Mein IBM Anmelden Abonnieren

10 alltägliche Anwendungsfälle für Machine Learning

16. Oktober 2023

Lesedauer: 6 Minuten

Maschinelles Lernen (ML) – der Teilbereich der künstlichen Intelligenz (KI), in dem Maschinen aus Datensätzen und Erfahrungen lernen, indem sie Muster erkennen und Vorhersagen treffen – ist eine globale Industrie mit einem Umsatz von 21 Milliarden US-Dollar, die bis 2029 voraussichtlich zu einer Industrie mit einem Umsatz von 209 Milliarden US-Dollar (Link befindet sich außerhalb von ibm.com) werden wird. Hier sind einige praktische Anwendungen des maschinellen Lernens, die Teil unseres Alltags geworden sind.

Machine Learning in Marketing und Vertrieb

Laut Forbes (Link befindet sich außerhalb von ibm.com) haben Marketing- und Vertriebsteams KI und ML höhere Priorität eingeräumt als jede andere Unternehmensabteilung. Marketingexperten nutzen ML für die Lead-Generierung, Datenanalyse, Online-Suche und Suchmaschinenoptimierung (SEO). Viele nutzen es beispielsweise, um Benutzer zu kontaktieren, die Produkte in ihrem Warenkorb lassen oder ihre Website verlassen.

ML-Algorithmen und Data Science sind die Grundlage für die Empfehlungsengines auf Websites wie Amazon, Netflix und StitchFix, die Empfehlungen auf der Grundlage des Geschmacks, des Browserverlaufs und des Warenkorbs eines Benutzers abgeben. ML unterstützt zudem personalisierte Marketinginitiativen, indem es Angebote identifiziert, die den Interessen eines bestimmten Kunden entsprechen könnten. Dann kann es Marketingmaterialien auf diese Interessen zuschneiden. ML bietet auch die Möglichkeit, eine Kampagne genau zu überwachen, indem unter anderem die Öffnungs- und Klickraten überprüft werden.

Anwendungsfälle im Bereich Kundenbetreuung

ML kann nicht nur verstehen, was Kunden sagen, sondern auch ihren Tonfall erkennen und sie an die entsprechenden Kundensupportmitarbeiter weiterleiten. Sprachbasierte Abfragen verwenden die Verarbeitung natürlicher Sprache (NLP) und Stimmungsanalyse zur Spracherkennung.

Textbasierte Anfragen werden in der Regel von Chatbots bearbeitet, virtuellen Agenten, die die meisten Unternehmen auf ihren E-Commerce-Websites anbieten. Solche Chatbots sorgen dafür, dass Kunden nicht warten müssen. Selbst eine große Anzahl gleichzeitiger Kunden kann rund um die Uhr sofort betreut werden, was hoffentlich zu einer positiveren Customer Experience führt. Eine Bank, die ein watsonx Assistant-System für den Kundenservice einsetzt, stellte fest, dass der Chatbot 96 % aller Kundenfragen korrekt, schnell, konsistent und in mehreren Sprachen beantwortete.

Unternehmen nutzen ML, um soziale Medien und andere Aktivitäten auf Kundenreaktionen und -bewertungen zu überwachen. ML hilft Unternehmen auch dabei, die Kundenabwanderung (die Rate, mit der ein Unternehmen Kunden verliert) vorherzusagen und zu verringern, eine weit verbreitete Nutzung von Big Data.

Persönliche Assistenten und Sprachassistenten

Es ist ML, das die Aufgaben von virtuellen persönlichen Assistenten oder Sprachassistenten wie Amazons Alexa und Apples Siri ausführt. Diese Kommunikation kann Spracherkennung, Speech-to-Text-Umwandlung, NLP oder Text to Speech umfassen. Wenn jemand eine Frage an einen virtuellen Assistenten stellt, sucht ML nach der Antwort oder ruft ähnliche Fragen ab, die die Person zuvor gestellt hat.

