Kontakt
Machine Learning
Was ist Machine Learning?
Machine Learning oder maschinelles Lernen hat die Aufgabe, Muster, Gesetzmäßigkeiten und Zusammenhänge zwischen Daten zu erkennen, ohne vorab für diesen Zweck programmiert worden zu sein. Basierend auf Erfahrungen generiert Machine Learning künstliches Wissen.
Wie funktioniert Machine Learning?
Zur Mustererkennung muss maschinelles Lernen zunächst von einem Menschen trainiert bzw. programmiert werden. Dafür erhält es einen (Trainings-)Datensatz. Dieser wird vom Machine Learning nach Mustern durchsucht. Ist der Lernprozess des maschinellen Lernens abgeschlossen, ist das trainierte Modell in der Lage, unbekannte Daten zu bewerten. Es trifft Vorhersagen auf deren Grundlagen bessere Entscheidungen getroffen werden können.
Beim Machine Learning wird folgender Prozess durchlaufen:
- Zunächst werden Ziel und Einsatzzweck definiert. Es wird festgelegt, was maschinelles Lernen optimieren soll.
- Nun werden die nötigen Daten beschafft, transformiert und entsprechend extrahiert. Dabei kann es sich auch um Big Data bzw. Daten, die vom Internet of Things ausgehen, handeln. Da die Qualität der Daten eine große Rolle spielt, handelt es sich bei diesem Schritt in der Regel um den aufwändigsten.
- In der anschließenden Lernphase findet das maschinelle Lernen statt, der Algorithmus wird trainiert.
- Ist das maschinelle Lernen abgeschlossen, werden die Ergebnisse interpretiert…
- … und im letzten Schritt in der Praxis verwendet.
Die Trainer des maschinellen Lernens durchlaufen den Prozess so lange, bis das gewünschte Ergebnis vorhanden ist.
Welche Arten und Modelle von Machine Learning gibt es?
Überwachtes Lernen (Supervised Machine Learning)
Das überwachte Lernen nutzt Mustererkennung aus bekannten Daten. Dafür erlernt der Algorithmus anhand eines Trainingsdatensatzes Muster im Zusammenhang mit einer Zielvariablen, z. B. Ja oder Nein. Ist der Lernprozess erfolgreich abgeschlossen, lassen sich verlässliche Vorhersagen treffen.
Überwachtes Lernen kommt in folgenden Szenarien zum Einsatz:
- Vorhersage vom Stromverbrauch
- Bewertung des Risikos bei Investitionen
- Berechnung der Wahrscheinlichkeit von Maschinenausfällen
Unüberwachtes maschinelles Lernen (Unsupervised Machine Learning)
Beim unüberwachten maschinellen Lernen soll der Algorithmus eigenständig Gruppen und Muster erkennen, ohne Beispieldaten erhalten zu haben. Er ist somit nicht dafür vorgesehen, eine bestimmte Zielvariable vorherzusagen.
Unüberwachtes maschinelles Lernen kommt in folgenden Szenarien zum Einsatz:
- Große Datenmengen visualisieren
- Clusteranalysen erstellen
- Regeln extrahieren
Teilüberwachtes Lernen (Semi-Supervised Machine Learning)
Das teilüberwachte Lernen kombiniert überwachtes mit unüberwachtem Lernen, indem es sowohl Beispieldaten mit Zielvariablen als auch unbekannte Daten nutzt. Im Gegensatz zum unüberwachten Lernen nutzt der Lernprozess jedoch nur wenige Daten mit bekannter Zielvariablen und viele Daten ohne diese Zielvariable. Aus diesem Grund ist es möglich, schon mit wenigen bekannten Daten zu trainieren.
Teilüberwachtes maschinelles Lernen kommt typischerweise in den Gebieten des teilüberwachten Lernens zum Einsatz und wird häufig fürs Erkennen von Bildern und Objekten genutzt.
Verstärkendes Lernen (Reinforcement Learning)
Die Algorithmen des Verstärkenden Lernens stehen mit ihrer Umgebung in Verbindung. Die Bewertung erfolgt entweder durch eine Kostenfunktion oder über ein Belohnungssystem. Somit sollen eine Lösungsstrategie selbstständig erlernt und die Belohnung maximiert werden. Durch die Kostenfunktion erhält der Algorithmus ein positives oder negatives Feedback, anhand dessen vorhergesagt wird, welche Aktion wann die richtige ist.
Verstärkendes Lernen benötigt vorab keinerlei Beispieldaten. Beispiele für den Einsatz von verstärkendem Lernen sind autonomes Fahren und autonome Robotik sowie das Entwickeln von Künstlicher Intelligenz im Allgemeinen.
Welche Möglichkeiten ergeben sich mit Machine Learning für Software?
Maschinelles Lernen erweitert den Software-Bereich um die Möglichkeit, eigenständig Regeln zu finden mit dem Ziel, einen zuvor festgelegten Output zu erlangen. Software soll also in der Lage sein, selbst Software zu schreiben – und hier liegt auch der größte Unterschied zu normaler Software. Denn während Programmierer dieser sagen, was sie tun soll, wird dem Computer beim Machine Learning lediglich erklärt, wie er etwas herausfinden kann.
Prozesse automatisieren mit der Power Platform
Die Microsoft Power Platform ist ein Set aus verschiedenen Tools - jedes mit seinen eigenen Vorteilen. Von der App bis zum Chatbot: Mit der Power Platform automatisieren Sie Ihre Prozesse im Nu.
Welche Machine Learning Algorithmen gibt es?
