Was ist Machine Learning? Definition, Beispiele, Algorithmen, ML-Produkte und eine visuelle Erklärung in 9 Charts

0
Machine Learning ist schon heute die Basis vieler Anwendungen des täglichen Lebens. Höchste Zeit für eine Erklärung der Technologie und ihrer Anwendungen.

Inhaltsverzeichnis: Das erwartet Sie im Artikel

Definition: Machine Learning

Machine Learning ist die maschinelle Aufnahme, intelligente Analyse und zielgerichtete Verarbeitung von Daten in automatisierten Prozessen. Ziel ist es durch das Entdecken von Gemeinsamkeiten, Regeln und Mustern statistische Modelle zu entwickeln. Mit ihnen sollen Ereignisse oder Verhalten in der Zukunft vorhergesagt werden.
Infografik: Was ist Machine Learning?

Infografik: Was ist Machine Learning?

 

Machine Learning auf einen Blick

  • Maschinelles Lernen
  • Teilgebiet der künstlichen Intelligenz
  • Computersysteme lernen selbstständiges Lernen
  • Mustererkennung in Datensätzen
  • Algorithmen optimieren ihre Codes
  • Lernformen: supervised learning, unsupervised learning, semi-supervised learning, deep learning

Wie funktioniert Machine Learning?

Das maschinelle Lernen ist ein Teilgebiet der Forschung zur künstlichen Intelligenz. In diesem Bereich wird Algorithmen beigebracht Daten zu analysieren. Im Kern beschreibt ML die Generierung von neuen künstlich erzeugtem Erklärungen aus bereits gemachten Erfahrungen. In einer Welt, in der jede Sekunde unvorstellbar große Mengen an Daten produziert werden, wird es zusehends schwerer, wichtige Informationen daraus zu gewinnen. Machine Learning ist nach Trainingsphasen in der Lage, diesen exponentiell wachsenden Berg nach wiederkehrenden Mustern zu durchsuchen.
Infografik: Wie funktioniert Machine Learning?

Infografik: Wie funktioniert Machine Learning?

 

Aufbau (Modell) eines Machine Learning-Systems

Zum Bau eines ML-Systems bedarf es verschiedener Funktionen. Zunächst einmal müssen Daten gesammelt werden. Je nach Lernart geschieht das in größerem Umfang oder nur in geringen Mengen entweder durch den anleitenden Menschen oder aber durch die Maschine selbst. Anschließend braucht es eine Analyseeinheit für die zur Verfügung stehenden Informationen. Vielversprechende Werte müssen dann wahlweise für visuelle Darstellungen oder für Weiterverwendungen aufbereitet werden, um sie in statistische Modelle gießen zu können. Sie bilden die Basis für daraus resultierende Prognosen für zukünftige oder immer wieder eintretende Ereignisse. Was schlussendlich noch fehlt, ist eine Einrichtung, die den ordnungsgemäßen und ungestörten Ablauf der Berechnungen sicherstellt. Die Art der Untersuchungen, die Ausstattung und die Zielvorgaben im jeweiligen Analyseprozess entscheiden darüber, welche Form des Machine Learnings sich dafür am besten eignet.

Arten des Machine Learning

  • Überwachtes Lernen (supervised learning)
  • Nicht überwachtes Lernen (unsupervised learning)
  • Teilüberwachtes Lernen (semi-supervised learning)
  • Verstärkendes Lernen (reinforcement learning)
Infografik: Arten von Machine Learning

Infografik: Arten von Machine Learning

  • Überwachtes Lernen (Supervised Learning)

    Überwachtes Lernen ist das menschlich angeleitete Training von Algorithmen zur Mustererkennung in Datenmengen. Zu diesem Zweck legen Menschen vorab die Umgebungsfaktoren fest, nach denen die gelieferten Daten verarbeitet werden sollen. Dabei benennt der Trainer der Maschine zuerst die zu analysierenden Objekte, legt die erwünschten Zielvorgaben und den dafür nötigen Weg dahin fest. Anschließend gibt er sie in das System ein. Infografik: Supervised-Learning (Überwachtes Lernen) Die Algorithmen versuchen dann anhand der vorgegebenen Beispiele die zugrunde liegenden Regeln zu erkennen und zu erlernen. Ist das nach mehreren Durchläufen geglückt und der humane Anwender mit der Qualität des Ergebnisses zufrieden, geht es über zur nächsten Stufe. Nach der Identifizierung und Analyse der gefundenen Werte werden diese von den Computersystemen zu Gesetzmäßigkeiten verallgemeinert. Daran anschließend werden auf Basis der hier gewonnenen Erkenntnisse die digitalen Lernfunktionen in die Lage versetzt, unbekannte Datenansammlungen aufzubereiten. Am Ende können statistisch nachvollziehbare Vorhersagen über zukünftig eintretende Ereignisse getroffen werden. Erklärtes Ziel ist es dabei stetig neue Lösungen für bisher noch ungelöste Probleme automatisiert zu finden. Dazu wird den IT-Systemen u.a. auch ermöglicht, ihren Programmcode eigenständig zu ändern, um effizienter zu lernen und dadurch zu optimalen Lösungen zu gelangen. Bei diesem als Modelltraining bezeichneten Vorgang sollen sich die Systeme im Idealfall selbst an verändernde Umstände anpassen und neue Ermittlungswege finden.