ML steckt auch hinter Messaging-Bots, wie sie von Facebook Messenger und Slack verwendet werden. Beim Facebook Messenger unterstützt ML die Chatbots für Kundenservice. Unternehmen richten dort Chatbots ein, um schnelle Antworten zu gewährleisten, Karussells mit Bildern und Aktionsschaltflächen bereitzustellen, Kunden bei der Suche nach Optionen in der Nähe oder der Sendungsverfolgung zu helfen und sichere Einkäufe zu ermöglichen. Facebook verwendet ML auch, um Messenger-Chats auf Betrug oder unerwünschte Kontakte zu überwachen, z. B. wenn ein Erwachsener viele Freundschafts- oder Nachrichtenanfragen an Minderjährige sendet.

Bei Slack unterstützt ML die Videoverarbeitung, Transkription und Live-Untertitelung, die sich leicht nach Stichworten durchsuchen lassen. Außerdem hilft ML bei der Vorhersage möglicher Mitarbeiterfluktuation. Einige Unternehmen richten auch Chatbots auf Slack ein und nutzen ML, um Fragen und Anfragen zu beantworten.

E-Mails filtern

ML-Algorithmen in Googles Gmail filtern E-Mails von Kunden automatisch in die Kategorien „Primär“, „Sozial“ und „Werbung“ und erkennen und leiten Spam in einen Spam-Ordner um. Neben der Einhaltung der „Regeln“ für E-Mail-Apps können ML-Tools auch die E-Mail-Verwaltung automatisieren, indem sie E-Mails klassifizieren. Damit lassen sie sich an die richtigen Personen weiterleiten, damit diese schneller handeln können, und Anhänge an den richtigen Ort verschieben und vieles mehr. E-Mail-Management-Automatisierungstools wie Levity (Link befindet sich außerhalb von ibm.com) verwenden beispielsweise ML, um E-Mails bei ihrem Eingang mithilfe von Textklassifizierungsalgorithmen zu identifizieren und zu kategorisieren. Auf diese Weise können Sie personalisierte Antworten auf der Grundlage von Kategorien erstellen, was Zeit spart und Ihre Konversionsrate verbessern kann.

Anwendungsfälle für Machine Learning und Cybersicherheit

Es gibt vier Möglichkeiten, wie ML in der Cybersicherheit eingesetzt wird:

  1. ML und Gesichtserkennung werden in Authentifizierungsmethoden eingesetzt, um die Unternehmenssicherheit zu gewährleisten.
  2. Antivirus-Programme können KI- und ML-Techniken verwenden, um Malware zu erkennen und zu blockieren. 
  3. Reinforcement Learning nutzt ML, um Modelle zu trainieren, die Cyberangriffe erkennen und darauf reagieren und Eindringlinge aufspüren können.
  4. ML-Klassifizierungsalgorithmen werden auch verwendet, um Ereignisse als Betrug zu kennzeichnen, Phishing-Angriffe zu klassifizieren und vieles mehr.

Machine Learning bei Finanztransaktionen

ML und Deep Learning werden im Bankwesen beispielsweise häufig zur Betrugserkennung eingesetzt. Banken und andere Finanzinstitute trainieren ML-Modelle, um verdächtige Online-Transaktionen und andere atypische Transaktionen zu erkennen, die weitere Untersuchungen erfordern. Banken und andere Kreditgeber verwenden ML-Klassifizierungsalgorithmen und Vorhersagemodelle, um zu bestimmen, wem sie Kredite anbieten.

Viele Börsentransaktionen nutzen ML. KI und ML nutzen jahrzehntelange Börsendaten, um Trends vorherzusagen und Kauf- oder Verkaufsempfehlungen abzugeben. ML kann auch algorithmischen Handel ohne menschliches Eingreifen durchführen. Rund 60 bis 73 % des Börsenhandels  werden von Algorithmen durchgeführt, die mit hohem Volumen und hoher Geschwindigkeit handeln können. ML-Algorithmen können Muster vorhersagen, die Genauigkeit verbessern, Kosten senken und das Risiko menschlicher Fehler verringern.

