Was ist Machine Learning?Definition & Einsatzgebiete 

Machine Learning findet zunehmend Einzug in alltägliche, industrielle und geschäftliche Anwendungen. Doch was ist Machine Learning und in welchen Bereichen kann maschinelles Lernen sinnvoll eingesetzt werden?

Definition: Machine Learning

Machine Learning umfasst Methoden und Algorithmen, die beim automatisierten Trainieren und Optimieren statistischer Modelle zum Einsatz kommen. Diese Methoden und Algorithmen erkennen Muster in Daten, indem sie diese zum Beispiel in hierarchische Strukturen zerlegen (Entscheidungsbäume) oder gemeinsame Charakteristika zwischen Datensätzen (k-nearest-Neighbour) erkennen. Durch das Erkennen solcher Strukturen und Muster sind Maschinen in der Lage, eigenständig Lösungen zu entwickeln.

Im Detail gibt es Dutzende unterschiedliche Verfahren im Machine Learning. Die algorithmische Umsetzung lässt sich jedoch grundsätzlich in überwachtes oder unüberwachtes Lernen einteilen.

Definition: überwachtes vs. unüberwachtes Lernen

Beim überwachten maschinellen Lernen wird ein System anhand von Trainingsdaten auf ein Problem ausgerichtet und wendet die Problemlösungsstrategie danach produktiv auf neue Daten an. Unüberwachtes maschinelles Lernen ist dagegen eine Methodik, um in unübersichtlichen Datensätzen Muster und Zusammenhänge zu erkennen.

Beide Verfahren verfolgen vollkommen verschiedene Zwecke – umso wichtiger ist eine korrekte Differenzierung.

Was ist überwachtes Lernen?

Das überwachte Lernen beginnt immer mit einer Lernphase. Ziel des überwachten Lernens, ist es, der „Maschine“ auf Grundlage von Testdaten beizubringen, gewisse Merkmale bei unbekannten Daten wiederzuerkennen. Dafür werden aus einer gegebenen Datenmenge zufällige Datensätze ausgewählt und zu einer Teilmenge zusammengefasst. Das Anlernen der Maschine setzt voraus, dass jedes Objekt der Datenmenge bereits einer Klasse zugewiesen ist. Mit den zusammengestellten Daten kann nun mithilfe eines Klassifikationsverfahrens ein Modell erstellt werden, das die zugehörige Klasse anhand gegebener Merkmalskombinationen bestimmt.

Um sicherzustellen, dass dieses Modell verlässliche Ergebnisse für die Gesamtmenge der Daten liefert, findet nach der Lernphase eine Testphase statt. In dieser Testphase klassifiziert die Maschine eine weitere Teilmenge aus der gegebenen Datenmenge. Die vom System abgeleitete Klasse kann danach der tatsächlichen Klasse des Objektes gegenübergestellt werden. Stimmen die von der Maschine genannten Klassen mit den tatsächlichen Klassen des Objektes überein, ist die Lernphase erfolgreich verlaufen.

Beispiel: Eine Maschine bekommt Bilder von Katzen und Hunden vorgelegt, die bereits der Klasse „Hund“ oder „Katze“ zugeordnet sind. Nach Abschluss der Lernphase kann die Maschine eigenständig in unbekannten Tierbildern Katzen und Hunde unterscheiden.

Was ist unüberwachtes Lernen?

Beim unüberwachten Lernen gibt es ausschließlich nicht gekennzeichnete Daten, die vorab keine Aussage über Ergebnisse ermöglichen. Folglich lässt sich der Algorithmus nicht in einer Trainingsphase anhand von historischen Daten trainieren. Stattdessen benötigt unüberwachtes Lernen entsprechende Algorithmen, die die Struktur der Daten erkunden und wertvolle Informationen aus der unübersichtlichen Datenmenge bilden. Beispielsweise wird mit dem Verfahren des Clustering versucht, Grenzen zwischen Datenmengen aufzuspüren und Objekte mit ähnlichen Merkmalen in einer Gruppe zusammenzufassen.

Beispiel: Eine Maschine bekommt Bilder von Katzen und Hunden vorgelegt, ohne dass für beide Tierarten bereits eine Klassifizierung besteht. Die Maschine lernt anhand der Bilder eigenständig, dass die Abbildungen unterschiedliche Merkmale aufweisen und ordnet die Katzen- und Hundebilder zwei unterschiedlichen Gruppen zu.

Deep Learning als zukünftiger Standard

Deep Learning ist das am weitesten verbreitete maschinelle Lernverfahren und basiert auf der Herstellung eines künstlichen neuronalen Netzes. Durch diese Technik lassen sich komplexe Zusammenhänge zwischen Merkmalen modellieren. Deep Learning versucht dadurch die grundlegenden Lernfähigkeiten biologischer Nervensysteme nachzubilden. Solche Netze sollen aus ihren Erfahrungen lernen, indem sie die erhaltenen Informationen verallgemeinern und für die Mustererkennung oder für Vorhersagen nutzen.

Der entscheidende Unterschied zu anderen Verfahren des Machine Learning besteht darin, dass der Mensch hier ausschließlich die Informationen zum Lernen bereitstellt und nicht aktiv in die Analyse der Daten und in den Entscheidungsprozess eingreift.

Wo kann Machine Learning eingesetzt werden?

Unser Alltag ist bereits mehr vom maschinellen Lernen beeinflusst, als vielen Menschen bewusst ist. Die Prämisse für den Einsatz maschinellen Lernens: Machine Learning-Algorithmen sollen uns das Leben erleichtern. Im privaten Umfeld kommen sie beispielsweise bei Musik- oder Filmempfehlungen zum Einsatz. Im geschäftlichen Umfeld lassen sich zum Beispiel Marketingkampagnen, Logistikrouten oder der Kundenservice mit entsprechenden Algorithmen optimieren. Machine Learning-Verfahren das Potenzial, Mustererkennung, Datenexploration und automatisierte Datenverarbeitung in Bereichen zu etablieren, die mit bisherigen Technologien nicht erreichbar sind.

Die Möglichkeiten für Unternehmen, Machine Learning einzusetzen, sind vielfältig. Besonders die Kommunikation mit Kunden lässt sich durch maschinelles Lernen verbessern: Mit personalisierten Werbemaßnahmen können Unternehmen auf die individuellen Bedürfnisse ihrer Kunden eingehen und so das Kundenerlebnis und die -bindung verbessern. Machine Learning kann auch dabei helfen, zu erkennen, ob Kunden möglicherweise in nächster Zeit abwandern (Churn Prevention). Dafür extrahiert das System konkrete Merkmale, die abwanderungswillige Kunden mit bereits abgewanderten Kunden gemeinsam haben. Diese abwanderungswilligen Kunden können Unternehmen dann gezielt umsorgen und im besten Fall von einem Verbleib überzeugen.

Fazit: Machine Learning eröffnet sowohl im privaten als auch geschäftlichen Umfeld bisher ungeahntes Potenzial bei der Verarbeitung von Daten und der Aufdeckung von Zusammenhängen. https://affinis.de/kontakt/Das haben auch die großen Software-Hersteller erkannt. Sowohl Microsoft als auch SAP haben Machine-Learning-Technologien in ihre Plattform-Dienste, der Microsoft Power Platform und der SAP Cloud Platform, integriert. Wollen Sie herausfinden, wie Sie Machine Learning für sich nutzen können? Dann kontaktieren Sie uns gerne über unser Kontaktformular.