwendet. Diese Methoden sind jedoch nur eine erste Annäherung an die Thematik. Zukünftig sind die Grenzen von Machine Learning nach oben offen. Mit zunehmender Sicherheit steigt die Möglichkeit für kreative Anwendungsmöglichkeiten. Aktuell ist Machine Learning vor allem bei folgenden Projekten einsetzbar.

• Bilderkennung: Man hat einen Bildpool von mehreren tausend Bildern und möchte sich durch Digital Asset Management einen Überblick verschaffen, welches Bild an welcher Stelle ausgespielt wird
• Chatbots: Selbstlernende Chatbots lernen den optimierten Umgang mit Kunden, unterstützen beim Support und liefern selbstständig zufriedenstellende Antworten auf die wichtigsten Fragen
• Dynamisches Ausspielen von verschiedenen Seiten innerhalb einer Digitalen Plattform an vorab definierte Zielgruppen

Machine-Learning und Deep-Learning?

Der Begriff Deep-Learning fällt oft im Zusammenhang mit Machine-Learning. Deep Learning geht noch einen Schritt weiter geht und konzentriert sich auf eine engere Untergruppe der künstlichen Intelligenz. Die Daten- und Trendanalyse erfolgt noch umfangreicher, um noch exaktere Schlussfolgerungen zu ziehen.

Streamingdienste können so Nutzern aufgrund der Sehgewohnheiten, Bewertungen und Verweildauer individuell weitere lohnende Beiträge empfehlen. Auch Google, Facebook und Apple nutzen Deep-Learning in Kombination mit Machine-Learning.

Die Erkennung von Objekten in Bildern ist eines der wichtigsten Einsatzgebiete von Deep-Learning neben der Spracherkennung. Dafür wird ein analoger Mechanismus verwendet, der vergleichbar mit dem eines Kleinkindes ist.

Egal ob Deep-Learning oder Machine-Learning-Systeme, beide werden gleichermaßen mit jeder einzelnen Anwendung komplexer, genauer und somit auch “intelligenter”.

Fazit

Machine Learning ist kein Trend der Zukunft, sondern bereits jetzt sehr real. Die Effekte für User und die Auswirkungen auf Arbeitsprozesse werden weiter steigern. Unternehmen, die dieses Potential bereits jetzt nutzen, profitieren von einer verbesserten Datenanalyse, optimierten Arbeitsprozessen und einem tatsächlichen Mehrwert.