    Beispiele für überwachtes Lernen

    Als Anwendungsfälle für überwachtes Lernen im Alltag gelten folgende Beispiele:
    • passende Kunden für Produkte finden
    • Umsatzprognosen
    • Faktoren für Kaufentscheidungen oder Kündigungen von Nutzern
    • Prognostizierte Kundenausgaben in den nächsten Monaten
    • möglicher Stromverbrauch
    • Risikobewertungen von Immobilien
    • Vorhersagen von Materialverschleiß in Maschinen
    • Handschriftenerkennung
  • Nicht überwachtes Lernen (Unsupervised Learning)

    Nicht überwachtes Lernen ist der selbstständige Vorgang von IT-Systemen, Gesetzmäßigkeiten in Datenansammlungen zu identifizieren. Im Gegensatz zum überwachten Lernen erhält die Maschine hier keine vorher gelieferten Vorgaben, sondern soll im Alleingang Gemeinsamkeiten zwischen Werten erkennen. Durch den ständigen und mehrfachen Vergleich von ähnlichen Daten soll der künstliche Organismus Assoziationen entwickeln, die ihm helfen, zusammenhängendes miteinander zu verbinden. Infografik: Unsupervised Learning (Unüberwachtes Lernen)  

    Beispiele für nicht überwachtes Lernen

    Beispiele für nicht überwachtes Lernen können sein:
    • Reduzierung komplexer Sachverhalte ohne Datenverlust
    • Identifizierung von unbekannten oder verborgenen Gruppen, Strukturen und Zusammenhängen
    • Große und komplexe Datenmengen anschaulich abbilden
    • Herausarbeiten von Abfolgen und Handlungsanweisungen für ML
  • Teilüberwachtes Lernen (Semi-supervised Learning)

    Teilüberwachtes Lernen ist eine Mischform aus dem überwachten und nicht überwachten Machine Learning. In ihm werden nur geringe Mengen an Ausgangsmaterial benötigt, um in Simulationen die erwünschten Ergebnisse zu erzielen.
  • Verstärkendes Lernen (Reinforcement Learning)

    Verstärkendes Lernen ist vergleichbar mit den Methoden, wie auch Menschen und Tiere Dinge ursprünglich erlernen. Zwar sind hier keine exemplarischen Vorbilder mehr nötig. Dafür tauscht sich das System ständig mit seiner Umwelt aus. Dabei wird die digitale Infrastruktur mittels Belohnungen und Strafen in die gewünschte Richtung dirigiert. Infografik: Reinforcement Learning (Verstärkendes Lernen) Die Systeme sind dabei genau wie ihre analogen Schüler stets bestrebt, den Umfang der Belohnungen zu maximieren, bei einer gleichzeitigen Reduktion der dabei anfallenden Kosten. Ziel ist die Entwicklung eigener Lernstrukturen, die Machine Learning befähigt, irgendwann auch ohne humane Vorarbeit zu validen Ergebnissen zu gelangen. Dafür bedarf es oft einer großen Anzahl von interaktiven Durchläufen, in denen die ML-Einheiten die bestmöglichen Lösungswege finden sollen. Die dabei genutzten Daten können wahlweise immer wieder online, offline oder auch nur zeitweise den Verarbeitungsprozessen zur Verfügung gestellt werden. Für Forschende in der Wissenschaft zur künstlichen Intelligenz liegt hier das große noch ungehobene Potential der Technologie. Eröffnen sich doch bei reibungslosen Abläufen eine Vielzahl von Einsatzmöglichkeiten.

    Beispiele für Einsatzgebiete von verstärkendem Lernen

    Beispiele für verstärkendes Lernen sind:
    • Erschaffung einer echten, vom Menschen unabhängigen Künstlichen Intelligenz (KI)
    • Autonome Robotik: KI lernt laufen
    • Autonome Fahrzeuge

Deep Learning: Teilbereich des Machine Learning

Deep Learning ist in der Lage auch nicht vorstrukturierte Daten zu verarbeiten. Dazu bedient es sich sogenannter neuronaler Netze. Diese künstliche Strukturen ähneln menschlichen Denkstrukturen und finden ihre Anwendung bei der Analyse von Tönen, Videos, Bildern und Texten. Diese werden dann in numerische Werte übersetzt und zur weiteren Auswertung oder für Lernprozesse extrahiert.

