Machine Learning

Machine Learning (ML) ist ein Teilbereich der künstlichen Intelligenz (KI). Dabei werden große Datenmengen analysiert und anhand der ermittelten Muster Prognosen erstellt und Entscheidungen getroffen.

Infolge der zunehmenden Verfügbarkeit großer Datenbestände und der immensen Rechenleistung von Computern ist auch das Interesse an Machine Learning gestiegen. Durch Machine Learning lassen sich komplexe Geschäftsfragen analysieren und Vorgänge zur Entscheidungsfindung automatisieren. Machine Learning unterscheidet sich von früheren KI-Ansätzen, die auf von Fachkräften entwickelten Algorithmen basierten.

Beschreibung

Machine Learning ist eine Disziplin der künstlichen Intelligenz. Mit Computeralgorithmen werden Muster in Daten ermittelt und angewendet, um Prognosen zu erstellen.

Das Verfahren ist mittlerweile weit verbreitet. So ist Machine Learning z. B. das Kernstück der Empfehlungs-Engine von Netflix, bei autonomen Tesla-Fahrzeugen sowie in Speech-to-text-Apps.

Die Gründe für den großen Anklang dieser Technik liegen auf der Hand: Es gibt immer mehr Daten, mit denen Modelle trainiert werden können. Dazu stehen durch Cloud Computing bei Bedarf umgehend enorme Rechenleistungen zur Verfügung.

Ein Bereich von Machine Learning erfreut sich seit kurzer Zeit besonders großer Beliebtheit: Deep Learning. Bei dieser Methode werden mit beträchtlicher Rechenkapazität sogenannte neuronale Netze aufgebaut, die fast wie ein Gehirn funktionieren.

Vorteile

Wenden Unternehmen Machine Learning richtig an, können sie Prognosen erstellen und manche Entscheidungen automatisiert treffen. So lassen sich z. B. grundlegende Interaktionen mit Kunden, wie die Beantwortung häufiger Fragen, über einen Chatbot abwickeln.

Machine Learning kann aber auch in neue Produkte oder Dienstleistungen eingebunden werden. Die Automobilindustrie setzt bei der Entwicklung von selbstfahrenden Fahrzeugen verstärkt auf diese Technologie.

Bei sinnvoller Nutzung von Machine Learning können Sie die Betriebskosten reduzieren, den Gewinn erhöhen und die Produktivität Ihrer Mitarbeitenden steigern. Außerdem lassen sich schneller fundierte Entscheidungen treffen.

Trade-offs

Der Erfolg von Machine Learning hängt stark von der Qualität der Trainingsdaten ab. Sind die Datensätze fehlerhaft, können die Modelle lernen, schlechte Entscheidungen zu treffen oder unethische Ergebnisse erzielen, indem sie inhärente menschliche Befangenheiten (Bias) in ihren Datensätzen verwerten. 

Besorgniserregend ist, dass viele Datenbestände erwiesenermaßen Biases enthalten. Werden Modelle damit trainiert, kann das zu diskriminierenden Ergebnissen führen. Deshalb beschäftigt man sich derzeit eingehend damit, wie ML-Systeme auf ihre Ergebnisse kommen. Dabei wird viel Wert auf Vielfalt in den involvierten Teams gelegt.

Zwar wird es immer einfacher, ML-Modelle zu erhalten, zu trainieren und zu implementieren. Die Beschäftigung von Data Scientists bleibt jedoch nach wie vor kostspielig – und ohne sie geht es nicht.

Anwendung

Machine Learning ist in vielen Branchen und Organisationen aller Größen auf dem Vormarsch.

Bekannte Beispiele sind die selbstfahrenden Autos von Tesla, die digitale Assistentin Siri von Apple oder die Empfehlungs-Engine von Netflix. Viele Banken nutzen Machine Learning in ihren Systemen zur Betrugserkennung, und E-Mail-Anbieter filtern mittels ML Spam-Nachrichten heraus. In der Medizin kommt Machine Learning in der Röntgentechnologie zum Einsatz und unterstützt Ärzte bei der Erkennung von Tumoren. In Überwachungssystemen wird die Technologie zur Gesichtserkennung verwendet.

Die Beispiele zeigen, dass mit Machine Learning große Datenmengen schnell analysiert werden können, um anhand von ermittelten Mustern Prognosen zu erstellen und Entscheidungsgrundlagen zu liefern.