Kurz gefasst: Machine Learning in 3 Minuten

Unser Alltag wird immer mehr von Anwendungen bestimmt, die aus unseren Daten lernen und das Gelernte verallgemeinern können. Oftmals sind wir im Kontakt mit selbstlernenden Systemen, ohne es zu wissen. Oder hätten Sie gewusst, dass die Empfehlungen bei Amazon und Netflix auf Machine Learning Algorithmen basieren? Komfortables Online-Shopping und Video-Streaming, wie wir es kennen, wäre ohne diese Algorithmen nicht möglich.

Was ist Machine Learning?

Machine Learning bildet den Grundstein vieler heutiger Anwendungen von künstlicher Intelligenz (KI).

Die KI-Lösungen müssen zunächst mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Zudem müssen die Entwickler Regeln für die Analyse des Datenbestands und das Erkennen der Muster definieren. Sind die Voraussetzungen erfüllt, können KI-Anwendungen mit maschinellem Lernen unter anderem relevante Daten finden, extrahieren und zusammenfassen. Darüber hinaus können sie Ereignisse auf Basis von historischen Daten vorhersagen (Predictive Analytics) und auf Basis erkannter Muster Prozesse optimieren.

Um bei den Begrifflichkeiten nicht durcheinanderzukommen, nehmen wir eine kurze Einordnung von künstlicher Intelligenz und maschinellen Lernen vor.

Nach der gängigen Definition des amerikanischen Informatikers und Professors Tom M. Mitchell besteht die Grundidee von Machine Learning darin, dass ein System seine Performance durch neu gemachte Erfahrungen (das bedeutet Daten) in einem bestimmten Bereich automatisch verbessern kann. Dabei sorgen unterschiedliche Algorithmen für eine automatische Verarbeitung der Daten und für den Lernprozess. Das heißt, es werden nicht nur Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Trainingsdaten erkannt. So kann das System auch unbekannte Datensätze beurteilen (Lerntransfer) und eigenständig Lösungen entwickeln.

Exkurs:

Algorithmen nehmen beim maschinellen Lernen eine zentrale Rolle ein und unterscheiden sich in der Frage, wie ein Lernerfolg festgestellt wird. Dabei finden unter anderem folgende Lernmethoden Anwendung:

• Bei überwachtem Lernen werden im Vorfeld Beispiele definiert, an denen sich der Algorithmus orientieren kann, um auf die richtigen Ergebnisse zu kommen.
• Bei unüberwachten Lernmethoden bildet der Algorithmus automatisch Cluster aufgrund eigenständig erkannter Muster, ohne sich dabei an vorgegebenen Beispielen zu orientieren.
• Teilüberwachtes Lernen ist eine Mischung beider Methoden.
• Verstärkendes (oder auch bestärkendes) Lernen basiert auf Belohnungen und Sanktionen. Die Algorithmen werden durch ein Belohnungssystem bewertet, um so selbständig Problemlösungen zu entwickeln und die Belohnung zu maximieren. Diese Lernweise ist dem menschlichen Lernen sehr ähnlich.
• Aktives Lernen bietet dem Algorithmus die Möglichkeit, für bestimmte Eingangsdaten die gewünschten Ergebnisse zu erfragen.

Anwendungsgebiete von Machine Learning

Wie eingangs beschrieben, basieren viele heutige KI-Anwendungen auf maschinellem Lernen.

So findet maschinelles Lernen unter anderem bei den Empfehlungen von Amazon und Netflix Anwendung. Die Algorithmen ermöglichen eine individuelle Ansprache von (potentiellen) Kunden auf Grundlage fundierter Kenntnisse über ihr Verhalten. Machine Learning verbessert also nicht nur das Kundenerlebnis, sondern erhöht auch die Kundenbindung. Unternehmen können dadurch sowohl ihren Umsatz als auch die Kundenzufriedenheit steigern und gleichzeitig Kosten reduzieren.

Darüber hinaus hilft maschinelles Lernen Menschen dabei, effizienter zu arbeiten. So können einerseits langweilige oder zeitaufwändige Tätigkeiten durch selbstlernende Systeme zuverlässig erledigt werden. Zum Beispiel können Daten aus Papierdokumenten, wie Rechnungen, automatisch ausgelesen, die Inhalte interpretiert, deren Muster verglichen und die enthaltenen Daten erkannt und zur weiteren Verarbeitung nutzbar gemacht werden. Dabei ist der Vorteil des maschinellen Lernens, dass dieser Vorgang in kurzer Zeit extrem oft wiederholt werden kann, bis die Ergebnisqualität einem gewünschten Standard entspricht, während ein Mensch nach einigen Wiederholungen wohl schnell die Lust verlieren würde.

Anderseits können selbstlernende Maschinen auch komplexere Tätigkeiten für den Menschen übernehmen, wie zum Beispiel die automatische Filterung von Spam in E-Mail-Programmen. Diese Programme analysieren die Daten, die in der E-Mail enthalten sind und kategorisieren diese gemäß den erkannten Mustern als Spam oder Nicht-Spam. Wird eine Nachricht als Spam markiert, lernt die Anwendung und kann dadurch noch bessere Spam-Filter entwickeln.

Ausblick

Aufgrund der zunehmenden Verfügbarkeit von Rechenleistung durch immer günstigere und leistungsfähigere Prozessoren sowie großer Datenmengen aus einer Vielzahl von Quellen erscheinen die Einsatzmöglichkeiten von Machine Learning nahezu unbegrenzt.

Daraus ergeben sich enorme Potentiale für Technologieführer wie zum Beispiel Amazon, dessen Gründer Jeff Bezos frühzeitig auf maschinelle Lernverfahren setzte und Machine Learning als Schlüsseltechnologie für Amazons Zukunft bezeichnet.

In der Praxis zeichnen sich viele Machine Learning Anwendungen allerdings noch durch einen geringen Reifegrad aus. Die gesamte Entwicklung des maschinellen Lernens steht somit noch am Anfang — und es ergeben sich weitreichende Chancen. Oder um es mit den Worten von Dave Waters, einem der führenden Köpfe im Bereich der künstlichen Intelligenz, zu sagen:

A baby learns to crawl, walk and then run. We are in the crawling stage when it comes to applying machine learning.

Was Sie über Machine Learning wissen müssen:

• Teilbereich der künstlichen Intelligenz
• Nutzt statistische Verfahren zur Mustererkennung in Datensätzen
• Nutzung zur Prozessoptimierung oder Prognose
• Verschiedene Lernmethoden — überwachtes, unüberwachtes, teilüberwachtes, verstärktes & aktives Lernen

Autor: Gregor Puchalla

Gregor Puchalla ist Gründer und Geschäftsführer von fintechcube. Zukunftstrends sind seine Leidenschaft. Gregor hat 15 Jahre Erfahrung auf operativer und strategischer Ebene im Bereich Digitalisierung.