Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz. Unter Maschinellem Lernen werden IT-Systeme verstanden, die auf Basis eines großen Datensatzes eigenständig künstliches Wissen erlangen. Anhand von Beispielen analysieren IT-Systeme Datensätze und versuchen über Algorithmen bestimmte Regeln und Gesetzmäßigkeiten zu erkennen. Ziel des Maschinellen Lernens ist es, aus extrem großen und komplexen Datenmengen in kürzester Zeit Zusammenhänge zu identifizieren, Rückschlüsse zu ziehen und Prognosen zu erstellen.

Maschinelles Lernen gehört zu den bahnbrechenden Technologien des 21. Jahrhunderts. Die Auswirkung auf Produktions- und Geschäftsprozesse ist enorm und betrifft immer mehr Branchen. Was momentan noch als neu und disruptiv verstanden wird, gilt in naher Zukunft als technologischer Standard. Was Experten unter Maschinellem Lernen verstehen, wie sie funktioniert und welche Einsatzmöglichkeiten es gibt, erfahren Sie in Folge.

Abgrenzung zur Künstlichen Intelligenz

Künstliche Intelligenz und Maschinelles Lernen sind heutzutage in aller Munde. Oft werden beide Begriffe im gleichen Zusammenhang verwendet und dass obwohl Künstliche Intelligenz und Maschinelles Lernen nicht die gleiche Bedeutung haben. Unter Künstlicher Intelligenz versteht man eine Technologie, die die menschliche Intelligenz nachahmen kann und autonom Aufgaben erfüllt, die zur Erreichung bestimmter Ziele beitragen. Maschinelles Lernen hingegen beschreibt die mathematischen Modelle und Algorithmen, die es braucht, damit ein IT-System lernen kann. 

Wie funktioniert Maschinelles Lernen?

Damit Maschinelles Lernen gelingt, muss ein IT-System zunächst von einem Menschen trainiert werden. Dazu wird dem IT-System ein Datensatz vorgegeben. Anschließend analysiert das IT-System den Datensatz über Algorithmen nach Mustern und Zusammenhänge. Dieser Prozess wird solange durchlaufen bis das Ergebnis qualitativ hochwertig ist. Nach erfolgreich abgeschlossenem Lernprozess soll das IT-System in der Lage sein, eigenständig neue Daten zu analysieren und zu bewerten. Beim maschinellen Lernen unterscheidet man grundsätzlich zwischen folgenden Teilbereichen:

- Überwachtes maschinelles Lernen
- Unüberwachtes maschinelles Lernen
- Semi-überwachtes maschinelles Lernen
- Bestärkendes Lernen

Überwachtes maschinelles Lernen (Supervised Learning)

Beim überwachten maschinellen Lernen lernt das IT-System auf Basis eines Trainingsdatensatzes bei dem die korrekten Antworten bereits existieren. Aufgrund der gegebenen Datensätze lernt der Algorithmus die bekannte Zielvariable zu erreichen und Regeln und Muster aufzustellen. Anschließend wird die Vorhersage bewertet. Dieser Prozess wird solange wiederholt bis die Vorhersage der gewünschten Qualität entspricht. Die Erfahrungen aus jedem Durchlauf werden dabei immer wieder aufs Neue in den Lernprozess mit einbezogen. Liefert das trainierte Modell die gewünschten Ergebnisse, kann dieses in Folge auf unbekannte Daten angewendet werden. Ziel des überwachten maschinellen Lernens ist es, Vorhersagen und Empfehlungen zu generieren.

Beim überwachten maschinellen Lernen unterscheidet man zwischen der Klassifikation und der Regression.

Bei der Klassifikation soll das Modell Strukturen erkennen und Daten bestimmten Klassen zuweisen. Soll ein IT-System z.B. automatisch handgeschriebene PLZ erkennen, dann sind die handgeschriebenen Zahlen in diesem Fall der Input. Diese werden als Bilder vom IT-System wahrgenommen, analysiert und anhand der Ziffern (Output) 0 bis 9 klassifiziert. Auch E-Mail-Anbieter bedienen sich der Klassifikation. Um Nutzer automatisch vor Spam-E-Mails zu warnen, werden überwachte Lernverfahren eingesetzt, die jede E-Mail auf Spam untersuchen und die Mails anschließend von selbst in die Kategorien Spam oder Nicht Spam einordnen.

