Suchen

Maschinelles Lernen Machine Learning - Definition & Anwendungsbeispiele

| Redakteur: Jonas Scherf

Maschinelles Lernen, Deep Learning, Algorithmen - um diese Schlagwörter kommt man beim Thema Industrie 4.0 nicht mehr herum. Was hinter Machine Learning tatsächlich steckt, und wie es in der Praxis angewendet wird, erfahren Sie hier.

Firmen zum Thema

Um Machine Learning kommt man künftig nicht herum.
Um Machine Learning kommt man künftig nicht herum.
(Bild: ©Jamrooferpix - stock.adobe.com)

Maschinelles Lernen – Definition

Beim maschinellen Lernen (engl. Machine Learning) handelt es sich um einen Teilbereich der künstlichen Intelligenz, wobei mit dem Begriff die Fähigkeit von IT-Systemen bezeichnet wird, durch das Erkennen von Mustern in Datenbeständen eigenständig Problemlösungen zu finden. Mit anderen Worten: Durch Machine Learning werden IT-Systeme dazu befähigt, auf der Grundlage von vorhandenen Algorithmen und Datenbeständen Gesetzmäßigkeiten und Muster zu erkennen sowie adäquate Lösungskonzepte zu entwickeln. Beim Machine Learning wird also auf Basis von Erfahrungen künstliches Wissen generiert.

Um die Software in die Lage zu versetzen, eigenständig Lösungen zu generieren, ist das vorherige Agieren von Menschen nötig. So müssen in die Systeme beispielsweise vorab die notwendigen Algorithmen und Daten eingespeist und die jeweiligen Analyseregeln für das Erkennen von Mustern im Datenbestand definiert werden. Sind diese beiden Arbeitsschritte erledigt, kann das System durch maschinelles Lernen die folgenden Aufgaben erledigen:

  • finden, extrahieren und zusammenfassen relevanter Daten
  • auf Grundlage der Analysedaten Vorhersagen treffen
  • für spezifische Ergebnisse Wahrscheinlichkeiten berechnen
  • sich eigenständig an bestimmte Entwicklungen anpassen
  • auf Grundlage erkannter Muster Prozesse optimieren

Machine Learning: So funktioniert es

In gewisser Weise funktioniert Machine Learning ähnlich wie das menschliche Lernen. Werden zum Beispiel einem Kind Bilder mit spezifischen Objekten darauf gezeigt, kann es lernen, sie zu identifizieren und zwischen ihnen zu differenzieren. Analog funktioniert maschinelles Lernen: Der Computer wird durch Dateninput und bestimmte Befehle dazu befähigt, zu "lernen" bestimmte Objekte (Personen, Gegenstände etc.) zu identifizieren und zwischen ihnen zu unterscheiden. Hierzu wird die Software mit Daten versorgt und trainiert. So kann der Programmierer dem System beispielsweise mitteilen, dass es sich bei einem bestimmten Objekt um einen Menschen handelt (= "Mensch") und bei einem anderen Objekt nicht um einem Menschen handelt (= "kein Mensch"). Die Software erhält vom Programmierer kontinuierlich Feedback. Diese Rückmeldungen werden vom Algorithmus genutzt, um das Modell einerseits anzupassen und andererseits zu optimieren. Mit jedem neuen, in das System eingespeisten Datensatz wird das Modell weiter optimiert, so dass es am Ende eindeutig "Menschen" von "Nicht-Menschen" unterscheiden kann.

Doch Machine Learning bedeutet deutlich mehr als nur die Unterscheidung zweier Klassen. Am Beispiel des KUKA-Tischtennisroboter kann man sehen, wie eine Maschine die komplexen Tendenzen und den Spielstil des Gegners scannt, sich darauf einstellt, und damit sogar einen Weltmeister ins Schwitzen bringt.

|videoid=https://www.youtube.com/watch?v=tIIJME8-au8&t=4s|

Maschinelles Lernen: Diese Vorteile hat es

Machine Learning trägt zweifelsohne dazu bei, dass Menschen kreativer und effizienter arbeiten können. Grundsätzlich können auch Sie durch maschinelles Lernen recht aufwändige oder eintönige Arbeiten an den Computer delegieren - angefangen beim Scannen, Speichern und Ablegen von Papierdokumenten wie beispielsweise Rechnungen bis hin zum Organisieren und Bearbeiten von Bildern.