Das gemeinnützige Technologieunternehmen Change Machine hat in Zusammenarbeit mit IBM eine KI-gestützte Empfehlungsmaschine entwickelt, die IBM Cloud Pak for Data nutzt und Finanzberatern dabei hilft, Fintech-Produkte zu finden, die am besten zu den Zielen ihrer Kunden passen. „Durch die Zusammenarbeit mit IBM haben wir gelernt, wie wir unsere Daten auf neue Weise nutzen können und wie wir ein Framework für die Erstellung und Verwaltung von Modellen für maschinelles Lernen aufbauen können“, sagte David Bautista, Director of Product Development bei Change Machine.

Machine Learning im Gesundheitswesen

Die Entwicklungen im Bereich ML führten zu Trainingsmaschinen für die Mustererkennung, die heute manchmal in der radiologischen Bildgebung eingesetzt werden. KI-gestützte Computer Vision wird häufig zur Analyse von Mammographien und für die Früherkennung von Lungenkrebs eingesetzt. Ärzte, die Mammographien auf Brustkrebs untersuchen, übersehen 40 % (Link befindet sich außerhalb von ibm.com) der Krebserkrankungen. Mit ML kann diese Zahl verbessert werden. ML wird auch zur Klassifizierung von Tumoren, zur Erkennung von Knochenbrüchen, die mit dem menschlichen Auge nur schwer zu erkennen sind, und zur Erkennung neurologischer Störungen eingesetzt.

ML wird manchmal verwendet, um historische Patientenakten und -ergebnisse zu untersuchen und neue Behandlungspläne zu erstellen. In der Genforschung, der Genmodifikation und der Genomsequenzierung wird ML eingesetzt, um zu ermitteln, wie sich Gene auf die Gesundheit auswirken. ML kann genetische Marker und Gene identifizieren, die auf eine bestimmte Behandlung oder ein Medikament ansprechen oder nicht und bei bestimmten Personen erhebliche Nebenwirkungen verursachen können. Diese fortgeschrittenen Analysen können zu datengestützten, personalisierten Medikamenten oder Behandlungsempfehlungen führen.

Die Entdeckung und Herstellung neuer Medikamente, die traditionell aufwändige, teure und zeitraubende Tests durchlaufen, kann durch den Einsatz von ML beschleunigt werden. Pfizer (Link befindet sich außerhalb von ibm.com) nutzt die ML-Funktionen von IBM Watson, um die besten Kandidaten für klinische Studien in seiner immunonkologischen Forschung auszuwählen. Geisinger Health System nutzt KI und ML für seine klinischen Daten, um die Sepsis-Mortalität zu senken. Sie arbeiten mit dem Data Science and AI Elite-Team von IBM zusammen, um Modelle zu entwickeln, das größte Sepsis-Risiko bei mehreren Patienten vorhersagen. Dies hilft ihnen, die Pflege zu priorisieren, riskante und teure stationäre Einweisungen zu reduzieren und die Sepsis-Sterblichkeitsrate zu senken.

Machine Learning und Transport

ML informiert heutzutage viele unserer Transportmittel. Google Maps beispielsweise verwendet ML-Algorithmen, um die aktuelle Verkehrslage zu überprüfen, die schnellste Route zu ermitteln, Orte zum „Gegen erkunden“ vorzuschlagen und die Ankunftszeit zu schätzen.

Ride-Sharing-Apps wie Uber und Lyft nutzen ML, um Fahrgäste und Fahrer zusammenzubringen, Preise festzulegen, den Verkehr zu untersuchen und wie Google Maps die Verkehrsbedingungen in Echtzeit zu analysieren, um die Fahrtroute zu optimieren und eine voraussichtliche Ankunftszeit vorherzusagen.

Computer Vision treibt selbstfahrende Autos an. Ein unbeaufsichtigter ML-Algorithmus ermöglicht es selbstfahrenden Autos, Daten von Kameras und Sensoren zu sammeln, um zu verstehen, was um sie herum geschieht, und in Echtzeit Entscheidungen über zu ergreifende Maßnahmen zu treffen.