Die Regression hingegen wird bei Prognosen und der Erkennung von Trends eingesetzt. In diesem Fall lernt das Modell Beziehungen zwischen realen Datensätzen wie Alter, Gehalt oder Preis herzustellen und versucht anschließend anhand vorgegebener Zielvariablen Muster und Zusammenhänge zu erkennen. Der Streaming-Anbieter Netflix nutzt z.B. überwachte Lernverfahren mit Regression für Content-Empfehlungen. Auf Basis der Interessen ähnlicher Nutzer sowie des Users selbst bekommt dieser personalisierte Content-Empfehlungen ausgespielt.

Unüberwachtes maschinelles Lernen (Unsupervised Learning)

Beim unüberwachten maschinellen Lernen lernt der Algorithmus selbständig Muster und Zusammenhänge zu erkennen, ohne dass ein bearbeiteter Datensatz oder Zielvariablen vorgegeben werden. Da dem unüberwachten maschinellen Lernen so keine Grenzen gesetzt sind, erkennt das Modell Muster jeder Art und hilft dabei, neue Kriterien für Kategorisierungen zu finden. Darüber hinaus können Daten in Echtzeit verwendet werden. Hinzu kommt, dass der manuelle Aufwand deutlich geringer ist. Das hängt damit zusammen, dass Daten unbearbeitet genutzt werden können.

Es gibt verschiedene Arten von unüberwachtem Lernen:

Clustering: Das Finden von Strukturen und Mustern in nicht kategorisierten Daten und Gruppierung in Clustern.
Assoziationen: Suche nach Regeln, die die Verbindung zwischen Datenpunkten abbilden.
Dimensionsreduktionen: Reduktion aller vorhandenen Variablen auf die wichtigsten.

Ein Beispiel, bei dem unüberwachtes maschinelles Lernen zum Einsatz kommt, ist der Bereich der Spracherkennung. Die Sprachassistenten Siri, Alexa und Google Assistant basieren bereits auf unüberwachtem maschinellen Lernen. Je öfter sie vom Benutzer „trainiert“ werden, umso präziser können sie auf die Sprechgewohnheiten des Nutzers eingehen. Unüberwachtes maschinelles Lernen findet darüber hinaus auch bei Chatbots Anwendung. Über die von Nutzern eingegebenen Fragen lernen Chatbots den sozialen Umgang und können sogar Beleidigungen oder rassistische Äußerungen von selbst erkennen.

Semiüberwachtes Lernen (semi-supervised Machine Learning)

Beim semiüberwachten maschinellen Lernen handelt es sich um eine Kombination aus überwachtem und unüberwachtem maschinellen Lernen. Es wird eine geringe Anzahl an Zielvariablen für den Lernprozess verwendet. Das hat den Vorteil, dass Kosten und Arbeitsaufwand für die Beschaffung entsprechender Daten eingespart werden kann und bereits ein geringer Datensatz ausreicht, um das Modell zu trainieren.

Bestärkendes Lernen (Reinforcement Learning)

Das bestärkende Lernen basiert im Gegensatz zum überwachten, unüberwachten und semiüberwachten Lernen auf keinem Trainingsdatensatz. Das künstliche Wissen wird im Rahmen von Trial- und Error-Durchläufen erlernt, wobei das Modell herausfordernde Probleme auf Basis eines Belohnungsprinzips löst. Das bestärkende Lernen ist dem menschlichen Gehirn nachempfunden. Die Anwendungs-möglichkeiten des Überwachten Lernens sind vielfältig. Überwachtes Lernen wird z.B. im Rahmen des Google Algorithmus Rank Brain eingesetzt. Der Algorithmus bestimmt die Reihenfolge der Darstellung der Suchergebnisse, in dem er Suchanfragen mit Wörtern, die eine ähnliche Bedeutung haben, in Clustern abbildet und diese speichert. In dem der Algorithmus diesen Prozess immer wieder wiederholt, kann immer bessere Suchergebnisse zu Suchanfragen zur Verfügung stellen.

