Success Story ASM Aerosol-Service AG ASM spart 30 Stunden Reporting pro Monat mit Qlik Analytics Cloud & iVIEW.
Success Story Häfele Group Häfeles BI-Evolution: Ein Cyberangriff als Turbo für zukunftsweisende Data Analytics
Success Story ASM Aerosol-Service AG ASM spart 30 Stunden Reporting pro Monat mit Qlik Analytics Cloud & iVIEW.
Success Story Häfele Group Häfeles BI-Evolution: Ein Cyberangriff als Turbo für zukunftsweisende Data Analytics
Machine Learning (Maschinelles Lernen) Machine Learning geht über klassische Datenanalysen hinaus: Systeme lernen eigenständig aus Daten, erkennen komplexe Muster (Deep Learning) und generieren Prognosen. Unternehmen können dadurch vorausschauender handeln, Prozesse optimieren und fundierte Entscheidungen in kürzerer Zeit treffen.Artificial Intelligence (AI) Machine Learning in der Praxis Steigende Datenmengen Unsere Welt ist heute vollständig vernetzt. In nahezu jedem Lebensbereich – ob privat oder beruflich – entstehen Daten: Wir akzeptieren Cookies, wenn wir im Internet surfen, kaufen mit Kreditkarte ein, verwenden Apps und soziale Medien oder nutzen Sensoren in Maschinen, Fahrzeugen und Alltagsgeräten. Auch Wetterstationen und IoT-Systeme liefern kontinuierlich neue Informationen. Machine Learning: Systeme, die aus Daten lernen Unternehmen nutzen seit Jahren Business Intelligence Software, um Daten zu analysieren und Reports zu erstellen. Noch mehr Potenzial entfalten diese Daten jedoch durch den Einsatz von Machine Learning (deutsch: „Maschinelles Lernen“).Machine Learning ist ein Teilbereich der künstlichen Intelligenz und beschreibt die Fähigkeit von Systemen, Wissen aus Erfahrungen – sprich aus Daten – zu generieren. Software lernt dabei aus Beispielen Regeln, die anschliessend verallgemeinert und auf neue Situationen angewendet werden können.Ein Machine-Learning-Modell ist beispielsweise in der Lage, Äpfel mit Birnen zu vergleichen: Dazu erkennt das System aus dem Dateninput – in dem Beispielfall aus Fotos von Äpfeln und Birnen – Muster und Gesetzmässigkeiten. Mittels dieser Lerndaten kann dann das Machine-Learning-Modell bzw. der Machine-Learning-Algorithmus erkennen, ob es sich bei der Abbildung auf einem neuen, zuvor unbekannten Foto um einen Apfel oder eine Birne handelt. Anschliessend wird überprüft, ob die Einordnung korrekt war oder nicht. Die Qualität des Machine-Learning-Modells wird daran bemessen, wie hoch die Fehlerquote ist. Dabei gilt: Je mehr relevante Daten ein Machine-Learning-Modell zur Verfügung hat, sprich je mehr „Übung“ es hat, desto besser lernt es aus diesen Daten und desto präziser werden Machine-Learning-Algorithmen. Artificial Intelligence Die neue von Daten regierte Ära Künstliche Intelligenz (KI) ermöglicht es Systemen, aus Daten zu lernen, Muster zu erkennen und eigenständig fundierte Entscheidungen vorzubereiten. KI-basierte Lösungen haben die Geschäftswelt bereits tiefgreifend verändert – und KI-gestützte BI-Tools sind heute entscheidend, um langfristig wettbewerbsfähig zu bleiben.Erfahren Sie mehr über Künstliche Intelligenz Supervised und Unsupervised Learning In dem beschriebenen Beispiel erfolgte das Maschinelle Lernen mittels überprüfbarer Daten, als sogenanntes Supervised Learning (deutsch: „Überwachtes Lernen“): Die Testdaten wurden zuvor von Menschen mit einem korrekten Label (= Apfel bzw. Birne) versehen. Der Algorithmus kann dann seine Prognosen mit den tatsächlichen Ergebnissen vergleichen und sich schrittweise verbessern.Davon unterschieden werden Machine-Learning-Verfahren nach dem Prinzip des Unsupervised Learning (deutsch: „Unüberwachtes Lernen“): Es wird kein Lernziel vorgegeben. Das Machine-Learning-Modell wird mit Daten gespeist, ohne dass vorher definiert wird, was dieses Daten bedeuten. Der Machine-Learning-Algorithmus erkennt Muster und teilt die Daten in Cluster oder Kategorien auf, jedoch ohne zu wissen, um welche Kategorien es sich handelt bzw. unter welches Label sie fallen (zum Beispiel „Apfel“ und „Birne“).Bei dem überwiegenden Teil der in der Praxis eingesetzten Machine-Learning-Verfahren handelt es sich um Supervised Learning. Deep Learning – was ist das? Deep Learning ist ein Teilbereich des Machine Learnings und basiert auf künstlichen neuronalen Netzen. Durch Trainingsmethoden entwickelt das System künstliche Intelligenz (KI/AI, Artificial Intelligence), die in der Lage ist, aus Daten zu lernen. Dabei werden Informationen kontinuierlich verarbeitet und neue Inhalte mit dem bereits Erlernten verknüpft, sodass das Modell fortlaufend dazulernt. Auf Basis dieser Lernprozesse kann die Maschine Vorhersagen treffen und Entscheidungen ableiten, die fortlaufend überprüft und angepasst werden. Menschen greifen in der Regel nur initial ein. Deep Learning ermöglicht es, dass Systeme selbstständig lernen, und eignet sich besonders für Anwendungen mit grossen Datenbeständen, aus denen Muster und Modelle abgeleitet werden können. Die Basis bilden künstliche neuronale Netze, die während der Lernvorgänge immer wieder neu verknüpft und optimiert werden. Machine Learning in der Praxis Eine Vielzahl von Technologien, die wir täglich im privaten Umfeld nutzen, basiert bereits auf Machine-Learning-Algorithmen. Beispiele hierfür sind die Gesichtserkennung in Fotos und Videos, Sprachassistenten auf Smartphones, automatische Übersetzungsdienste im Internet, personalisierte Empfehlungen in Streaming- oder Shopping-Plattformen sowie KI-basierte Spam- und Betrugserkennung auf E-Mail- und Banking-Systemen. Machine Learning für die Industrie In der Industrie lassen sich mittels ML beispielsweise aus Maschinendaten Erfahrungswerte sammeln, nach wie viel Betriebsstunden ein Teil ausgetauscht werden muss. Diese sogenannte Predictive Maintenance ermöglicht es, Wartungstermine vorausschauend zu planen. Teure Stillstände aufgrund eines Teileausfalls werden vermieden. Vorhersagbar wird mittels Machine-Learning-Methoden beispielsweise auch die Preisentwicklung von Endprodukten in der Einzelfertigung in Abhängigkeit der Verfügbarkeit von Rohstoffen und der Kosten dafür. Machine Learning im Bereich Energie Machine-Learning-Algorithmen unterstützen Energieversorger dabei, Nachfrage und Angebot effizient aufeinander abzustimmen, Verbrauchsmuster zu analysieren und Anomalien im Stromverbrauch frühzeitig zu erkennen. Machine Learning für Finanzdienstleister Banken können mittels Machine-Learning-Algorithmen Kreditentscheidungen für das Retail- und Firmenkundengeschäft treffen, etwa im Rahmen von Bonitätsprüfungen, der Ermittlung von Kreditkonditionen und der Erkennung von Kreditbetrug. Machine Learning im Gesundheitswesen Im Gesundheitswesen ermöglichen es Machine-Learning-basierte Ähnlichkeitsanalysen von Patientenakten, Muster und Zusammenhänge erkennen, um die Behandlungen von neuen Patienten zu optimieren. Machine Learning für Retail Der Handel kann Machine Learning für die effizientere Marktforschung nutzen oder personalisierte Kundenkommunikation analog der individuellen Kaufvorlieben der Kunden. Machine Learning im Bereich Telekommunikation Telekommunikationsunternehmen können den Netzwerkverkehr nach Anomalien durchsuchen, die auf Angriffe hindeuten.