Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Form der KI, mit der ein System von Daten und nicht durch explizite Programmierung lernen kann. Maschinelles Lernen ist jedoch kein einfacher Prozess. Da die Algorithmen Trainingsdaten aufnehmen, ist es möglich, auf der Basis dieser Daten genauere Modelle zu erstellen. Ein Modell für maschinelles Lernen ist die Ausgabe, die generiert wird, wenn Sie Ihren Algorithmus für maschinelles Lernen mit Daten trainieren. Wenn Sie nach diesem Training ein Modell mit einer Eingabe bereitstellen, erhalten Sie eine Ausgabe. Ein Vorhersagealgorithmus erstellt z. B. ein Vorhersagemodell. Wenn Sie dann das Vorhersagemodell mit Daten bereitstellen, erhalten Sie basierend auf den Daten, mit denen das Modell trainiert wurde, eine Vorhersage.

Abbildung zu maschinellem Lernen

Iteratives Lernen

Durch maschinelles Lernen können Modelle auf Datensätze trainiert werden, bevor die Modelle bereitgestellt werden. Einige Modelle für maschinelles Lernen sind online verfügbar und zusammenhängend. Dieser iterative Prozess von Onlinemodellen führt zu einer Verbesserung der 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 große Datenmengen haben, um Verfahren für maschinelles Lernen verwenden zu können. Solche Big Data können jedoch zu einer Verbesserung der Genauigkeit von Modellen für maschinelles Lernen beitragen. Mit Big Data ist es nun möglich, Daten zu virtualisieren, sodass diese effizienter und kostengünstiger gespeichert werden können. Dabei spielt es keine Rolle, ob es sich um lokale Daten oder Daten in der Cloud handelt. Darüber hinaus konnten durch Verbesserungen bei der Netzgeschwindigkeit und -zuverlässigkeit andere physische Einschränkungen bei der Verwaltung großer Datenmengen mit angemessener Geschwindigkeit beseitigt werden. Hinzu kommen die Auswirkungen von Preisänderungen und der Ausgereiftheit von Computerspeicher. Man kann sich also durchaus vorstellen, wie Unternehmen jetzt Daten in einer Weise nutzen können, die vor fünf Jahren nur schwer vorstellbar gewesen wäre.

Konzepte für maschinelles Lernen

Verfahren für maschinelles Lernen sind erforderlich, um die Genauigkeit von Vorhersagemodellen zu verbessern. Je nach Art der geschäftsbezogenen Problemstellung gibt es verschiedene Ansätze auf Basis von Typ und Umfang der Daten. In diesem Abschnitt gehen wir auf die verschiedenen Kategorien des maschinellen Lernens ein.

Supervised Learning (Überwachtes Lernen)

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 Funktionen, die die Bedeutung von Daten definieren. So können Sie beispielsweise eine Anwendung für maschinelles Lernen erstellen, die basierend auf Bildern und Beschreibungen zwischen Millionen von Tieren unterscheiden kann.

Unsupervised Learning (Unüberwachtes Lernen)

Unüberwachtes Lernen wird verwendet, wenn durch das Problem eine große Menge an Daten ohne Kennzeichnung erforderlich ist. So verfügen beispielsweise Social-Media-Anwendungen wie Twitter, Instagram und Snapchat über große Mengen an Daten ohne Kennzeichnung. 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. Bei unüberwachten Lernprozessen wird ein iterativer Prozess durchgeführt, wobei Daten ohne menschliches Eingreifen analysiert werden. Dabei kommt auch Technologie zur Spam-E-Mail-Erkennung zum Einsatz. Es gibt viel zu viele Variablen in legitimen E-Mails und Spam-E-Mails für einen Analysten, um unerwünschte Massen-E-Mails zu kennzeichnen. Stattdessen werden die Klassifikationsmerkmale für maschinelles Lernen basierend auf Clustering und Assoziation angewendet, um unerwünschte E-Mails zu identifizieren.

Reinforcement Learning (Bestärkendes Lernen)

Bestärkendes Lernen ist ein Verhaltenslernmodell. Der Algorithmus empfängt Rückmeldungen 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 dem Stichprobendataset trainiert wird. Vielmehr lernt das System nach dem Versuch-und-Irrtum-Ansatz. Aus diesem Grund wird eine Folge erfolgreicher Entscheidungen dazu führen, dass der Prozess bestärkt wird, da dadurch das Problem am besten gelöst wird.