Einsatzbereiche des Maschinellen Lernens

Gesundheitswesen

Maschinelles Lernen findet bereits heute Einsatz im Gesundheitswesen. Ähnlich wie in anderen Branchen liegt auch hier eine Vielzahl an Daten vor, die manuell nur noch schwer zu bewältigen sind. Die Diagnose von Krankheiten, Langzeit-EKGs oder die Auswertung von Blutbildern bringt das medizinische Fachpersonal schnell an seine Grenzen. Maschinelles Lernen setzt hier an. Aus der Analyse einer Vielzahl an Daten und der Identifizierung von Mustern und Zusammenhängen können Krankheitsverläufe so viel schneller erkannt, frühzeitiger behandelt und Kosten für überflüssige Therapien eingespart werden. Im Detail ersetzt maschinelles Lernen z.B. die frühzeitige Erkennung von Krankheitsbildern, die Identifizierung von Tumoren in Röntgen- oder Ultraschall-Aufnahmen oder die Erstellung von Diagnosen auf Grundlage verschiedener Blutwerte.

Industrie 4.0

Smart Manufacturing oder Predictive Maintenance sind bereits heute Schlagworte, die in der Industrie im Zusammenhang mit Maschinellem Lernen und Künstlicher Intelligenz fallen. Dahinter verbirgt sich die Optimierung von Produktionsprozessen und eine vorausschauende Wartung von Maschinen. Über Algorithmen können z.B. Prozessschritte erkannt werden, die die Produktion verlangsamen oder ineffizient machen. Darüber hinaus kann über den Einbau von Sensoren der Zustand von Maschinen gemessen und anschließend über Algorithmen frühzeitig Fehlfunktionen oder ein möglicher Ausfall von Teilen aufgedeckt werden, ohne dass diese einen Einfluss auf den Verlauf der Produktion haben.

Finanzdienstleistung

Auch in der Finanzdienstleistungsbranche kann der Einsatz von Maschinellem Lernen Vorteile bringen und Betrugsfälle aufdecken oder bei der individuellen Finanzberatung helfen. Über den Einsatz von Verfahren wie Natural Language Processing (NLP) sind Chatbots bereits in der Lage, personalisierte Ratschläge zur Erwirtschaftung von Rendite zu geben oder Tipps auszusprechen, wie Nutzer Geld einsparen können. Die Großbank HSBC oder comdirect macht sich Maschinelles Lernen hingegen zu Nutze, um illegale Transaktionen aufzudecken.

Logistik

Die Logistik ist ein wichtiger Wirtschaftsfaktor und bestimmt immer mehr den Unternehmenserfolg vieler Unternehmen. Die Effizienzsteigerung ist dabei eines der wichtigsten Ziele und Herausforderung zugleich. Über den Einsatz von maschinellem Lernen kann die Logistikbranche diesem Ziel ein großes Stück näherkommen. Vorausschauendes Handeln in den Bereichen Kapazitätsmanagement, Routenplanung, Netzwerkplanung und Risikomanagement sind Vorteile, die Maschinelles Lernen mit sich bringt. So kann z.B. der genaue Aufenthaltsort von bestimmten Güterwaggons aufgezeigt und Abweichungen in Echtzeit aufgedeckt werden ohne das ursprünglich geplante Lieferdatum zu gefährden. Die Nutzung von maschinellem Lernen in der Logistik geht sogar so weit, dass Ladungen ihren eigenen Transport zukünftig selbst organisieren. Dies wird durch die zunehmende Vernetzung der Logistikprozesse untereinander sowie mit Kunden, Dienstleistern und Kooperationspartner ermöglicht.