Machine Learning in Smartphones

ML steckt hinter vielen Funktionen unserer Smartphones. ML-Algorithmen steuern die Gesichtserkennung, auf die wir uns verlassen, um unsere Telefone einzuschalten. Sie unterstützen die Sprachassistenten, die Alarme einstellen und Nachrichten verfassen. Dazu gehören Apples Siri, Amazons Alexa, Google Assistant und Microsofts Cortana, die NLP verwenden, um zu erkennen, was wir sagen, und entsprechend zu reagieren.

Auch Unternehmen profitieren von ML in Smartphone-Kameras. ML analysiert und verbessert Fotos mithilfe von Bildklassifikatoren, erkennt Objekte (oder Gesichter) in den Bildern und kann sogar künstliche neuronale Netze verwenden, um ein Foto zu verbessern oder zu erweitern, indem es vorhersagt, was sich außerhalb seiner Grenzen befindet.

Machine Learning und Apps

Wir beobachten heute eine starke Nutzung von ML auf Social-Media-Plattformen:

  • Soziale Medien wie Facebook automatisieren Vorschläge zum Markieren von Freunden, indem sie ML-Gesichtserkennung und Bilderkennung verwenden, um ein Gesicht in ihrer Datenbank zu identifizieren. Dann schlägt es vor, dass der Social-Media-Nutzer diese Person markiert.
  • LinkedIn verwendet ML, um Elemente in einem Newsfeed zu filtern, Beschäftigungsempfehlungen abzugeben und vorzuschlagen, dass sich jemand mit anderen vernetzt.
  • Spotify verwendet ML-Modelle, um seine Songempfehlungen zu erstellen.
  • Google Translate verwendet NLP, um Wörter in mehr als 130 Sprachen zu übersetzen. In einigen Sprachen kann es Übersetzungen per Foto, Sprachausgabe im „Konversationsmodus“ und durch Live-Videobilder im Augmented-Reality-Modus bereitstellen.

Zudem kann KI bei der Strategieentwicklung, Modernisierung, Erstellung und Verwaltung bestehender Anwendungen helfen, was zu mehr Effizienz führt und Möglichkeiten für Innovationen schafft. Sonoma County, Kalifornien, konsultierte IBM, um obdachlose Bürger mit verfügbaren Ressourcen in einem integrierten System namens ACCESS Sonoma zusammenzubringen. „Da IBM diese offene Architektur entworfen hat, die quasi hochgenommen und an anderer Stelle implementiert werden konnte, haben wir in vier Monaten 91.000 Bürger importiert und diese Datensätze mit vier Schlüsselsystemen verbunden“, sagte Carolyn Staats, Director of Innovation, Sonoma County Central IT. Das ist eine erstaunliche zeitliche Leistung.“ Sie vermittelten 35 % der Obdachlosen eine Unterkunft, was viermal höher ist als die nationale Quote. Innerhalb von zwei Jahren konnte der Landkreis die Zahl der Obdachlosen um neun Prozent senken.

Machine Learning und IBM

Bei IBM kombinieren wir die Leistungsfähigkeit von ML und KI in IBM watsonx, unserem neuen Studio für Foundation Models, generative KI und ML.

watsonx watsonx ist eine Daten- und KI-Plattform der nächsten Generation, die Unternehmen dabei unterstützt, die Leistungsfähigkeit von KI für ihr Geschäft zu multiplizieren. Die Plattform verfügt über drei leistungsstarke Komponenten: das watsonx.ai Studio für neue Foundation Models, generative KI und maschinelles Lernen, dem Fit-for-Purpose-Store watsonx.data für die Flexibilität von Data Lakes und die Leistung von Data Warehouses sowie dem Toolkit watsonx.governance, um KI-Workflows zu ermöglichen, die verantwortungsvoll, transparent und erklärbar gestaltet sind.

Gemeinsam bietet watsonx Unternehmen folgende Möglichkeiten:

  1. Trainieren, optimieren und stellen Sie KI in Ihrem gesamten Unternehmen mit watsonx.ai bereit
  2. Skalieren Sie KI-Workloads überall und für alle Ihre Daten mit watsonx.data
  3. Ermöglichen Sie verantwortungsvolle, transparente und erklärbare Daten- und KI-Workflows mit watsonx.governance
 

Autor

IBM Data and AI Team