Neben diesen eher simplen Aufgaben können selbstlernende Maschinen jedoch auch komplexe Tätigkeiten übernehmen. Zu diesen zählt beispielsweise das Erkennen von Fehlermustern. Gerade in Bereichen wie der Fertigungsindustrie ist das von großem Vorteil: Die Branche ist darauf angewiesen, kontinuierlich und möglichst fehlerfrei zu produzieren. Während sich selbst Experten oft nicht sicher sein können, wo und durch welche Korrelation ein Fertigungsfehler in einem Anlagenpark entsteht, bietet Machine Learning die Möglichkeit, den Fehler früh zu identifizieren - das erspart Ausfallzeiten und Geld. Was mithilfe von Machine Learning in der Industrie noch alles möglich ist, können Sie in unserem kostenlosen Whitepaper erfahren.

Auch in der Medizin kommen mittlerweile selbstlernende Programme zum Einsatz. In Zukunft werden Apps nach dem "verspeisen" riesiger Datenmengen (medizinische Fachpublikationen, Studien, etc.) in der Lage sein, einen Patienten zu warnen, wenn sein Arzt ihm ein Medikament verschreiben möchte, dass er nicht verträgt. Dieses "Wissen" führt in der Folge auch dazu, dass die App Alternativen vorschlagen kann, die beispielsweise auch die genetischen Voraussetzungen des jeweiligen Patienten berücksichtigt.

Neben diesen potentiellen Chancen entstehen aber auch einige Risiken durch Machine Learning.

Diese Verfahren kommen beim Machine Learning zum Einsatz

Im Rahmen des maschinellen Lernens werden statistische und mathematische Modelle dazu verwendet, um aus Datenbeständen zu lernen. Hierfür existieren Dutzende differenter Verfahren, wobei grundsätzlich zwischen zwei Systemen, nämlich einerseits symbolischen Ansätzen und andererseits subsymbolischen Ansätzen unterschieden wird. Während es sich bei symbolischen Systemen beispielsweise um aussagenlogische Systeme handelt, in welchen die Wissensinhalte, also die induzierten Regeln und die Beispiele explizit repräsentiert sind, handelt es sich bei subsymbolischen Systemen um künstliche neuronale Netze. Diese arbeiten nach dem Vorbild des menschlichen Gehirns, wobei die Wissensinhalte implizit repräsentiert sind.

Maschinelles Lernen: Diese Arten gibt es

Grundsätzlich kommt Algorithmen beim Machine Learning eine wesentliche Rolle zu: Sie sind einerseits dafür verantwortlich, Muster zu erkennen und andererseits können durch sie Lösungen generiert werden. Dabei können sie in verschiedene Kategorien eingeteilt werden:

Überwachtes Lernen

Im Zuge des überwachten Lernens werden vorab Bespielmodelle definiert. Diese gilt es dann - um eine adäquate Zuordnung der Informationen zu den jeweiligen Modellgruppen der Algorithmen sicherzustellen - zu spezifizieren. Mit anderen Worten: Das System lernt auf Basis gegebener Ein- und Ausgabepaare. Im Zuge des überwachten Lernens werden von einem Programmierer, der gewissermaßen als Lehrer fungiert, die passenden Werte zu einer bestimmten Eingabe bereitgestellt. Ziel ist es, dem System im Rahmen von aufeinanderfolgenden Rechengängen mit verschiedenen Eingaben und Ausgaben anzutrainieren, Zusammenhänge herzustellen.

Unüberwachtes Lernen

Beim unüberwachten Lernen erlernt die künstliche Intelligenz ohne vorher definierte Zielwerte und ohne Belohnung. Es wird vor allem zum Erlernen von Segmentierung (Clustering) eingesetzt. Die Maschine versucht, die eingegebenen Daten nach gewissen Merkmalen zu strukturieren und sortieren. So könnte beispielsweise (stark vereinfacht) eine Maschine erlernen, dass verschiedenfarbige Münzen nach dem Merkmal "Farbe" sortiert werden können, um sie zu strukturieren.

Teilüberwachtes Lernen

Beim teilüberwachten Lernen handelt es sich um eine Kombination aus überwachtem und unüberwachtem Lernen.

Bestärkendes Lernen

Das bestärkende Lernen fußt - ebenso wie die klassische Konditionierung Skinners - auf Belohnungen und Bestrafungen. Dabei wird dem Algorithmus durch eine positive oder negative Interaktion vermittelt, welche Reaktion auf eine bestimmte Situation erfolgen sollte.

