Machine Learning – Kurzerklärung

Machine Learning (Maschinelles Lernen, ML) ist eine besondere Art der Entwicklung von Künstlicher Intelligenz (KI). Das ML-Prinzip beruht auf dem Konzept, dass sich Algorithmen ständig weiterentwickeln, um die Ergebnisse schrittweise zu verbessern. In der Praxis werden Maschinelles Lernen und Künstliche Intelligenz meist als Synonyme verwendet.

Machine Learning, Artificial Intelligence, Deep Learning – Was ist Was?

Im Zusammenhang mit der fortschreitenden Digitalisierung vieler Lebensbereiche werden immer wieder drei Begriffe genannt: Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Sie beschreiben streng gesehen nicht dasselbe, sondern bauen aufeinander auf:

  • Artificial Intelligence oder Künstliche Intelligenz (AI, KI) ist ein umfassender Begriff: Maschinen übernehmen Aufgaben, für die typischerweise menschliche Intelligenz erforderlich ist. Programme ahmen kognitive menschliche Fähigkeiten nach.
  • Machine Learning oder Maschinelles Lernen (ML) steht für eine besondere Methode, um Künstliche Intelligenz hervorzubringen. Die Algorithmen lernen selbstständig. Auf der Basis von Daten entwickelt die Software eigenständig Methoden, um Probleme zu lösen.
  • Deep Learning oder Tiefes Lernen (DL, TL) ist wiederum ein Teilbereich des Maschinellen Lernens. Hier sind die Algorithmen in Schichten angeordnet – ähnlich wie das neuronale Netz im menschlichen Gehirn. Dieses Verfahren eignet sich vor allem für die Verarbeitung großer Datenmengen (Big Data).

Kurz gesagt: Künstliche Intelligenz löst eigenständig Probleme, Maschinelles Lernen entwickelt sogar die Wege zur Problemlösung selbstständig, und Deep Learning nutzt Machine Learning in mehreren Schichten.

Wie funktioniert Machine Learning?

Der Unterschied zwischen Künstlicher Intelligenz und Maschinellem Lernen lässt sich anhand des Aschenputtel-Märchens erklären. Bekanntlich soll Aschenputtel Linsen je nach ihrer Qualität in zwei unterschiedliche Behälter legen. Im Märchen helfen ihr dabei Tauben. Wenn Aschenputtel anstelle der Tauben eine Maschine hätte, könnte sie diese wie folgt programmieren:

  1. Gute Linsen haben die Merkmale A bis Z.
  2. Schlechte Linsen haben die Merkmale A’ bis Z’.
  3. Lege die guten Linsen ins Töpfchen.
  4. Lege die schlechten Linsen ins Kröpfchen.

Im Ergebnis entsteht dann eine Tätigkeit, die von einer Maschine statt von einem Menschen ausgeführt wird und kognitive Fähigkeiten voraussetzt. Die Definition von KI ist somit erfüllt.

Ein Algorithmus, der nach dem Prinzip des Maschinellen Lernens funktioniert, sähe dagegen so aus:

  1. Lege die Linsen ins Töpfchen oder ins Kröpfchen.
  2. Achte auf die Rückmeldungen.
  3. Passe den Algorithmus ständig an, sodass die Rückmeldungen immer besser werden.

Mit der Zeit lernt die Maschine, dass sich die Linsen unterscheiden und je nach Merkmal in den einen oder anderen Behälter gehören. Das ist Machine Learning.

Je mehr, desto besser: Daten für Machine Learning

Der Vorteil des Maschinellen Lernens liegt auf der Hand. Die auf diesem Prinzip basierenden Programme sind für viele Zwecke einsetzbar und benötigen – zumindest in der konkreten Nutzung – weniger Programmieraufwand. Denn die Maschine übernimmt die Unterscheidungen selbst. Klar ist aber auch: Damit ML komplexe Probleme lösen kann, benötigt es jede Menge Daten als Trainingsmaterial. Je komplizierter ein Problem ist, desto größer ist die Datenmenge, die der Algorithmus für die Lösungsentwicklung verarbeiten muss.

Diese Daten lassen sich zum einen aus der großen Menge an Informationen gewinnen, die im weltweiten Netz gespeichert sind. Für bestimmte Anwendungsbereiche – zum Beispiel für selbstfahrende Autos – bedarf es aber auch realistischer Daten, hinter denen eine menschliche Beurteilung steht. Ein Beispiel ist die Analyse von Verkehrssituationen:

  • Ein System soll lernen, Menschen von Gegenständen zu unterscheiden.
  • Hierfür bekommt es Fotos als Input, der Output soll eine ja/nein-Entscheidung sein.
  • Menschen bewerten den Output der Maschine und teilen ihr das Ergebnis mit (richtig/falsch).
  • Daraus lernt die Maschine, welche Unterscheidungsmerkmale wesentlich sind.