Machine Learning (KI) vs Deep learning

Machine Learning zeichnet sich dadurch aus, dass seine Algorithmen nach einem Training recht eigenständig Regelmäßigkeiten in Datenmengen erkennen kann. Basis dieser Analysen sind dabei aber von Menschen vorgegebene Parameter für die aufbereiteten Daten. Diese dürfen dabei aber nicht zu groß und sollten vorgeordnet sein. Beispielhaft dafür gelten überschaubare Informationen aus dem Logistikbereich oder dem Clientmanagement. Nur so lassen sich verlässliche Prognose daraus entwickeln. Auf all das ist Deep Learning (DL) nicht angewiesen. Diese Unterart des Machine Learning kommt sehr gut mit großen Datenbeständen klar. Darüber hinaus benötigt es keine Trainings oder Vorgaben. Es kann relative selbstständig Muster in Werteansammlungen identifizieren, Informationen aufbereiten und extrahieren. In immer wiederkehrenden Schleifen lernt es zudem den Lernprozess zu perfektionieren. Zur Anwendung kommt DL bei der Spracherkennung oder dem autonomen Fahren.
Infografik: Machine Learning vs Deep-Learning

Infografik: Machine Learning vs Deep-Learning

 

Algorithmen im Machine Learning Prozess

Je nach Lernprozess können verschiedene Algorithmusformen zum Einsatz kommen. Für das Supervised Learning sind das die lineare oder logistische Regression. Beim Unsupervised Learning trifft das auf K-Means und DB-Scan zu. Das Reinforcement Learning kommt genetic algorithm zum Einsatz. Und für das Deep Learning bedeutet das LSM. Folgende Algorithmen können in Machine Learning Prozessen zum Einsatz kommen:

Machine Learning Algorithmen für künstliche neuronale Netze

  • RNN (recurrent neural networks): rückgekoppelte neuronale Netze zur Identifizierung von Zeitangaben
  • FFNN (feed forward neural networks): erstes künstliches neuronales Netzwerk, Informationen bewegen sich immer nur vorwärts, ohne Schleifen oder

Machine Learning Algorithmen für Analysen von Clustern (Ähnlichkeitsstrukturen)

  • DB-Scan: dichtebasierter Algorithmus erkennt Cluster mit Rauschpunkteunterdrückung
  • K-Means: Vektorquantifizierung zur zur Gruppierung von Objekten
  • Self-organizing maps: kommen zum Einsatz in der Computergrafik und beim Data Mining
  • hierarchisches clustering: Verfahren distanzbazierter Clusteranalyse

Machine Learning Algorithmen für gradient boosted trees

Gradient boosted trees sind Entscheidungsbäume bei Klassifikations- und Regressionsaufgaben.
  • CatBoost: Open Source Softwarebibliothek, versucht kategorische Merkmale mit einem permutativen Algorithmus zu lösen
  • XGboost: Open Source Softwarebibliothek für ein regulierendes gradient boosting framework
  • LightGBM: Open Source Framework, Entscheidungsbaumalgorithmen für Klassifizierungs- und Rankinglernprozesse

Weitere Machine Learning Algorithmen

  • Random Forest: mehrere unkorrelierte Entscheidungsbäumen bilden ein Klassifikations-und Regressionsverfahren
  • K-Nearest Neighbour: Nächste Nachbar Klassifikation, nichtparametische Schätzungsfunktion zur Schätzung von Wahrscheinlichkeitsdichtefunktionen
  • SVM (Support Vector Machine): Klassifikator und Regressor, trennt Objektklassen so, das um sie ein Rand bleiben
  • Logistische Regression: Regressionsanalyse zur Modellierung der Verteilung abhängiger diskreter Variablen
  • Lineare Regression: Spezialfall der Regressionsanalyse, statistisches Verfahren zur Erklärung abhängiger Variablen durch unabhängige Variablen

Beispiele für Machine Learning Anwendungen

  1. Predictive Policing Verbrechensvorhersagen durch Machine Learning
  2. Robot Fire Fighting Feuerwehr-Drohnen mit Machine Learning
  3. Medizinisches MaschinenLearning KI-Screenings und Diagnosen
  4. Autonomes Fahren Neue Mobilität dank Machine Learning
  5. Condition Monitoring Optimierte Wartung von Maschinen
  6. Supply Chain Monitoring Lieferkettenüberwachung mit Machine Learning
  7. Client- und Fraudmanagement Analysen von Nutzerverhalten
  8. Machine Learning in Sozialen Medien Automatisierte Boterkennung
  • Predictive Policing: Verbrechensvorhersagen durch Machine Learning

    Maschinelles Lernen hat auch bereits seit einiger Zeit Einzug bei den Ermittlungsbehörden gehalten. Nach der Fütterung von ML IT-Lösungen mit Daten aus vorangegangen Verbrechen z.B. mit Schusswaffengebrauch in den USA, konnten bereits einige Verbesserungen bei schnellere Hilfsmaßnahmen und anschließende Untersuchungen erwirkt werden. Infografik: Ablauf des Predictive Policing  

    USA: automatisierte Schusswaffen Detektion

    So sind schon länger städtische Aufnahmegeräte in statistisch nachgewiesenen Brennpunkten in der Lage Schüsse von anderen Umgebungsgeräuschen zu unterscheiden. Darüber hinaus können sie mittlerweile innerhalb kürzester Zeit durch die Verknüpfung mit GPS-Diensten den genauen Ort der Schussabgabe lokalisieren. Aber auch Angaben zu Modell, Beschaffenheit und vormaliger Verwendung können in Sekundenbruchteilen aus Datenbanken extrahiert und zur Analyse herangezogen werden.

