Maschinelles Lernen

Machen Sie Big Data beherrschbar!

Maschinelles Lernen (engl. Machine Learning, ML) ist ein Teilgebiet der künstlichen Intelligenz. Durch das Erkennen von Mustern in vorliegenden Datenbeständen sind IT-Systeme in der Lage, eigenständig Lösungen für Probleme zu finden.

Prototypen und Demonstratoren vorhanden
Branchenübergreifender Einsatz
KMU geeignet?

Zum aktuellen Stand

Derzeit lassen sich eine Vielzahl an Umsetzungs- und Entwicklungsprojekte des Maschinellen Lernens finden. Gerade die Unterkategorie Deep Learning (Tiefes Lernen) bring zahlreiche Neuentwicklungen, bspw. in den Bereichen Gesichts- oder Spracherkennung hervor.

Möchten Sie ihr eigenes Entwicklungsprojekt starten, empfiehlt sich die Verwendung der Programmiersprache Python. Die OpenSource-Verfügbarkeit zahlreicher Programmierbibliotheken wie beispielsweise TensorFlow von Google, scikit-learn oder Theano ermöglicht eine schnelle Einbindung und Nutzbarmachung von Machine-Learning-Techniken.

Das Erkennen von Mustern in großen Datenmengen erfordert sowohl eine hohe Speicherkapazität, als auch fortgeschrittenes Wissen im Bereich Maschinelles Lernen. Cloud-Anbieter (Amazon, IBM, Google, Microsoft, etc.) bieten daher mittlerweile Mustererkennungen als „Maschinelles-Lernen-als-ein-Service“ innerhalb ihrer Plattformen an.

Technologie und Einsatz

Technologiebeschreibung

Mit dem Voranschreiten der vierten industriellen Revolution werden zunehmend unternehmens- und prozessbezogene Daten gesammelt. Die Aus- und Bewertung dieser wird für den Menschen daher immer schwerer handhabbar. Auf Basis vorhandener Datenbestände dient Maschinelles Lernen der Identifikation von Gesätzmäßigkeiten und Mustern innerhalb der Strukturen und ermöglicht so die Entwicklung von Lösungen und Schlussfolgerungen.

Die Unterkategorie des Deep Leanings beschreibt weiterhin eine Methode zur Erzeugung künstlicher Neuronaler Netzte. Diese sind in ihrer Funktion und Struktur einem menschlichen Gehirns nachempfunden. Mit dem Auslesen großer Datensätze können automatisch wichtige Merkmale extrahiert und klassifiziert werden. Eine intelligente Auswertung und das Treffen von Vorhersagen sind somit möglich.

Bild: In Anlehnung an Towards Data Science

Mögliche Einsatzszenarios

Derzeit gibt es zahlreiche Anwendungen rund um Maschinelles Lernen. Überall da wo große Datenmengen ausgewertet und nach Mustern durchsucht werden sollen kann Maschinelles Lernen verwendet werden.

Im alltäglichen Umfeld sind die wohl bekanntesten Applikationen die Empfehlungsdienste von Amazon und Netflix, die Aussortierung von Spam Mails, Spracherkennungen (Siri, Cortana) oder Gesichtserkennungen (Facebook).

Im Produktionsumfeld kann weiterhin in den Bereichen der Qualitätssicherung, Kundenzufriedenheit, autonomer Systeme oder auch Vorausschauender Wartung von Maschinellem Lernen profitiert werden.

Auch im Büro-Umfeld gibt es erste Anwendungsfelder. Mit Chatbots können Sie bspw. eine Kommunikation führen. Sie können Anfragen stellen und erhalten entsprechende Informationen, Handlungsempfehlungen oder Lösungsvorschläge.

Schrittweise Einführung

Schritt 1: Definition des Anwendungsszenarios

Stellen Sie eine konkrete Zielbeschreibung auf. Was erhoffen Sie sich durch eine Verwendung von Maschinellem Lernen? Definieren Sie Kriterien, die zur Lösung der Problemstellung entscheidend sind.

Schritt 2: ML-Mapping

Spalten Sie ihre Problemstellung so auf, dass es von Methoden und Algorithmen des Maschinellen Lernens bearbeitet werden kann. Reduzieren Sie die Gesamtkomplexität auf einzelne, leicht handhabbare Problemfälle.

Schritt 3: Daten aufarbeiten

Datenerhebung:

Ein entscheidender Schritt ist die Sicherstellung der geeigneten Datenstruktur. Erfassen Sie aktuell die richtigen Daten/Merkmale?

Datenexploration:

Führen Sie auf Grundlage Ihrer Erfahrungen eine Begutachtung der Daten durch um feststellen zu können, ob die Daten so aufgearbeitet sind, als dass es möglich ist diese auszuwerten. Dieser Schritt ist besonders wichtig, um ein Verständnis dafür zu bekommen, welche Kategorisierungen der Daten sie vornehmen sollten bzw. welche Inputvariablen für die Algorithmen benötigen werden. Gegebenenfalls können Sie erste Untersuchungen anstellen, welche Veränderungen aus der Variation einzelner Daten resultieren.

Schritt 4: Modellierung

Basierend auf der Problemstellung kommen unterschiedliche Algorithemn zur Datenauswertung in Frage (Decision Trees, Random Forest, etc.). Wenn Sie bereits Kompetenzen in Ihrem Unternehmen haben, können Sie nun Machine Learning Tasks implementieren. Falls nicht, empfiehlt sich die Beauftragung von Expert:innen, ggf. aber auch die Nutzung von Machine Learning-as-a-Service Funktionalitäten in Cloud-Plattformen.

Schritt 5: Evaluation

Das ML-Modell muss nun in seiner Anwendung fortlaufend beobachtet werden. Es muss überprüft werden, ob die Datensätze im Hinblick auf die Zielsetzung richtig ausgewertet wurden. Stellschrauben, die zu einer Verbesserung der Ergebnisse führen sind:

– Erhöhung des Datenvolumens

– Eindeutige Kategorisierung

– Reduzierung der Komplexität

– Verbesserung der Datenqualität

Chancen für KMU

Erkennung Komplexer Zusammenhänge

Höhere Effizienz

Aufzeigen von Optimierungspotenzial

Treffen von Vorhersagen

Kontakt

Sie brauchen Unterstützung bei der Einführung in Ihrem Unternehmen?

Kontaktieren Sie uns!

Behalten Sie mit unserem Technologieradar die wichtigsten KMU relevanten Technologien im Blick!

Zurück zum Technologieradar