Für diese Art von Training eignet sich das Outsourcing vieler Mini-Aufträge an die Crowd. Das Ergebnis sind große Mengen von Trainingsdaten innerhalb kürzester Zeit.

Trainingsdaten für Machine Learning können Sie ganz individuell nach Bedarf des anzulernenden Systems bei clickworker beauftragen.

Machine Learning in der Praxis

Für welche Einsatzgebiete ist ML geeignet? Schon heute basieren viele Anwendungen auf ML. Einige Beispiele:

  • Erkennen einzelner Merkmale auf Bildern und Videos
  • Auslesen von Spam in E-Mail-Programmen
  • Erkennen von Betrugsversuchen bei Online-Payment-System anhand bestimmter Merkmale
  • Vorhersage von Börsenkursen und Prognose der Nachfrage-Entwicklung einzelner Produkte
  • Textklassifikation

Diese Liste lässt sich beliebig fortsetzen. Eine große Rolle spielt Machine Learning auf dem Zukunftsmarkt Autonomes Fahren. Um eine Vielzahl von Eindrücken innerhalb von Sekunden zu verarbeiten und die richtigen Schlüsse daraus zu ziehen, muss das System zuverlässige und sehr genaue Voraussagen liefern. Gerade im Einsatzgebiet Autonomes Fahren hängt die Leistungsfähigkeit der Programme entscheidend von Menge und Qualität der Trainingsdaten ab.

Auch in der Logistik und in der Produktion lässt sich Machine Learning gewinnbringend einsetzen. Produktionsroboter lernen schneller, sodass viele Arbeitsprozesse beschleunigt werden. Selbstständig lernende Algorithmen ermitteln in der Logistik die effektivsten Transportwege für Waren aller Art. Dabei berücksichtigen sie eine riesige Menge unterschiedlicher Daten: Straßenverhältnisse, Wetterlage, Kosten, Lagerbestände, Marktentwicklungen, Arbeitszeitaufwand und vieles mehr. Im Idealfall deckt Maschinelles Lernen dabei auch neue relevante Zusammenhänge auf, auf die Menschen von sich aus nicht kommen würden. Auf diese Weise meistern Transportunternehmen die Herausforderungen der Just-in-Time-Lieferung.

Maschinelles Lernen im Marketing

Unternehmen sind heute vor allem dann erfolgreich, wenn sie nicht nur angemessen auf die Kunden reagieren, sondern auch deren Absichten voraussehen. Für personalisierte Angebote müssen zielsichere Prognosen über künftige Intentionen der Kunden gestellt werden. Für diese Vorhersagen eignen sich Daten über vergangene Kaufentscheidungen. Auch hier kann Machine Learning Zusammenhänge erkennen und für Marketingzwecke nutzbar machen.

Für die Optimierung der Conversion Rate von Websites sind laufende Überprüfungen in Echtzeit optimal. A/B-Tests, die ständig die Erfolgsquoten alternativer Website-Versionen analysieren, basieren auf Künstlicher Intelligenz und Maschinellem Lernen. ML erleichtert so die Entscheidung für unterschiedliche Designs, Texte, Bilder, Calls-to-Action oder Überschriften von Internetauftritten. Eine sich selbst optimierende Website ist heute schon nicht mehr bloße Zukunftsmusik. In manchen Bereichen ist sie schon Realität.

Machine Learning – Wie geht es weiter?

Heute bezweifelt kaum noch jemand, dass viele Bereiche der Industrie und Wirtschaft in Zukunft nicht mehr ohne Machine Learning auskommen werden. Die langfristige Entwicklung ist im Einzelnen kaum voraussehbar. Sogar die möglichen Anwendungsbereiche lassen sich zurzeit kaum eingrenzen. Das liegt unter anderem daran, dass Maschinelles Lernen Zusammenhänge entdecken wird, die heute noch unbekannt sind. Es ist abzusehen, dass ML die Spielregeln in vielen Bereichen ändern wird. Unternehmen sind gut beraten, potenzielle Einsatzmöglichkeiten von Systemen zu testen, die auf Künstlicher Intelligenz und Maschinellem Lernen beruhen. So gehen sie sicher, den Anschluss an die Zukunft nicht zu verpassen.