Machine Learning

Was bringt Machine Learning? Ein Erklärungsversuch

This post is also available in: English

Die Schweiz, Deutschland und Österreich sind beim Einsatz neuer Technologien ein wenig zögerlich – dachte man bislang, und dieses Klischee hält sich beharrlich. In der Praxis der deutschen Unternehmen sieht das aber offenbar anders aus: Mehr als zwei Drittel aller bundesdeutschen Unternehmen setzten bereits Künstliche Intelligenz (KI) und Maschinelles Lernen ein oder befinden sich zumindest im Einführungsprozess entsprechender Projekte. Über 20 Prozent aller Unternehmen haben sogar mehrere Machine-Learning-Anwendungen in Betrieb. Das besagen die Ergebnisse einer Studie des Marktforschungsinstitutes IDG Research aus dem Jahr 2019. Doch was ist eigentlich Machine Learning und wofür kann man es in einer Wertschöpfungskette einsetzen? Dies und mehr erfahren Sie in diesem Beitrag.

Funktionsweisen von Machine Learning (ML)

Maschinelles Lernen ist eine Teilmenge der Künstlichen Intelligenz. Vernetzte IT-Systeme lernen automatisch aus Erfahrungen, so z. B. aus wiederkehrenden Datenmustern. Zu diesem Zweck werden für die jeweilige Aufgabe Algorithmen entwickelt. Oder anders ausgedrückt: Maschinelles Lernen dient der Entwicklung von Programmen, die wiederum auf Daten zugreifen, um Muster zu erkennen. Häufiges Einsatzgebiet ist die Auswertung und Analyse von grossen Datenmengen im Bereich Data Mining.

Damit Maschinelles Lernen (ML) überhaupt funktioniert und die eingesetzten Programme in die Lage versetzt werden können, Entscheidungen zu treffen, müssen die dazugehörigen Algorithmen von Menschen trainiert werden. Hierzu dienen Beispiel- und Trainingsdaten, in denen der Algorithmus Zusammenhänge und Muster erkennt, daraus lernt und Rückschlüsse zieht. Dieser Prozess wird auch als Modelltraining bezeichnet.

Sobald brauchbare Trainingsdaten vorliegen, ist Maschinelles Lernen in der Lage, Folgendes zu leisten:

  • Wahrscheinlichkeitsberechnungen für bestimmte Ereignisse
  • Erkennen von Zusammenhängen in vorliegenden Sequenzen
  • Komprimierung von Dimensionen ohne wesentliche Informationsverluste
  • Prognosen anhand der analysierten Daten treffen
  • Geschäftsprozessoptimierung im unternehmerischen Umfeld

Nutzen von Machine Learning im Unternehmen

Laut der oben angeführten IDG-Studie kommt der grösste Nutzen von ML den IT-Abteilungen sowie dem Kundenservice zugute. Dies wird u. a. damit begründet, dass vor allem sicherheitsrelevante Anwendungen KI-basierte Lernfunktionen nutzen, um Spam-Mails, ungewöhnliches Verhalten von Netzwerkkomponenten und Cyberangriffe zu erkennen. Selbes gilt für Anwendungen, die der Authentifizierung von IT-Nutzern dienen – hier sind insbesondere die Auswertung von biometrischen Daten zu nennen (Gesichtserkennung, Stimmanalyse usw.)

Des Weiteren spielen KI-Anwendungen in industriellen Produktionsumgebungen eine zunehmende Rolle. In netzwerkbasierten Fertigungssystemen kommen beispielsweise Programme für die Zustandsüberwachung sowie für die vorausschauende Wartung zum Einsatz. Auf der Hannover-Messe 2019 wurden entsprechende Lösungen präsentiert und bewiesen eindrucksvoll, dass Maschinelles Lernen durchaus das Zeug dazu hat, neue Geschäftsfelder zu erschliessen – Smart Factory sowie Industrie 4.0 lauten hier die gängigen Schlagwörter.

Wie steigt man als Unternehmen in die ML-Welt ein?

Wie soll ein Unternehmen vorgehen, das die ersten Schritte in Sachen Künstliche Intelligenz und Maschinelles Lernen wagen will? Hier hilft nur, entsprechende Projekte praxisorientiert anzugehen. Einfach machen und Erfahrungen sammeln lautet hier die Devise. Allerdings sollte in diesem Zusammenhang nicht der Faktor Mensch vergessen werden. Die Mitarbeiter müssen mitziehen, ggf. müssen Ängste und Vorurteile abgebaut werden. Experten sind sich einig, dass Machine Learning mittelfristig nur dann eine Chance hat, wenn sie als unterstützend wahrgenommen wird. Technologie als Bedrohung ist hier kein guter Ratgeber.

Ein weiterer Schwachpunkt, der den Einstieg in KI und ML oft erschwert, ist schlicht und einfach die fehlende IT-Infrastruktur. Hiermit ist nicht nur leistungsfähige Hardware gemeint, sondern auch sauber bewirtschaftete Datenbestände und nicht zuletzt gelebter Datenschutz und Datensicherheit. Hier stehen viele Unternehmen tatsächlich noch ganz am Anfang.