Aktives Lernen

Im Rahmen des aktiven Lernens wird einem Algorithmus die Möglichkeit geboten, für spezifische Eingangsdaten auf Basis vorab definierter und als bedeutsam betrachteter Fragen gewünschte Ergebnisse abzufragen. In der Regel erfolgt die Auswahl von Fragen mit hoher Ergebnisrelevanz durch den Algorithmus selbst.

Im Allgemeinen kann die Datenbasis in Abhängigkeit des entsprechenden Systems entweder offline oder aber online vorliegen. Zudem kann sie lediglich einmal oder aber wiederholt für das Machine Learning zur Verfügung stehen. Ein weiteres Unterscheidungsmerkmal ist die entweder zeitlich versetzte Entwicklung der Ein- und Ausgabepaare oder aber deren gleichzeitiges Vorhandensein. Aufgrund dieses Aspekts wird zwischen dem sogenannten sequenziellen Lernen und dem sogenannten Batch-Lernen unterschieden.

Maschinelles Lernen und seine populärsten Anwendungen

Machine Learning wird sowohl bei Netflix und Amazon als auch bei der Facebook-Gesichtserkennung angewendet. Dabei spiegelt sich das Machine Learning für Sie als Anwender beispielsweise in der Möglichkeit wieder, Personen mit ihrem Namen auf hochgeladenen Bildern zu markieren. De facto verfügt Facebook über die größte Gesichtsdatenbank weltweit. Die von den Nutzern in das soziale Netzwerk eingespeisten Daten werden von Facebook genutzt, um Systeme des maschinellen Lernens in Bezug auf die visuelle Erkennung zu optimieren und zu trainieren.

Onlinekurse zu Machine Learning Digitales Weiterbildungsangebot
Das Würzburger Fachmedienunternehmen Vogel Business Media geht gemeinsam mit dem Münchner Start-up „University4Industry“ (U4I) neue Wege der digitalen Weiterbildung. Die Onlinekurse sollen es vor allem kleineren und mittelständischen Industrieunternehmen ermöglichen, „Industrie 4.0“ konkret im eigenen Betrieb anzuwenden.

Eine weitere, mittlerweile fest in den Alltag integrierte Anwendung des maschinellen Lernen ist die in nahezu alle E-Mail-Programme integrierte automatische Erkennung von Spam. Im Rahmen der Spamerkennung werden die in den E-Mails enthaltenen Daten analysiert und kategorisiert. Zum Einsatz kommen diesbezüglich die Muster "Spam" und "Nicht-Spam". Wird eine E-Mail als Junk-Mail erkannt, lernt das Programm in Folge Spam-Mails noch effizienter zu identifizieren. Weitere Anwendungsbereiche von Machine Learning sind das Suchmaschinen-Ranking sowie die Bekämpfung von Cyber-Kriminalität und das Abwehren von Computerattacken.

Die kommerzielle Anwendung von maschinellem Lernen

Mithilfe von Machine Learning können Wirtschaftsdaten in Geld verwandelt werden. Konzerne, die auf maschinelles Lernen bzw. maschinelle Lernverfahren setzen, sind nicht nur in der Lage, die Zufriedenheit ihrer Kunden zu steigern, sondern zugleich auch eine Kostenreduzierung zu erreichen. Durch maschinelles Lernen können Kundenwünsche und Kundenbedürfnisse evaluiert und folgende Marketingmaßnahmen personalisiert werden. Hierdurch kommt es zu einer Optimierung des Kundenerlebnisses sowie einer Steigerung der Kundenbindung.

Hinzu kommt, dass maschinelles Lernen Unternehmen dabei behilflich sein kann, herauszufinden, ob in der nächsten Zeit eine Abwanderung des Kunden droht. Dies gelingt beispielsweise über die automatische Auswertung von Supportanfragen. Eine Alternative besteht in der Analyse derjenigen Merkmale, die bereits in der Vergangenheit abgewanderte Kunden gemeinsam haben. Werden im Anschluss auf Grundlage der aus der Analyse hervorgegangenen Merkmale diejenigen Bestandskunden herausgefiltert, die diese Merkmale ebenfalls aufweisen, erhält das Unternehmen eine Aufstellung des abwanderungsgefährdeten Kundenstammes. Um diese Kunden zu halten, können dann entsprechende Maßnahmen getroffen werden.