    Predictive Policing: Einbruchsbekämpfung

    Ein populäres Einsatzgebiet des predictive policing ist das der Einbruchsbekämpfung. Hier ist es einigen Polizeibehörden weltweit gelungen, durch die maschinelle Erfassung bisheriger Meldungen und Statistiken Hotspots für Einbruchsdelikte zu ermitteln. In der Folge konnten nicht nur folgende Verbrechen in derselben Gegend deutlich schneller als sonst üblich aufgeklärt werden.

    Predictive Policing: Keine Fluchtmöglichkeit mehr für Kriminelle

    In immer kürzeren Abständen gelang es den Ermittlern darüber hinaus auch Taten in diesem Feld vorherzusagen und zu vereiteln. Selbst Täter oder ganze Gruppen, die aufgrund des zugenommenen Verfolgungsdrucks in benachbarte oder weiter entfernte Stadtteile wechselten, konnten maschinell antizipativ dingfest gemacht werden. Die Fortschritte in der Überwachungstechnik dürfte hier auch maßgeblichen Einfluss haben. Die Möglichkeiten bei Gesichtserfassung und Tracking verdächtiger Personen entwickelt sich stetig weiter.

    Predictive Policing: deutsche Testdaten noch nicht aussagekräftig

    Für den deutschen Raum sind die Auswertungen für das predicitive policing noch noch nicht endgültig abgeschlossen. Aber auch hier können bereits signifikante Rückgänge in der Einbruchsfrequenz verzeichnet werden. Wurden 2015 noch 459 Einbrüche pro Tag in Deutschland gemeldet, so waren es 2020 nur noch 238 täglich. Das könnte aber auch mit der aktuellen pandemischen Lage zu tun haben, in der mehr Menschen öfter vor Ort sind und so Einbrecher abschrecken könnten.
  • Robot Fire Fighting: Feuerwehr-Drohnen mit Machine Learning

    Modern Hightech-Firefighting Robot (Foto: Adobe Stock - pavlelgulea) Die Feuerbekämpfung birgt mitunter große Risiken für die körperliche Unversehrtheit der daran beteiligten Personen. So starben allein im Jahr 2015 nach Angaben der National Fire Protection Association 68 Feuerwehrmänner in Ausübung ihres Dienstes. Fast 30.000 Verletzungen durch Brände wurden darüber hinaus gemeldet. Machine Learning kann hier Abhilfe schaffen. So sind seit einiger Zeit bei Feuerwachen autonome Fahrzeuge im Einsatz, die auch bei schlechtesten Sichtverhältnissen eingesetzt werden können. Drohnen und selbstfahrende Untersätze werden dazu im Vorfeld auf die Erkennung möglicher Objekte und die damit verbundene Feuerbekämpfung trainiert. So sind auch vermehrt Einsätze in sehr stark verrauchten oder brennenden Umgebungen möglich, die vorher aufgrund mangelnder Schutzausrüstung abgebrochen werden mussten.
  • Medizinisches Machine Learning: ML-Screenings und Diagnosen

    Machine Learning in der Medizin (Foto: Adobe Stock - peshkov) Ein weiterer sensibler Bereich, in dem ebenfalls ML zum Einsatz kommt ist der der computergestützten Diagnostik. Gerade im Segment der Früherkennung kann diese Technologie wertvolle Dienste leisten. Selbst lange Studien und Jahre der Praxis können nicht verhindern, dass medizinisches Personal problematische biologische Entwicklungen übersieht, nicht als solche erkennt oder falsch diagnostiziert.

    Screening durch Machine Learning: aufmerksamer als Screening durch Menschen

    Digitale Systeme haben gegenüber biologischen in diesen Fällen den unschätzbaren Vorteil der geringeren Anfälligkeit gegenüber äußeren Reizen. Persönliche, berufliche oder gesellschaftliche Problemlagen lassen sie normalerweise recht gleichgültig ihre Arbeit erledigen.

    Mehr Daten – bessere Ergebnisse

    Versorgt man sie jedoch rechtzeitig mit hochwertigem und vergleichbarem Analysematerial, sind sie aufgrund ihrer unbestechlichen Genauigkeit öfter in der Lage, bedenkliche Zustände zu erkennen und richtig zuzuordnen. Exemplarisch dafür stehen Versuche des Fraunhofer Instituts, wo eigenständig lernende Algorithmen Organe immer genauer erkennen konnten, je mehr Daten sie dazu geliefert bekamen.

