chevron_left
chevron_right

Chancen erkennen und wahrnehmen

Machine Learning scheint das neueste Schlagwort der Industrie zu sein – eine Technik mit erstaunlichem Potenzial, die viele Firmen nur schwer verstehen, geschweige denn für sich nutzen können. Noch im letzten Jahr verfügten weniger als ein Viertel (23 %) der Firmen über einen auf Machine Learning basierenden Automatisierungsgrad, und nur 5 % gaben an, die Technologie in grösserem Umfang zu nutzen.

Doch in jüngster Zeit gab es einen Anstieg bei der Implementierung in einer Vielzahl von Branchen, von der Automobilindustrie bis hin zur Finanzwirtschaft. Grund dafür ist, dass die Firmen allmählich beginnen, die  Vorteile von Machine Learning zu erkennen. Unternehmen, die Machine Learning einsetzen wollen, sollten in einem ersten Schritt sicherstellen, dass ihre Entscheidungsträger Machine Learning aus technischer Sicht verstehen und wissen, welches Geschäftspotenzial durch dieses Verständnis erschlossen werden kann.

 

Computer lernen aus Erfahrungen

Einfach gesagt können Computer mit Machine Learning eine Fähigkeit erwerben, die Menschen und Tiere von Natur aus haben: Aus Erfahrung zu lernen. Dabei werden Algorithmen verwendet, die direkt aus Daten lernen können, ohne eine bestimmte Gleichung als Modell zu nutzen. Mit wachsender Anzahl von Datenstichproben, die zum Lernen zur Verfügung stehen, steigern diese Algorithmen ihre Leistung. Das wachsende Datenvolumen steigert zusätzlich das Potenzial von Machine Learning für Geschäftsanwendungen. Machine-Learning-Algorithmen erkennen natürliche Muster in Daten und leiten Erkenntnisse ab, die zu besseren Vorhersagen und Entscheidungen führen. Diese Algorithmen kommen beispielsweise bei medizinischen Diagnosen, im Aktienhandel, bei der Vorhersage von Stromlasten und in vielen weiteren Bereichen zum Einsatz. Streaming-Websites wie Netflix stützen sich auf Machine Learning, um bei Filmempfehlungen Millionen von Möglichkeiten berücksichtigen zu können. Weitere Anwendungsbereiche sind computergestützte Finanzdienstleistungen, Bildverarbeitung und Computer Vision für Gesichts-, Bewegungs- und Objekterkennung, Bioinformatik, Automobilsektor, Luft- und Raumfahrt sowie Fertigung für Predictive Maintenance.

 

Zwei Funktionsweisen von Machine Learning

Beim Machine Learning kommen zwei verschiedene Verfahren zum Einsatz: Überwachtes Lernen, mit dem ein Modell anhand bekannter Eingabe- und Ausgabedaten trainiert wird, so dass es zukünftige Ausgaben vorhersagen kann, und nicht überwachtes Lernen, mit dem verborgene Muster oder innere Strukturen in Eingabedaten gefunden werden.

 

Überwachtes Lernen

Ziel des überwachten Machine Learnings ist die Erstellung eines Modells, das bei Ungewissheiten Prognosen auf Basis von Indizien abgibt. Ein Algorithmus des überwachten Lernens verwendet eine bekannte Menge von Eingabedaten und bekannte Ausgänge zu diesen Daten, um damit ein Modell zu trainieren, das fundierte Vorhersagen für den Ausgang von neuen Eingabedaten erzeugt. Diese Vorhersagen werden durch Klassifikations- und Regressionstechniken entwickelt:

■ Klassifikationstechniken sagen diskrete Ausgänge vorher – beispielsweise, ob eine E-Mail echt oder Spam ist oder ob es sich bei einem Tumor um Krebs oder eine gutartige Form handelt

■ Regressionstechniken sagen kontinuierliche Ausgänge voraus – beispielsweise Temperaturänderungen oder Schwankungen des Energiebedarfs

Bei richtiger Anwendung sind die intuitiven Möglichkeiten der überwachten Lerntechniken fast unbegrenzt. Sogar Ärzte können mit ihrer Hilfe vorhersagen, ob bei einer Person die Gefahr eines Herzinfarkts besteht, indem sie auf Daten vorheriger Patienten, wie Alter, Gewicht, Grösse und Blutdruck, sowie historisches Wissen über Herzinfarktpatienten zurückgreifen.