Zudem kommen im Bereich des telefonischen Kundenservice mittlerweile immer häufiger Chat-Bots zum Einsatz. Bei diesen handelt es sich um automatisierte Programme, welche mit Kunden kommunizieren. Im Rahmen des Einsatzes können die Chat-Bots ihre kognitiven Fähigkeiten in Bezug auf die Interpretation des Umgangstons in verschiedenen Situationen optimieren. Zudem sind die Chat-Bots in der Lage, den Anruf - beispielsweise dann, wenn es sich um ein komplexeres Anliegen handelt - an einen Mitarbeiter des Call-Centers weiterzuleiten.

Des Weiteren ist maschinelles Lernen eine zentrale Technologie bei der Entwicklung autonomer Systeme: Neben selbstfahrenden Autos kommt Machine Learning auch bei kollaborativen Robotern zum Einsatz.. Weitere Einsatzgebiete von Machine Learning wären beispielsweise:

  • Analyse des Aktienmarktes
  • Erkennen von Kreditkartenbetrug
  • automatisierte Diagnoseverfahren
  • Erfassen von Landminen in Akustiksensoren- und Radardaten

Machine Learning: Das sind die Technologieführer

Neben Microsoft, Google, Facebook, IBM und Amazon wendet auch Apple enorme finanzielle Ressourcen für die Nutzung und Weiterentwicklung von Machine Learning auf. Die noch immer bekannteste Appliance für maschinelles Lernen ist der Supercomputer Watson von IBM. Watson wird vor allem im medizinischen Bereich sowie im Finanzwesen eingesetzt. Wie bereits erwähnt, nutzt Facebook Machine Learning bei der Bilderkennung, Microsoft im Rahmen des Spracherkennungssystems Cortana, Apple bei Siri. Natürlich kommt maschinelles Lernen auch bei Google zum Einsatz, und zwar sowohl im Bereich der Bilddienste als auch des Suchmaschinen-Rankings.

Machine Learning: So können Anwendungen entwickelt werden

Durch Cloud-Anbieter wie Google, Microsoft, Amazone Webservice und IBM wurden mittlerweile Services für Machine Learning geschaffen. Mit deren Hilfe ist es auch Entwicklern, die nicht über spezifisches Machine-Learning-Wissen verfügen möglich, Anwendungen zu entwickeln. Diese Anwendungen sind in der Lage, aus einem frei wählbaren Bestand an Daten zu lernen. Je nach Anbieter haben diese Plattformen verschiedene Bezeichnungen:

  • IBM: Watson
  • Amazon: Amazon Machine Learning
  • Microsoft: Azure ML Studio
  • Google: Tensorflow

Neben den genannten Plattformen findet sich ein breites Spektrum von qualitativ hochwertigen, freien Open-Source-Programmen, durch welche das Machine Learning einem breiteren Publikum zugänglich gemacht wurde, so dass Sie als Entwickler oder Datenspezialist damit arbeiten können.

Programmiersprache Python macht Maschinelles Lernen möglich

Python ist häufig die Programmiersprache der Wahl, um Machine Learning-Programme zu schreiben. Bei Python handelt es um eine bereits etwas ältere Programmiersprache, die im Jahr 1991 veröffentlicht wurde. Seitdem konnte Python aufgrund ihres übersichtlichen und einfachen Quellcodes punkten. Vorteilhaft ist zudem, dass Python eine Vielzahl differenter Programmierparadigmen und Programmierstile ermöglicht. Sie können mit Python sowohl einen funktionalen als auch einen objektorientierten Code schreiben. Zudem handelt es sich um eine freie Programmiersprache, so dass viele unterschiedliche, frei nutzbare Pakete existieren. Auch große Unternehmen wie Facebook mit PyTorch und Google mit TensorFlow haben derartige Pakete zur freien Verfügung veröffentlicht. Einen ersten Einblick, wie man in wenigen Schritten einen ersten Machine Learning Code schreiben könnte, erhalten Sie in diesem Video.

|videoid=https://www.youtube.com/watch?v=cKxRvEZd3Mw|

Immer noch nicht genug gelesen zum Thema Machine Learning? Unser Whitepaper "Machine Learning for Dummies" können Sie kostenlos herunterladen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45267224)