    Machine Learning-Diagnosen: Genauer als herkömmliche Verfahren

    So können bereits heute Vorstufen von degenerativen Erkrankungen früh genug erkannt werden, um noch therapeutisch behandelt zu werden. Besonders deutlich zeigt sich das auch bei der zeitnahen Entdeckung von Krebserkrankungen. Bösartige Zellveränderungen, die auch durch hochauflösende konventionelle Techniken nicht immer rechtzeitig als erkannt werden, können durch ML bei richtiger Kalibrierung eindeutiger und deutlich schneller von gutartigen unterschieden werden.
  • Autonomes Fahren: Neue Mobilität dank Machine Learning

    Autonomes Fahren durch Machine Learning (Foto: Adobe Stock - Blue Planet Studio) Aktuell finden nennenswerte Fortschritte im maschinellen Lernen vor allem im Bereich der Automobilindustrie und dem Verkehr statt. In Fahrzeuge verbaute Sensoren, die in Echtzeit Daten liefern, mit denen sich bestehende Attribute erweitern und völlig neue Funktionen entwickeln lassen, belegen das. So wird eine seit langem vielbeschworene Vision langsam zur Realität.

    Autonomes Fahren: noch nicht ganz massentauglich

    Die Rede ist vom selbständigen oder auch autonomen Fahren. Bisher kommt es zwar meist nur in gesicherten Umgebungen wie Industrieeinrichtungen als Roboterhelfer zum Einsatz, während ähnliche im privaten Umfeld genutzte Transportmittel noch zahlreiche Probleme aufweisen.

    Neuronale Netze schaffen beim Autonomen Fahren mehr Sicherheit

    Eine Entwicklung kommt aber den Mobilen entgegen. Neuronale Netze, die nicht nur Staus erkennen, Ampelkonstellationen beeinflussen, sondern auch die Bewegung im Straßenverkehr absichern können, verbreiten sich zusehends. Auch die Sicherheit lässt sich durch die Einbringung dieser Technologie deutlich erhöhen, wie Untersuchungen nahelegen.
  • Condition Monitoring: optimierte Wartung von Maschinen

    Neben dem bereits erwähnten Einsatz von fahrerlosen Kraftfahrzeugen gibt es noch einen weiteren Bereich im industriellen Umfeld, in dem Machine Learning eine nutzbringende Anwendung erfährt. Es handelt sich hierbei um die Wartung von Industrieanlagen.

    Konventionelle Wartungen zu unflexibel bei Maschinenproblemen

    Produktionsstätten sind häufig anfällig für eine Vielzahl von Störungen. Unsauber berechnete oder gefertigte Vorlagen und schadhafte Materialien können ebenso wie zeitbedingte Abnutzungserscheinungen der Fertigungsteile zu unvorhergesehen Produktionsausfällen führen. Die Reparatur oder gar der Ersatz derselben kostet in der Regel sehr viel Zeit und Ressourcen, die anderweitig dringender und effektiver eingesetzt werden könnten. Bisherige Wartungsmodalitäten haben sich oft als unzureichend erwiesen. Ihre starren Zeitpunkte in festgesetzten Abständen können wegen ihrer Inflexibilität wenig gegen plötzlich auftretende Ereignisse ausrichten.

    Condition Monitoring: Verbesserte Zustandsüberwachung

    Man geht deshalb im Segment des industriellen Internet der Dinge (IIoT) zunehmend dazu über, Sensoren in den Anlagen zu verbauen. Ihre stetigen Messungen erzeugen genauere Daten, die helfen solche Problemlagen frühzeitig zu identifizieren und abzustellen. Erkennen diese Module Unregelmäßigkeiten im vorher festgelegten Ablauf der Herstellung, sind die mit ihnen verbundenen Clouds heute vielfach in der Lage Warnsignale an mobile Endgeräte der Besitzer zu senden.

    Innovationen für einen reibungslosen Ablauf

    Für die Übertragung dieser Datenmengen nutzt die Industrie Hochleistungsnetze. Diese Mesh-Netzwerke übertragen über WLAN ihre gesammelten Informationen. Ein Anbieter für diesen als Wireless Condition Monitoring bezeichneten Prozess ist das finnische Unternehmen TREON. Der Hersteller von kabellosen Monitoring-Geräten arbeitet mit dem ebenfalls aus Finnland stammenden Wirepas zusammen, einem Entwickler für skalierbare Mesh-Networks. Dessen Produkte wie z.B Wirepas Massive (WPM) und Wirepas 5G ermöglichen es Maschinen mit Sensoren zu überwachen und die umfangreichen Messdaten abgesichert und schnell zu übermitteln. So kann rechtzeitig eingegriffen werden, bevor es zu größeren Schäden kommt.