Der Machine-Learning-Prozess im Einzelnen

In der Praxis sieht der Ablauf eines maschinellen Lernprozesses wie folgt aus:

  • Festlegung des Problems, seiner Lösung und der dazugehörende Wissensaustausch. Das Ziel, das unter Einsatz von ML erreicht werden soll, muss bereits im Vorfeld eindeutig festgelegt werden.
  • Der aufwändigste Schritt ist die Datenbeschaffung, Feature Extraction und die Transformation. Hier ist es essenziell, hochwertige Datenbestände zu nutzen. Ein ML Feature Store kann hier hohe Effizienz schaffen.
  • In der Lernphase findet das eigentliche maschinelle Lernen statt, der ML-Algorithmus nimmt mit dem Training seine Arbeit auf.
  • Auswertung und Analyse der Ergebnisse. Hier ist die Modellinterpretation ein wichtiger Schritt für den Gesamtprozess. Hier ist der Punkt erreicht, an dem die Akzeptanz des maschinellen Lernens in den Fachabteilungen erzeugt werden soll. Die Mitarbeiter sollen den Nutzen erkennen und verstehen, was im Einzelnen im Algorithmus passiert.
  • Erst die produktive Nutzung sorgt dafür, dass ML einen echten Mehrwert schafft. Schliesslich ist es eine nutzlose Investition, Machine-Learning-Modelle zu erarbeiten und diese dann nicht einzusetzen. Allerdings sorgt die Komplexität der technischen Anforderungen mitunter dafür, dass die Produktivnahme des Systems nicht immer einfach ist.

Was ist Deep Learning?

Im Kontext des maschinellen Lernens fällt immer wieder der Begriff “Deep Learning“. Dies ist eine ML-Teilmenge, im Grunde ist das tiefe Lernen aus technischer Sicht auch immer maschinelles Lernen. Die Unterschiede liegen in den Fähigkeiten: Deep Learning ist in der Lage, mittels künstlicher neuronaler Netzwerke unstrukturierte Daten – Töne, Texte, Bilder usw. – zu verarbeiten und in digitale Daten umzuwandeln. Diese vorbereiten Daten werden dann im ML zum weiteren Lernen oder zur Mustererkennung verarbeitet. Herkömmliche Machine-Learning-Prozesse sind mit ihren Entscheidungsbaumverfahren nicht in der Lage, unstrukturierte Daten zu verarbeiten. So kann ein Algorithmos beispielsweise nicht mit reinen Bilddaten trainiert werden. Hier müsste wiederum der Mensch als mühsamen Zwischenschritt ein zeitintensives Feature Engineering betreiben. Diese Aufgabe nimmt ihm Deep Learning ab.

Praktische Einsatzgebiete für ML

In unserer digitalisierten Welt findet maschinelles Lernen beinahe überall einen Platz. Folgende Anwendungsbeispiele sollen dies veranschaulichen:

  • Jede Suchmaschine verwendet komplexe Algorithmen zum Erzeugen der gewünschten Informationen und lernt aus den Suchabfragen und den Ergebnissen jedesmal neu hinzu.
  • Im E-Commerce werden viele Projekte durch Recommender-Systeme für die Personalisierung des Einkauferlebnisses unterstützt.
  • In der Medizin können Wissenschaftler und Ärzte mittels analytischer Modelle krankheitsspezifische Risikofaktoren ermitteln.
  • Im CRM hilft ML dabei, Marketingkampagnen zu verbessern, Kündigungen vorauszusagen oder den Wert eines Kunden zu bestimmen.
  • Jeder Nutzer von Facebook, YouTube oder Instagram weiss, dass der für ihn bestimmte Content durch analytische Modelle individuell auf seine Bedürfnisse zugeschnitten ist. ML ermittelt in den Social Networks personalisierte Interessen und wertet Verhaltensmuster aus.

Fazit: Es gibt noch viel zu tun

Zusammenfassend kann festgestellt werden, dass bundesdeutsche Unternehmen gemäss der IDG-Studie aus 2019 in Sachen Akzeptanz von Maschinellem Lernen und KI bereits auf einem guten Weg sind. Selbst Unternehmen der KMU-Größenordnung beschäftigen sich mit diesem Thema und überlassen dies nicht den Big Playern. Aber auch eine nicht geringe Anzahl von Firmen stehen der Materie noch skeptisch gegenüber oder haben die strategische Bedeutung von ML und KI noch nicht begriffen. Vielfach werden diese Technologien mangelhaft oder gar nicht in die Geschäftsmodelle einbezogen. Hier gibt es einen deutlichen Nachholbedarf. Somit gibt es also noch viel zu tun, andernfalls drohen deutsche Unternehmen auf dem globalen Markt abgehängt zu werden.

0 Shares
Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .

You May Also Like