MACHINE LEARNING

Steigende Datenmengen

Unsere Welt wird zunehmend digital. In nahezu jedem Lebensbereich – ob privat oder beruflich – werden Daten erhoben: Wir akzeptieren Cookies, wenn wir im Internet surfen, wir kaufen mit Kreditkarte ein, nutzen Navigationsapplikationen und sind in Sozialen Medien unterwegs. Maschinen senden Daten über Verbräuche, Betriebstemperaturen und Outputmengen. Wetterstationen sammeln Informationen zu Niederschlagsmengen und Windgeschwindigkeiten.

Machine Learning Live am 14.09.2021 (Basel) und 28.10.2021 (Zürich)

Machine Learning: Systeme, die aus Daten lernen

Unternehmen nutzen Daten schon seit einigen Jahren mittels des Einsatzes von Business Intelligence Software für Datenanalyse und Reporting. Noch mehr Nutzen können diese Daten mittels des Einsatzes von Machine Learning (deutsch: „Maschinelles Lernen“) entfalten.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz und Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung. Ein künstliches System – sprich Software – lernt aus Beispielen Regeln, die es nach Beendigung dieser Lernphase verallgemeinern kann.

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

Machine Learning

Supervised und Unsupervised Learning

Supervised vs 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.

Supervised vs unsupervised Learning-Struktur

 

Deep Learning – was ist das?

Das sogenannte Deep Learning ist ein Teilbereich des Machine Learnings. Diese spezielle Methode der Informationsbearbeitung basiert auf neuronalen Netzen. Dabei wird durch Trainingsmethoden künstliche Intelligenz (KI oder AI, Artificial Intelligence) geschaffen. Diese Methoden ähneln von der Funktionsweise sehr dem menschlichen Lernen. Mit den vorhandenen Informationen kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Die Maschine ist in der Lage, Entscheidungen und Prognosen zu treffen und diese immer wieder zu hinterfragen. Dieser Vorgang führt dann zu einer Bestätigung oder einem neuen Anlauf. In diesen Lernprozess greift der Mensch in der Regel dann nicht mehr ein. Deep Learning lehrt also praktisch Maschinen zu lehren und eignet sich besonders gut für Anwendungen mit grossen Datenbeständen, aus denen sich Muster und Modelle ableiten lassen. Die Basis dafür bilden künstliche neuronale Netze, welche während der Lernvorgänge immer wieder neu verknüpft werden.

Automated Machine Learning mit DataRobot

Machine Learning in der Praxis

Eine ganze Reihe von Technologien, die wir täglich im privaten Umfeld nutzen, basieren bereits auf Machine-Learning-Algorithmen. Beispiele sind Gesichtserkennung bei Fotos und Videos, Spracherkennung auf Mobiltelefonen, Übersetzungsprogramme im Internet sowie Spamfilter für Computer.

Unsere branchenspezifische Live-Webinare

Die Anwendungsfälle für Machine Learning sind vielfältig – entdecken Sie gemeinsam mit uns, in welchen Bereichen Sie mittels Machine Learning mehr aus Ihren Daten machen können.

DataRobot Demo-Anfrage