Im Wesentlichen gibt es beim Machine Learning folgende Algorithmen:
- Lineare Regression
- Logistische Regression
- Entscheidungsbaum
- Support Vector Machine (SVM)
- K-Nearest Neighbor
- Clustering Algorithmen
- Random Forest
- Gradient Boosted Trees
- künstliche Neuronale Netze
Wann ist Machine Learning sinnvoll?
Machine Learning ist in der Lage , anhand von Daten automatisierte Vorhersagen zu treffen. Daher lohnt sich der Einsatz, sobald eine große Datenmenge verfügbar ist. Besonders sinnvoll ist der Einsatz, wenn die Szenarien sehr komplex sind und von Menschen nur schwer erfasst werden können.
Was sind Einsatzbeispiele für Machine Learning?
- Natural Language Processing: Natural Language Processing (NLP) meint Techniken und Methoden, mit denen natürliche Sprache verarbeitet wird, um die Kommunikation zwischen Mensch und Computer auf die Grundlagen natürlicher Sprache zu bringen. Dabei werden sprachwissenschaftliche Methoden mit Informatik und künstlicher Intelligenz kombiniert. NLP kommt typischerweise in folgenden Bereichen zum Einsatz:
- Spracherkennung
- Erfasste Wörter und Sätze segmentieren
- Grundformen von Wörtern erkennen und grammatische Infos erfassen
- Satzfunktion von Wörtern erkennen, zum Beispiel Verb oder Subjekt
- Die Bedeutung von Sätzen extrahieren und Zusammenhänge zwischen Sätzen erkennen
- Customer Relationship Management (CRM): Maschinelles Lernen kommt im CRM zum Einsatz, um die Effizienz zu steigern. Beispiele sind:
- Die künftige Profitabilität von Kunden mit Prognosen vorhersagen
- Affinitäten zu bestimmten Produkten berechnen
- Mögliche Kundenabwanderung vorhersagen
- Personalisiertes Marketing: Maschinelles Marketing kann dabei helfen, Kundenvorliegen zu erkennen und entsprechende Produktvorschläge anzuzeigen. Beispielsweise:
- Empfohlene Produkte
- Internetseitenpersonalisierung
- Kunden auf Basis von Kennzahlen segmentieren
- Bilderkennung in Drive-Through-Shops
- IT-Security: Um sicherheitsbezogene Ereignisse vorzubeugen, ist viel Aufwand nötig. Mit Machine Learning wird das einfacher, denn so können große Datenmengen verarbeitet werden.
- Mobilität: Machine Learning kommt auch im Verkehr immer häufiger zum Einsatz, beispielweise beim autonomen Fahren. Dafür werden Sensordaten ausgewertet und der Zustand des Fahrzeugs sowie der Umgebung generiert. Mittels neuronaler Netze wird sichere Navigation im Straßenverkehr möglich, Ampelschaltungen lassen sich optimieren, indem mittels Machine Learning Autoansammlungen erkannt werden
- Predictive Analytics und Maintenance: Mittels Machine Learning lassen sich Maschinenausfälle vorhersagen. Sensordaten zeigen den Zustand einer Maschine an und erkennen Abweichungen frühzeitig bzw. vorab. So ist es möglich, die Supply Chain automatisch aufrecht zu erhalten.
- Sprach- und Texterkennung digitaler Assistenten
- Relevanzbestimmung von Websites für gesuchte Begriffe
- Gesichts- und Bilderkennung
- Erkennung von Rauchbildung bei Bränden
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Beim Deep Learning handelt es sich um einen relativ neuen Teilbereich des Machine Learning, der mit neuronalen Netzen arbeitet. Am häufigsten kommt Deep Learning bei der Verarbeitung von Bildern, Videos, Texten und Audioaufnahmen zum Einsatz. Beim Deep Learning legen die Algorithmen selbst fest, ob sie richtig oder falsch entschieden haben. Maschinelles Lernen hingegen benötigt einen Programmierer, um Anpassungen durchzuführen.
Was ist der Unterschied zwischen Machine Learning und Data Mining?
Data Mining wird von Menschen eingesetzt, um Muster in bestimmten Datensätzen zu erkennen. Um Ergebnisse vorherzusagen, werden Techniken eingesetzt, die mit maschinellem Lernen entwickelt wurden. Machine Learning an sich meint, dass ein Computer in der Lage ist, aus bestehenden Datensätzen zu lernen. Diese Datensätze können mit Data Mining generiert worden sein.
Was ist der Unterschied zwischen KI und Machine Learning?
Machine Learning ist ein Teilbereich der Künstlichen Intelligenz und damit eine Art, Künstliche Intelligenz in der Praxis einzusetzen.
Probleme, die vorhersebar sind, sind keine
Maschinenausfälle und Co. - passieren sie, kommt die Produktion zum Stillstand. Mit Predictive Analytics und Maintenance lässt sich das vermeiden. Möglich macht es die Microsoft Power Platform.
Wie sieht die Zukunft des Machine Learnings aus?
Die Zukunft das Machine Learnings deutet in Richtung Auto Machine Learning (AutoML), also automatisiertes maschinelles Lernen. AutoML ist darauf ausgelegt, den Lerntyp bzw. den Algorithmus automatisiert zu wählen. Der Zeitaufwand, den Menschen in diesen Prozess investieren, wird dadurch deutlich reduziert. Zahlreiche Unternehmen wie Google oder Amazon investieren viel Geld in die Einführung bzw. Entwicklung von Machine Leaning. Aller Wahrscheinlichkeit nach wird sich Machine Learning also immer mehr festigen, sich noch tiefer ins tägliche Leben integrieren und die Automatisierung in verschiedenen Bereichen weiter vorantreiben.
Beitrag teilen
Autor
Weitere interessante Beiträge
