Was ist maschinelles Lernen?

Maschinelles Lernen oder Machine Learning ist eine Form der künstlichen Intelligenz (KI), die es einem System ermöglicht, von Daten und nicht durch explizite Programmierung zu lernen. Maschinelles Lernen ist jedoch kein einfacher Prozess. Nachdem die Algorithmen Trainingsdaten aufgenommen haben, ist es möglich, genauere Modelle auf der Basis dieser Daten zu erstellen. Ein Machine-Learning-Modell ist 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.

Abbildung zu maschinellem Lernen

Iteratives Lernen

Durch maschinelles Lernen 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 maschinellen Lernens sind.

Big Data im Kontext des maschinellen Lernens

Maschinelles Lernen 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 zu virtualisieren, sodass sie so effizient und kostengünstig wie möglich gespeichert werden können, ob in einer On-Premises-Umgebung 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. Hinzu kommen die Auswirkungen von Änderungen beim Preis und bei der Ausgereiftheit von Computerspeicher. Man kann sich nun vorstellen, wie Unternehmen Daten in einer Weise nutzen können, die vor nur fünf Jahren noch unvorstellbar gewesen wäre.

Konzepte für maschinelles Lernen

Machine-Learning-Verfahren 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 maschinellen Lernens 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 unüberwachten Lernen wird ein iterativer Prozess durchgeführt, der Daten ohne menschliches Eingreifen analysiert. 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 Machine-Learning-Klassifikatoren auf der Basis von Clustering und Assoziation 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 überwachten 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 maschinellen Lernens, 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. Komplexe neuronale Deep-Learning-Netze sollen emulieren, wie das menschliche Gehirn funktioniert, sodass Computer darauf trainiert werden können, unzureichend definierte Abstraktionen und Probleme zu behandeln. 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.

Grafik für maschinelles Lernen

Anwendung von maschinellem Lernen auf Geschäftsanforderungen

Maschinelles Lernen 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, um die es geht. Es sind vielmehr die verborgenen Muster und Anomalien in den Daten, die Ihnen helfen, aber auch schaden können.

So fügt sich alles zusammen

Der Vorteil des maschinellen Lernens 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.

Künstliche Intelligenz

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.

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

Die Mizuho Bank Ltd. sorgt für effektive Kundeninteraktionen und reduziert den Zeitaufwand für die Kundenbetreuung mithilfe der Verarbeitung natürlicher Sprache in Echtzeit mit IBM Watson Explorer.

Ressourcen

Erfahren Sie in einer geführten Tour, wie Sie ein Modell für maschinelles Lernen erstellen, um Kundenabwanderungen in IBM Watson Studio vorherzusagen.

Sehen Sie sich weitere Tutorials zu Machine-Learning- und Deep-Learning-Anwendungen an

Starten Sie jetzt Ihren kostenlosen Test von Watson Studio