« Back to home

Machine Learning (ML)

Machine Learning (ML), Deep Learning was ist das denn?

Maschinelles Lernen ist im Alltag angekommen: Ob Chatbot oder Thermostat, oder selbstfahrende Autos die sich besser Verkehr zurecht finden und Medizinsoftware die Krebszellen besser als der Mediziner erkennt, überall verstecken sich selbstlernende Systeme.

Deep Learning ist eine Untergruppe des maschinellen Lernens und basiert auf neuronalen Netzen.


Wissensnugget zum Thema Maschinelles Lernen

Wollen wir einer Maschine beibringen, eine Katze zu erkennen, füttern wir sie mit tonnenweise Katzenbildern. Das Programm erkennt daraufhin Zusammenhänge zwischen den einzelnen Bildpixeln, die eine Katze zu einer Katze oder ein Bügeleisen zu einem Bügeleisen machen. Dann geben wir der Maschine Feedback darüber, ob sie das Bild richtig erkannt hat oder nicht. Die Maschine wiederum speist diese Information wieder am Anfang des Kreislaufs ein. Damit der Computer die Katze nicht für ein Bügeleisen hält, muss also vor allem ihr Futter, das Datenfutter stimmen.

Machine Learning / Funktionsweise

Wenn wir heutzutage von künstlicher Intelligenz reden, meinen wir eigentlich immer eine schwache KI, ein Expertensystem, das genau eine Aufgabe oder ein Problem lösen oder bewältigen kann. Um dies zu bewerkstelligen werden normalerweise selbstlernende Algorithmen benutzt - hier wird von maschinellem Lernen oder Machine Learning gesprochen.

Beispiel: Möchte wir Bilder von Katzen und Hunden mit einem herkömmlichen Algorithmus unterscheiden, so würde wir versuchen die Unterschiede die eine Katze und einen Hund ausmachen, zu beschreiben. Mögliche Unterscheidungsmerkmale wären vielleicht die Kontur der Tiere, die unterschiedliche Größe, die Form der Ohren oder des Fells. Hier merken wir schon, wir müssen uns sehr viele Gedanken um die Beschreibung der richtigen Merkmale machen, die einen Hund oder eine Katze ausmachen, um einen Algorithmus zu erzeugen der beide unterscheiden kann. Beim maschinellen Lernen wird der selbstlernende Algorithmus lediglich mit vielen Bildern versorgt, die bereits der richtigen Ausgabe, “Hund” oder “Katze”, zugeordnet sind. Anschließend lernt der Algorithmus komplett selbständig, welche Merkmale für die Unterscheidung wichtig sind und wie er einen Hund von einer Katze auseinander halten kann.

Dies ist auch der Grund warum Daten so ungemein wichtig sind - manche sprechen davon, dass Daten das neue Öl seien. Ohne eine angemessene Anzahl an Eingabe und Ausgabe Beispielen, kann mittels maschinellem Lernen kein Algorithmus entwickelt werden, der das Problem löst.

Maschinelles Lernen verändert derzeit unser Leben. Immer mehr simple, geistig nicht fordernde Aufgaben werden mithilfe von selbstlernenden Algorithmen vereinfacht oder können sogar komplett automatisiert werden. Die Frage ist nicht ob sich unser Leben verändern wird, sondern vielmehr, wie wir uns daran beteiligen wollen um nicht nur vom Rand zuzusehen sondern selbst mitzugestalten.

Anwendungsfälle

Das unterscheiden von Katzen- und Hundebildern hilft den meisten Unternehmen nun aber nicht wirklich, die Kundenzufriedenheit oder den Umsatz zu steigern. Es sei denn wir betreiben ein Portal für Tiere. Wie kann diese viel gelobte Technologie nun dafür genutzt werden, um meine Produkte oder Dienstleistungen zu verbessern und dadurch den Umsatz zu erhöhen oder Kosten zu verringern?

Predictive Analytics

Predictive Analytics bietet anhand von Datenmodellen eine Entscheidungshilfe für Unternehmen, indem es aufzeigt, wie sich Situationen in der Zukunft entwickeln können. So können Sie sich einen Wettbewerbsvorteil für Ihr Unternehmen verschaffen!

Predictive Maintenance

Diese Art der PA wird meist in der Produktion angewandt. Die Daten von Maschinen werden analysiert, um die Beanspruchung und den Verschleiß zu berechnen. So kann die Maschine schon bevor ein Defekt zu Tage tritt, melden, dass beispielsweise eine Schraube ausgewechselt werden muss. Ein Gesamtausfall einer Produktion wird somit vermieden, da Schwachstellen frühzeitig identifiziert oder gar verhindert werden können.

Predictive Quality

Auch das Identifizieren von fehlerhaften Produkten kann durch Predictive Analytics vereinfacht werden. Dazu müssen lediglich die Musterdaten von Sensoren bekannt sein, die auf Mängel in der Qualität hinweisen.

Predictive Policing

Wer den Film (oder das Buch) Minority Report kennt, wird sich unter Predictive Policing sehr gut etwas vorstellen können. Hierbei geht es darum, anhand von Daten zu ermitteln, in welchen Stadtgebieten und zu welchen Uhrzeiten am wahrscheinlichsten Verbrechen passieren, sodass genau in diesen Gegenden mehr Patrouillen fahren können.