    Predictive Maintenance: Die Zukunft

    Darüber hinaus sind IoT-Lösungen schon heute in der Lage zu prognostizieren, wie es um die Funktionalität und die Lebensdauer von eingesetzten Maschinenteilen bestellt ist. Mit diesen belastbaren Daten sind im im so genannten predictive maintenance können Maschinenführer zeitnah für Reparaturmaterial oder Ersatzstoffe sorgen, sie entweder für den Notfall lagern oder aber vorausschauend einsetzen. Einsatzgebiete finden sich aber auch im Schienenverkehr, der Luftfahrt und in der Fahrzeugherstellung.
  • Supply Chain Monitoring: Lieferkettenüberwachung mit Machine Learning

    Das Herzstück jedes Wirtschaftssystems, seine Lieferketten, können ebenfalls von den Fähigkeiten des maschinellen Lernens profitieren, wenn sie richtig eingesetzt werden. Verlorengegangene nicht rechtzeitig zugestellte oder auf dem Weg zum Ziel verdorbene Waren können auf Dauer nicht nur die geschäftliche Grundlage oder den eigenen Ruf zerstören.

    Supply Chain Monitoring: überlebenswichtig für vernetzte Gesellschaften

    Sie haben sich im Zuge der vertieften weltweiten Globalisierung der Distributionspfade auch immer mehr zu einer Bedrohung für ganze Gesellschaften entwickelt. Die Versorgung mit essentiellen Produkten wie Arzneien oder Lebensmitteln, kann bei Unterbrechungen der sehr fragil gestalteten Lieferkanäle zu langanhaltenden katastrophalen Folgen führen.

    Supply Chain-Visibility durch IoT-Sensoren

    Deshalb geht man auch in diesem Segment verstärkt dazu über, die IoT-Vernetzung voranzutreiben. Man verspricht sich von der lückenlosen sensorischen Überwachung der Transportwege, von der Vorfertigung bis zum Endverbraucher in Verbindung mit Cloudtechnik und künstlicher Intelligenz, jederzeitige und vor allem rechtzeitige Aufklärung über mögliche Missstände. Die Einhaltung von Kühlketten für sensible Güter aus dem Medizin- und Nahrungsmittelbereich lassen sich so ebenso gewährleisten wie auch die fristgerechte Lieferung.

    Was ist heute technologisch möglich?

    Technologischer Vorreiter dafür in Deutschland ist die Solar Telematik des Münchner Spezialisten MECOMO. Diese Technik erlaubt eine lückenlose Überwachung der Kühlkette vom Produktionsbetrieb bis zum Supermarkt. In Zusammenarbeit mit dem finnischen IoT-Entwickler Wirepas, der die Konnektivität liefert konnten bisherige Anwendungsbereiche z.B. durch die Integration einer IoT-Gateway deutlich erweitert werden.
  • Client- und Fraudmanagement: Analysen von Nutzerverhalten

    Ein Bereich der derzeit zu den vielversprechendsten Anwendungsgebieten für Machine Learning zählt, ist der des E-Commerce. Hier finden sich schon seit längerem riesige Datenbestände, die sich mit den richtigen Mitteln maschinell durchsuchen und zielorientiert aufbereiten lassen.

    Client-Management mittels Machine Learning

    Mit stetig steigenden Kundenzahlen, die die bequemen Vorteile des Online-Shoppings für sich zunehmend entdecken, nehmen auch deren hinterlassene Daten zu. Weil jeder Klick und jede Eingabe auf Websites und in E-Shops heute eine Vielzahl von Werten nach sich ziehen kann, bietet sich zur Auswertung ML geradezu an. Menschen dürften angesichts der schieren Masse an Informationen zukünftig nahezu überflüssig in diesem Bereich der Datenverarbeitung werden.

    Client-Tracking: Kundenbedarfe per Machine Learning ermitteln

    Die wachsende Fülle an generierten Werten führt zu immer differenzierteren Personenprofilen. Vorlieben, Abneigungen, genutzte Suchbegriffe, Produktbewertungen entweder durch Anklicken oder Eingabe, all das zeichnet ein sehr genaues Bild des Kunden. Mit genügend Informationen lassen sich dann nicht nur die Wahrscheinlichkeiten von Käufen, Abwanderungen oder Kündigungen berechnen.

    Client-Tracking ermittelt heute das Kaufverhalten von morgen

    Auch beabsichtigte mögliche Kaufentscheidungen können mittlerweile recht genau vorhergesagt werden. Nutzer dürften erste Versuche in diese Richtung erkennen, wann immer sie auf anderen Webseiten mit früheren Suchbegriffen oder Kaufvorschlägen im selben Themenbereich konfrontiert werden. Diese individualisierte Form der Werbung und des Marketings verspricht geringere Streueffekte als bisher und damit auch großes Einsparpotential.