 

Unüberwachtes Lernen

Unüberwachtes Lernen wird genutzt, um Rückschlüsse aus Datenmengen zu ziehen, die aus Eingabedaten ohne klassifizierte Ausgänge bestehen.

Clustering ist die gängigste Technik des nicht überwachten Lernens. Es wird für explorative Datenanalysen verwendet, um verborgene Muster oder Gruppierungen in Daten zu finden. Anwendungen für Clustering sind beispielsweise die Gensequenzanalyse, Marktforschung und Objekterkennung in Bildern.

Das Verständnis, welche Lerntechnik für ein bestimmtes Projekt oder eine bestimmte Anwendung am besten geeignet ist, ist zwar wichtig, aber nur der erste Schritt, um das Potenzial eines integrierten Machine-LearningSystems zu entfalten. Die Wahl des richtigen Lernalgorithmus und schliesslich die Bestimmung des besten Zeitpunkts für die Nutzung der Technologie runden den Prozess ab.

 

Auswahl des richtigen Algorithmus

Die Auswahl des richtigen Algorithmus erscheint sehr schwierig, denn es gibt Dutzende überwachter und nicht überwachter Algorithmen, und jeder verfolgt einen anderen Ansatz. Es gibt keine beste Methode und keine, die immer geeignet ist. Die Auswahl des richtigen Algorithmus erfolgt zudem zum Teil durch Experimentieren – auch sehr erfahrene Datenwissenschaftler können nicht wissen, wie gut ein Algorithmus geeignet ist, ohne es ausprobiert zu haben. Allerdings hängt die Auswahl eines Algorithmus auch von Umfang und Art der Daten ab, die gesammelt und analysiert werden, von den Erkenntnissen, die aus den Daten gezogen werden sollen, und von der geplanten Verwendung dieser Erkenntnisse. Erfreulicherweise können Machine Learning und Software-Tools die Auswahl des Algorithmus optimieren, indem sie es ermöglichen, Daten zu untersuchen, viele verschiedene Modelle anzuwenden und genauer vorherzusagen, wie der Algorithmus mit dem Gesamtsystem interagieren wird.

 

ML-Implementierung zur richtigen Zeit

Nachdem ein Entwicklungsteam den am besten geeigneten Algorithmus ermittelt hat, stellt sich die Frage, wann die Technologie implementiert werden soll. Am besten eignet sich Machine Learning für Probleme mit grossen Datensätzen und vielen Variablen sowie für Fälle, für die keine Formel oder Gleichung existiert. Oft gehen Firmen bei der Auswahl und Integration eines Algorithmus übereilt vor und verschwenden so Zeit und Ressourcen für eine Aufgabe, die nicht die komplexen Fähigkeiten von Machine Learning erfordert. Stattdessen sollte Machine Learning in Situationen berücksichtigt werden, in denen:

■ handgeschriebene Regeln und Gleichungen zu komplex wären, etwa bei der Gesichts- und Spracherkennung

■ die Regeln einer Aufgabe sich ständig verändern, wie bei der Betrugserkennung anhand von Transaktionsaufzeichnungen

■ die Datenart sich fortlaufend verändert und das Programm sich anpassen muss, zum Beispiel im automatisierten Handel, bei der Vorhersage des Energiebedarfs und bei der Vorhersage von Einkaufstrends

 

Fazit

Firmen werden das Potenzial von Machine Learning schnell verstehen und schätzen, wenn es korrekt und im richtigen Kontext umgesetzt wird, wie zum Sammeln und Analysieren grosser dynamischer Datensätze. Je komplizierter die Aufgabe, desto wahrscheinlicher ist es, dass Firmen davon profitieren.

 

Quick-Link: www.polyscope.ch/2019/ml

 


Infoservice

Mathworks

Murtenstrasse 143, 3008 Bern

Tel. 031 950 60 20, Fax 031 950 60 22

info@mathworks.ch, www.mathworks.ch