Fraud Detection

Eine sehr wichtige Art der Predictive Analytics ist die fraud detection. Darunter wird die Entdeckung und Vorbeugung von Betrug und Unterschlagung verstanden. Algorithmen sind dabei in der Lage, verdächtige und fehlerhafte Vorgänge zu erkennen und sogar Vorgänge aufzuhalten, bis sie manuell überprüft worden sind.

Dokumentenverarbeitung

Bei euch fallen viele Dokumente an die Verarbeitet werden müssen? Ob Rechnung, Auftragsbestätigung oder E-Mails im Unternehmensalltag fallen viele Textdokumente aus die verarbeitet werden müssen. Dafür sind oft mehrere Mitarbeiter damit beschäftigt Daten aus den Dokumenten zu übertragen oder wiederkehrende Antworten zu formulieren.

Durch maschinelles Lernen können diese repetitiven Aufgaben reduziert werden. Einmal angelernt kann die künstlichen Intelligenz einen Großteil der simplen Arbeit übernehmen und den Mitarbeitern dadurch mehr Zeit für die wichtigen Aufgaben freiräumen. Dokumente können in inhaltliche Segmente wie Anfrage zum Liefertermin oder Reklamation unterteilt werden, spezielle Werte wie Rechnungsdatum oder Gesamtbetrag können ausgelesen werden oder die Kommunikation mit dem Kunden auf seine Emotionen untersucht werden.

Produktempfehler

Oft sind Kunden mit der größte des heutigen Sortiments komplett überfordert und man findet im Produktjungle nicht das, was man tatsächlich sucht. Hier können virtuelle Empfehlungsmaschinen helfen, so genannte Recommender Systeme. Hat man also bereits Daten über das Kaufverhalten seiner Kunden, so kann eine Analyse ihres Kaufverhaltens dazu führen, das Ihnen deutlich bessere Produkte angezeigt werden. Zusätzlich kann man auch gezielter Werbung im eigenen Newsletter schalten und mit etwas werben, was den Kunden tatsächlich interessiert. Dies funktioniert übrigens nicht nur anhand der Produktbeschreibung, sondern auch anhand von Bildern. Hier kann dann die visuelle Ähnlichkeit von Produkten mit einbezogen werden. Dies alles sorgt dafür, das Kunden weniger Zeit zum suchen brauchen, sondern mehr Zeit für das finden haben und dadurch den Umsatz steigern.

Welche Branchen profitieren von Predictive Analytics?

Personalmanagement

Im HR kann Predictive Analytics viele Vorteile haben. Sie können beispielsweise anhand der Analyse Ihr Personal halten, da frühzeitig identifiziert werden kann, bei wem eine Kündigung wahrscheinlich ist. Auch bei der Personalbeschaffung kann PA helfen, indem es die beste Qualifikation für eine Stelle ermittelt.

Versicherungsbranche

Die Beitragshöhe für einen Kunden kann durch PA individuell kalkuliert werden, indem die Unfallgefährdung durch Predictive Analytics ermittelt wird. Dazu werden relevante Faktoren wie Alter, Gesundheit und Erfahrung des Fahrers in die Analyse miteinbezogen.

Finanzbranche

Für die Banken ist gerade das Erkennen von Risiko und Missbrauch sehr wichtig. PA hilft dabei, die Risikowahrscheinlichkeit zu berechnen, sodass beispielsweise bei dem Kredit-Scoring ermittelt wird, ob der Kunde die zukünftigen Raten bezahlen kann.

Gesundheitswesen

Krankheitsverläufe können durch die Methoden der Predictive Analytics vorhergesagt werden. So können Ärzte einen idealen Behandlungsplan erstellen. Zusätzlich kann PA auch bei der Diagnosefindung eingesetzt werden.

Energiebranche

Bild von Windrädern auf einer grünen Wiese Auch der Stromverbrauch der Kunden kann durch PA vorausgesagt werden. Dadurch kann beispielsweise die benötigte Einspeisung von Wind- und Wasserkraftenergie exakt reguliert werden.

Weitere Anwendungsbeispiele für das Machine Learning

Machine Learning hat ein sehr großes Spektrum an Anwendungsmöglichkeiten. Im Internetumfeld kommt maschinelles Lernen beispielsweise für folgende Funktionen zum Einsatz:

  • Selbstständiges Erkennen von Spam-Mails und Entwicklung geeigneter Spam-Filter
  • Sprach- und Texterkennung für digitale Assistenten
  • Bestimmung der Relevanz von Webseiten für Suchbegriffe
  • Erkennung und Unterscheidung der Internetaktivität von natürlichen Personen und Bots
    Personalisierte Werbung oder den Empfehlungslisten auf Netflix oder Amazon verbergen sich Machine Learning Algorithmen.

Weitere Technologien in denen Machine Learning zum Einsatz kommt:

  • Verkehr & Mobilität
  • Gesundheitswesen
  • Recht und Verwaltung (Legaltech)
  • Commerce, Marketing und Sales
  • IT Security
  • Digitale Assistenten
  • Predictive Logistics

Das Machine Learning wird uns in den nächsten Jahren verstärkt begleiten und immer neue Einsatzgebiete für sich erschließen.