Was ist Machine Learning?

Machine Learning oder Maschinelles Lernen ist eine Form der künstlichen Intelligenz (KI), die es einem System ermöglicht, von Daten und nicht durch explizite Programmierung zu lernen. Machine Learning ist jedoch kein einfacher Prozess. Nachdem die Algorithmen Trainingsdaten aufgenommen haben, ist es möglich, genauere Modelle auf der Basis dieser Daten zu erstellen. In einem Modell für Machine Learning finden Sie die Ausgabe, die generiert wird, wenn Sie Ihren Machine Learning Algorithmus mit Daten trainieren. Wenn Sie nach diesem Training eine Eingabe in ein Modell vornehmen, erhalten Sie eine Ausgabe. Ein Vorhersagealgorithmus erstellt z. B. ein Vorhersagemodell. Wenn Sie dann dem Vorhersagemodell Daten bereitstellen, erhalten Sie eine Vorhersage auf der Basis der Daten, mit denen das Modell trainiert wurde.

Bild zu einem Roboter, der ein Puzzle zusammensetzt

Iteratives Lernen

Durch Machine Learning können Modelle mit Daten trainiert werden, bevor die Modelle bereitgestellt werden. Einige Machine Learning Modelle sind online und kontinuierlich verfügbar. Dieser iterative Prozess von Onlinemodellen führt zu einer Verbesserung der verschiedenen Assoziationen zwischen Datenelementen. Aufgrund ihrer Komplexität und Größe hätten diese Muster und Assoziationen von einem Menschen leicht übersehen werden können. Nachdem ein Modell trainiert wurde, kann es in Echtzeit verwendet werden, um von Daten zu lernen. Die bessere Genauigkeit ist ein Ergebnis des Trainingsprozesses und der Automatisierung, die Teil des Machine Learning sind.

Konzepte für Machine Learning

Solche Verfahren für machine learning sind erforderlich, um die Genauigkeit von Vorhersagemodellen zu verbessern. Je nach Art des Geschäftsproblems, das gelöst werden soll, gibt es verschiedene Ansätze, basierend auf dem Typ und Umfang der Daten. In diesem Abschnitt gehen wir auf die verschiedenen Kategorien des machine learning ein.

Überwachtes Lernen (Supervised Learning)

Überwachtes Lernen beginnt in der Regel mit bereits etablierten Daten und einem gewissen Verständnis dessen, wie diese Daten klassifiziert werden. Durch überwachtes Lernen sollen Muster in Daten gefunden werden, die auf einen Analyseprozess angewendet werden können. Diese Daten enthalten gekennzeichnete Merkmale, die die Bedeutung der Daten definieren. So können Sie beispielsweise eine Machine Learning Anwendung erstellen, die basierend auf Bildern und Beschreibungen zwischen Millionen von Tieren unterscheiden kann.

Unüberwachtes Lernen (Unsupervised Learning)

Unüberwachtes Lernen wird verwendet, wenn das Problem eine enorme Menge an nicht gekennzeichneten Daten erfordert. Beispielsweise verfügen Social-Media-Anwendungen wie Twitter, Instagram und Snapchat über große Mengen nicht gekennzeichneter Daten. Um die Bedeutung hinter diesen Daten zu verstehen, müssen Algorithmen verwendet werden, die die Daten auf der Basis der Muster oder Cluster klassifizieren, die gefunden werden. Beim nicht überwachten Lernen wird ein iterativer Prozess durchgeführt, bei dem Daten voll automatisch analysiert werden. Dieser Prozess kommt auch bei Technologie zur E-Mail-Spam-Erkennung zum Einsatz. Es gibt viel zu viele Variablen in legitimen E-Mails und Spam-E-Mails, die es einem Analysten unmöglich machen, unerwünschte Massen-E-Mails zu kennzeichnen. Stattdessen werden Klassifikationsmerkmale für machine learning auf Basis von Clustering und Zuordnung angewendet, um unerwünschte E-Mails zu identifizieren.

Bestärkendes Lernen (Reinforcement Learning)

Bestärkendes Lernen ist ein Verhaltenslernmodell. Der Algorithmus empfängt Feedback aus der Datenanalyse und führt den Benutzer zum besten Ergebnis. Bestärkendes Lernen unterscheidet sich von anderen Arten des üb÷erwachten Lernens, da das System nicht mit Stichprobendaten trainiert wird. Vielmehr lernt das System nach der Trial-and-Error-Methode. Aus diesem Grund wird eine Folge erfolgreicher Entscheidungen dazu führen, dass der Prozess bestärkt wird, da er das jeweilige Problem am besten löst.

Deep Learning

Deep Learning ist eine bestimmte Methode des machine learning, die neuronale Netze in aufeinanderfolgenden Schichten integriert, um in iterativer Weise von Daten zu lernen. Deep Learning ist besonders nützlich beim Versuch, Muster in unstrukturierten Daten zu erkennen. Auf Deep Learning basierende komplexe neuronale Netze sollen emulieren, wie das menschliche Gehirn funktioniert. So können Computer trainiert werden, um unzureichend definierte Abstraktionen und Probleme zu lösen. Ein durchschnittliches fünfjähriges Kind kann problemlos den Unterschied zwischen dem Gesicht seines Lehrers und dem Gesicht des Schülerlotsen erkennen. Im Gegensatz dazu muss der Computer einen großen Arbeitsaufwand betreiben, um dies herauszufinden. Neuronale Netze und Deep Learning werden häufig in Bilderkennungs-, Sprach- und Computervisionsanwendungen eingesetzt.