    Fraud Detection: Betrugserkennung mit Machine Learning

    Desweiteren kann Maschinenlernen auch einen veritablen Beitrag zur Bekämpfung von Onlinebetrug leisten. Laut einer Studie wurde in den letzten zwei Jahren fast jedes zweite Unternehmen weltweit Opfer von Wirtschaftskriminalität. Einen stetig zunehmenden Anteil hat dabei der Bereich der Netzkriminilität. Der dabei entstandene Gesamtschaden beläuft sich mittlerweile auf 64 Milliarden Dollar. Und doch entschloss sich nur etwas mehr als die Hälfte der Opfer dagegen juristisch vorzugehen. Infografik: Kriminalität in Unternehmen  

    Machine Learning gegen Datenmissbrauch

    Dabei gibt es schon länger vergleichsweise kostengünstige technische Lösungen, um bereits im Vorfeld effektiv gegen solche Bedrohungen rechtzeitig vorzugehen. Eine davon ist das Machine Learning. Speziell trainierte Algorithmen können dabei unterscheiden helfen, ob sich z.B. jemand mit gefälschten oder gestohlenen Daten Vorteile erschleichen möchte.

    Machine Learning statt überforderte Menschen

    Durch das automatisierte Abgleichen beispielsweise von Kreditkartendaten mit der auftraggebenden Person und früheren Zahlungsprozessen kann die tatsächliche Identität des Kunden verifiziert werden. Angesichts von geschätzten fünf Trillionen Daten, die IoT-fähige Endgeräte täglich produzieren, dürfte die menschliche Kapazitätsgrenze ohnehin für eine adäquate Verarbeitung mehr als überschritten sein.
  • Machine Learning in Sozialen Medien: automatisierte Boterkennung

    Bots in sozialen Medien (Foto: Adobe Stock - jittawit21) In den sozialen Medien begegnen Nutzern häufig Beiträge in ähnlicher oder sogar gleichlautender Form. Auch die Interaktion scheint oft in statischen Formen abzulaufen. Daher kommt nicht selten der Verdacht auf, dass es sich hierbei um Bots handeln könnte.

    Bots sind kaum noch von Menschen zu unterscheiden

    Bots sind kleine Programme, die sich wie menschliche Gesprächspartner verhalten, aber lediglich vorab programmierten Richtlinien folgen. Immer wieder gestartete Test konnten eindrucksvoll beweisen, dass viele, wenn nicht sogar die meisten der damit konfrontierten Menschen nicht mehr zweifelsfrei sagen können, ob es sich hierbei um ein humanes oder ein digitales Gegenüber handelt.

    Machine Learning für die Bot-Detektion

    Die Identifizierung und Unterscheidung erfolgt beim Machine Learning über ebenfalls erlernte Erkennungsmerkmale und durch Analysen des Nutzerverhaltens. Akteure, die besonders viel und in sehr kurzen Abständen veröffentlichen, die zudem noch gleichlautende Inhalte aufweisen, geraten schnell in Verdacht zu den unzähligen Spambots da draußen zu gehören. Das kann mittlerweile sehr schnell zu Sperrungen und Löschungen von Konten, sowie auch zur Aufnahme in schwarze Listen von Emailprovidern und Suchmaschinenbetreibern führen.

Machine Learning Produkte

Stellt man Nicht-Technikern die Frage, was denn Machine Learning (ML) sei, wird man wohl in den meisten Fälle nur unwissendes Schulterzucken ernten. Dabei ist die ML-Technologie bereits fester Bestand im Alltag vieler Menschen. Schließlich gehören heute beispielsweise digitale Sprachassistenten wie Alexa, Siri, Cortana oder der Google Assistant mittlerweile zum festen Mobiliar.
  • Smart Speaker: wachsender Trend

    Nicht wenige sehen sie bereits als ein scheinbar allwissendes zusätzliches Familienmitglied an. All diese kleinen Helfer basieren auf maschinellem Lernen. Also dem mehr oder minder selbstständigen Aufnehmen, Verarbeiten und intelligent verknüpften Wiedergeben von Informationen. Mehr als die Hälfte der Befragten in Studien gaben an, mindestens einmal in ihrem Leben ein Gerät mithilfe einer Sprachsteuerung bedient zu haben. Vor zwei Jahren waren es noch etwas mehr als ein Drittel. Zehn Prozent nutzen derartige Endgeräte mehrmals am Tag. Zu den favorisierten Anwendungen zählen dabei neben der Musikwiedergabe und Wettervorhersagen, vor allem die Google Suchfunktion.
  • Alexa: Amazons Smart Speaker

    Alexa ist eine Amazon Anwendung für künstliche Intelligenz, die auf Sprachalgorithmen basiert. Ihre Cloudanbindung versetzt sie dabei in die Lage ständig anhand der von ihren Nutzern eingegebenen Daten zu lernen. Alexa ist Pionier und Marktführer im Bereich Smart Speaker, mit einem Absatz von 10 Millionen Einheiten pro Quartal und einem Marktanteil von 26,7 Prozent weltweit (Quelle: Statista).
  • Siri: Apples intelligenter Sprachassistent