Deep Learning (Tiefgehendes Lernen)

Tiefgehendes Lernen oder Deep Learning ist eine spezielle Methode des maschinellen Lernens, die neuronale Netze in aufeinander folgenden Schichten integriert, um von Daten in iterativer Weise zu lernen. Deep Learning ist besonders nützlich, wenn Sie versuchen, Muster aus unstrukturierten Daten zu lernen. Komplexe neuronale Deep Learning-Netze sollen emulieren, wie das menschliche Gehirn funktioniert, sodass Computer trainiert werden können, um schlecht 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

Maschinelles Lernen auf Geschäftsanforderungen anwenden

Maschinelles Lernen bietet Unternehmen einen potenziellen Nutzen, die Big Data nutzen wollen. Maschinelles Lernen hilft ihnen, auch die geringfügigsten Änderungen beim Verhalten, bei Präferenzen oder bei der Kundenzufriedenheit besser zu verstehen. Führende Unternehmen erkennen immer mehr, dass viele Vorgänge in ihrem Unternehmen und in den Branchen nicht durch Abfragen verstanden 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.

Wie alles zusammengeführt wird

Der Vorteil des maschinellen Lernens besteht darin, dass Algorithmen und Modelle zur Vorhersage von Ergebnissen genutzt werden können. Der Trick dabei ist, Sorge zu tragen, dass die damit befassten Data-Scientists die richtigen Algorithmen verwenden, die am besten geeigneten Daten einpflegen (präzise und bereinigte Daten) und die leistungsfähigsten Modelle verwenden. Erst wenn all diese Faktoren zusammenkommen, ist es möglich, das Modell kontinuierlich zu trainieren und von den Ergebnissen zu lernen, indem Sie aus den Daten lernen. Die Automatisierung dieses Modellierungsprozesses, die Schulung und das Testen des Modells führen zu präzisen Vorhersagen bei geschäftlichen Veränderungen.

Künstliche Intelligenz

Produkte

IBM Watson Studio

Eine lokale, Private-Cloud- oder Public-Cloud-Lösung, die eine bereichsübergreifende Machine-Learning-Plattform für Teams zur Verfügung stellt. So können die Teams mithilfe der wichtigsten Open-Source-Tools Datenlösungen untersuchen, modellieren und bereitstellen.

IBM Machine Learning for z/OS

Eine lokale Lösung für maschinelles Lernen, die verborgene Werte aus Unternehmensdaten extrahiert. So können Sie sehr schnell Daten einpflegen und transformieren, um unter Verwendung von IBM z Systems®-Daten hoch präzise Selbstlernmodelle zu erstellen, bereitzustellen und zu verwalten.

IBM SPSS® Modeler

Grafische Analyseplattform für Benutzer aller Kenntnisstufen, um aussagekräftige Informationen im richtigen Maß mithilfe eines breiten Spektrums an Algorithmen und Funktionen wie Textanalyse, Geoanalyse und Optimierung bereitzustellen.

IBM Watson Explorer

Auf maschinellem Lernen basierende Plattform für Inhaltsanalysen und kognitive Suchvorgänge, die Benutzern Zugriff auf aussagekräftige Informationen aus den gesamten Datenbeständen bietet und zu besseren Geschäftsergebnissen beiträgt.

Kundenreferenzen

Ahus gewinnt neue Erkenntnisse mit Watson Explorer, um eine hohe Qualität der Gesundheitsversorgung zu gewährleisten.

Das Akershus University Hospital (Ahus) nutzt Watson Explorer zusammen mit dem Partner Capgemini, um Tausende von Radiologieberichten zu analysieren. So kann sichergestellt werden, dass die Teams bewährte Verfahren befolgen und so dazu beitragen, Standards für das Gesundheitswesen aufrechtzuerhalten.

Echtzeitorientierte Inhaltsanalysen helfen Call-Centern, Kunden wirksam zu bedienen.

Die Mizuho Bank Ltd. optimiert ihre Kundeninteraktionen und reduziert den Zeitaufwand für die Kundenbetreuung mithilfe der echtzeitorientierten Verarbeitung natürlicher Sprache von 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.

Weitere Lernprogramme zu Anwendungen für maschinelles Lernen und Deep Learning

Starten Sie Ihre kostenlose Testversion von Watson Studio