Diagramm in einer Grafik

Big Data im Kontext des Machine Learning

Machine Learning setzt voraus, dass die richtigen Daten auf einen Lernprozess angewendet werden. Ein Unternehmen muss nicht unbedingt über große Datenmengen – Big Data – verfügen, um Machine Learning Verfahren verwenden zu können, doch Big Data können die Genauigkeit von Machine Learning Modellen erhöhen. Mit Big Data ist es nun möglich, Daten so zu virtualisieren, dass sie effizient und kostenwirksam gespeichert werden können, sei es lokal oder in der Cloud. Darüber hinaus konnten durch Verbesserungen bei der Netzwerkgeschwindigkeit und -zuverlässigkeit andere physische Einschränkungen beseitigt werden, die das Management großer Datenmengen mit angemessener Geschwindigkeit erschwerten. Wenn man dazu noch die Auswirkungen der Veränderungen bei Preis und Ausgereiftheit des Computerspeichers hinzufügt, kann man sich durchaus vorstellen, wie Unternehmen Daten auf eine Weise nutzen können, die noch vor fünf Jahren unvorstellbar gewesen wäre.

Machine Learning und Unternehmen

Machine Learning bietet Unternehmen, die Big Data nutzen wollen, einen potenziellen Nutzen und hilft ihnen, selbst die geringfügigsten Änderungen beim Verhalten, bei Präferenzen oder bei der Kundenzufriedenheit besser zu verstehen. Führungskräfte erkennen zunehmend, dass viele Vorgänge in ihrem Unternehmen und in ihrer Branche nicht durch eine Abfrage ergründet werden können. Es sind nicht die Fragen, die Sie kennen. Es sind die verborgenen Muster und Anomalien, die in den Daten verborgen sind, die Ihnen weiterhelfen oder eher schaden können.

So fügt sich alles zusammen

Der Vorteil des machine learning besteht darin, dass Algorithmen und Modelle zur Vorhersage von Ergebnissen genutzt werden können. Der Trick dabei ist, sicherzustellen, dass die mit dieser Aufgabe betrauten Data Scientists die richtigen Algorithmen verwenden, die am besten geeigneten Daten einpflegen (d. h. präzise und bereinigte Daten) und die leistungsfähigsten Modelle verwenden. Wenn all diese Faktoren zusammenkommen, ist es möglich, das Modell kontinuierlich zu trainieren und von den Ergebnissen zu lernen, indem man aus den Daten lernt. Die Automatisierung dieses Modellierungsprozesses, das Training des Modells und die Durchführung von Tests führen zu präzisen Vorhersagen, die geschäftliche Veränderungen unterstützen.

Grafik, die die Beziehung zwischen künstlicher Intelligenz und maschinellem Lernen zeigt

Produkte

IBM Watson Studio

Eine On-Premises-, Private-Cloud- oder Public-Cloud-Lösung, die eine Machine-Learning-Plattform für die Arbeit im Team zur Verfügung stellt. Damit können die Teams mithilfe der wichtigsten Open-Source-Tools Datenlösungen untersuchen, modellieren und bereitstellen.

IBM Machine Learning for z/OS

Eine On-Premises-Lösung für maschinelles Lernen, die bislang verborgenen Nutzen in Unternehmensdaten aufdeckt. Damit können Sie schnell Daten einpflegen und transformieren, um hochpräzise Self-Learning-Modelle mit IBM z Systems®-Daten zu erstellen, bereitzustellen und zu managen.

IBM SPSS® Modeler

Eine grafische Analyseplattform, mit der Benutzer unabhängig von ihrem Kenntnisstand aussagefähige Informationen in großem Umfang mit einem breiten Spektrum an Algorithmen und Funktionen wie Textanalyse, Geoanalyse und Optimierung gewinnen können.

IBM Watson Explorer

Eine auf maschinellem Lernen basierende Plattform für die Inhaltsanalyse und kognitive Suche, die Benutzern Zugriff auf verwertbare Erkenntnisse aus allen Daten bietet und zu besseren Geschäftsergebnissen beiträgt.

Machine Learning Kundenreferenzen

Ahus gewinnt mit Watson Explorer neue Erkenntnisse für eine qualitativ hochwertige medizinische Versorgung

Das Akershus University Hospital (Ahus) nutzt Watson Explorer zusammen mit seinem Partner Capgemini, um Tausende von Radiologieberichten zu analysieren. So kann sichergestellt werden, dass die Teams bewährte Verfahren befolgen und hohe Standards für die medizinische Versorgung eingehalten werden.

Inhaltsanalysen in Echtzeit helfen Call-Centern, Kunden einen effektiven Service zu bieten

Mizuho Bank Ltd. optimiert die Kundeninteraktionen wesentlich effektiver als bisher und reduziert die kundenspezifischen Bearbeitungszeiten mithilfe der IBM Watson® Explorer-Funktionen für die Verarbeitung natürlicher Sprache in Echtzeit.

Ressourcen

Im Rahmen einer geführten Tour erfahren Sie, wie in IBM Watson Studio ein Modell für machine learning erstellt wird, um Kundenabwanderungen vorherzusagen.

Weitere Informationen zu den Themen machine learning und Deep Learning finden Sie in                                                                            

Starten Sie Ihre kostenlose Watson Studio-Testversion                                                                                                                  

Erfahren Sie mehr zu den Grundlagen des machine learning