    Siri ist der intelligente Sprachassistent von Apple. Er verspricht eine schnellere Abwicklung von Aufgaben von Applenutzern. Das betrifft vor allem das Erinnerungsmanagement für Anrufe und Termine. Aber auch Vorschläge für Aktivitäten basierend auf den vorhandenen Daten ist möglich.
  • Google Assistant: Googles smarte Spracherkennung

    Der Google Assistant ist die smarte Spracherkennung des US-Konzerns Google. Sie ermöglicht ihren Nutzern durch gesprochene Eingaben weltweit verfügbare Informationen in Sekundenschnelle zu erhalten. Darüber hinaus können mit ihr auch Aufgaben erledigt und Dienstleistungen getätigt werden. Mit 17,4 Prozent Marktanteil liegt er hinter Amazon auf dem zweiten Platz im Segment der Smart Speaker (Quelle: Statista).
  • Microsoft Cortana: Microsofts Sprachassistent

    Cortana ist der digitale Sprachassistent von Microsoft. Mit ihm soll die Produktivität seiner Nutzer maßgeblich gesteigert werden. Dabei werden Anweisungen in gesprochener Sprache erfasst und verarbeitet. Mit ihm lassen sich u.a. die Bing-Suchmaschine mündlich steuern, Termine verwalten und Anrufe tätigen.

Ausblick: AutoML - die automatisierte Zukunft des Machine Learning

AutoML ist die vollautomatisierte Weiterentwicklung des Machine Learning. Dabei werden immer mehr Bereiche, die heute noch menschlicher Arbeit vorbehalten sind immer mehr von Systemen übernommen. Im Zuge der voranschreitenden Digitalisierung zeichet sich bereits dieser Trend für das maschinelle Lernen ab. So ist davon auszugehen, dass in absehbarer Zeit, der menschliche Einsatz bei ML nahezu obsolet werden wird. Die Entwicklung des AutoML übernimmt schon heute immer mehr Anteile unserer Arbeitsprozesse. Insbesondere die sehr aufwändige, weil zeit- und kostenintensive Datenbeschaffung und ihre Aufbereitung für die Berechnung ist bereits Bestandteil einiger AutoML-Systeme. Laut einer Studie macht diese Vorstufe sonst bis zu 80 Prozent des gesamten Vorgangs aus. Selbst die Auswahl der dabei eingesetzten Infrastruktur und die ihnen zugrundliegenden Modelle sind mittlerweile automatisierbar. Das erklärt vielleicht auch die hohen Summen, die Unternehmen wie Google und Amazon bereits in derartige Plattformen stecken.

Fazit

Machine Learning ist die Zukunft der Datenverarbeitung. Bei immer stärker exponentiell wachsenden Datenbergen ist es schon heute in vielen Fällen unmöglich geworden, die Analyse und Verarbeitung der immensen Werte Menschen allein zu überlassen. Diese sind schon sehr lange massiv auf die entlastende Hilfe durch Maschinen, Systemen, Modellen und Algorithmen angewiesen. Noch bleibt den Menschen ihr Fachwissen und die Festlegung der dabei zu bearbeitenden Werte. Aber angesichts der zunehmenden Verknüpfung von AutoML mit künstlicher Intelligenz (KI), neuronalen Netzen und sich beschleunigenden Datenbanken dürfte es nur eine Frage der Zeit sein, wann auch diese Arbeitsschritte vollständig von den Algorithmen übernommen werden. Ob das angesichts der dort vielfältig verarbeiteten sensiblen Informationen mit anschließenden Entscheidungsprognosen für die biologische Welt auf Dauer im Interesse der Menschheit sein kann, wird sich erweisen.

FAQ: Machine Learning kurz und knapp

Was ist Machine Learning?

Machine Learning ist ein Teilbereich der Forschung zur künstlichen Intelligenz. In ihm wird Algorithmen beigebracht Datensammlungen zu verstehen.

Wie funktioniert Machine Learning?

Durch die intelligente Verknüpfung vorher ungeordneter Daten können Verbindungen untereinander erkannt werden. Sie werden nach Regeln geordnet und in statistischen Modellen zusammengefasst.

Wozu braucht man Machine Learning?

Mit Regelmäßigkeiten, die bei Daten durch Machine Learning gefunden werden, lassen sich Systeme entwickeln, mit denen man Dinge, Prozesse und Entwicklungen vorhersagen kann.

Wo wird Machine Learning eingesetzt?

Überall, wo die ständig wachsende Datenmenge menschliche Aufnahmekapazitäten und Verarbeitungsfähigkeiten übersteigt. Das können digitale Sprachassistenten, die in Sekundenschnelle das gesamte Internet nach Fragen auf Nutzerantworten durchsuchen. Aber auch Überwachungs- und Helfersysteme bei Polizei, Feuerwehr, Ärzten, Autobauern, E-Commerce Plattformen, Börsen oder in sozialen Medien.

Lassen Sie eine Antwort hier