Machine Learning

Machine Learning oder übersetzt maschinelles Lernen bedeutet, dass Maschinen und Computer Wissen mithilfe von Erfahrungen generieren. Sie lernen selbstständig ohne Input des Menschen. Dabei lernt die Maschine aus Beispielen und kann diese Beispiele auf allgemeine Situationen übertragen. Die Maschine erkennt Gesetzmäßigkeiten und Muster der eingespeisten Daten und kann so auch unbekannte oder neue Daten beurteilen. Die Maschine kann dabei wie der Mensch am Beurteilen dieser neuen Daten scheitern oder sie richtig interpretieren.

 

Machine Learning kann in vielseitigen Einsatzgebieten Anwendung finden und bietet auch in vielen dieser Einsatzbereiche unheimliche Vorteile. Es kann eingesetzt werden bei Aktienmarktanalysen, Erkennung von Kreditkartenbetrug, Sprach- und Texterkennung, automatisierten Diagnoseverfahren in der Medizin und vielem mehr. Machine Learning ist eng mit dem sogenannten Data-Mining verknüpft. Data-Mining versucht aber eher neue Muster oder Gesetzmäßigkeiten in großen Datensätzen zu finden und nicht wie Machine Learning Wissen aus den Mustern der Daten zu generieren. 

Was ist Machine Learning?

Man kann Machine Learning in symbolische und nicht-symbolische Ansätze differenzieren. Dabei geht es um die Form der Wissensrepräsentation durch die Maschinen. Bei der symbolischen Repräsentation haben die Menschen direkten Zugriff auf die erlernten Lösungswege und Beispiele. Bei der nicht-symbolischen Repräsentation werden die Maschinen zwar auch nach einem bestimmtem Algorithmus programmiert. Die erlernten Lösungswege sind jedoch für den Menschen nicht einsehbar. Dies kann viele Nachteile mit sich bringen. 

 

Es gibt zwei verschiedene algorithmische Ansätze, mit denen Machine Learning programmiert wird. Dabei unterscheidet man in überwachtes und in nicht-überwachtes Lernen. Bei dem nicht-überwachtem Lernen weiß das System nicht genau was es erkennen soll. Es erkennt alle möglichen Muster innerhalb der Datensätze. Diese Muster werden jedoch noch nicht definiert. Es wird lediglich nach Gesetzmäßigkeiten gesucht. Zum Beispiel verarbeitet die Maschine Bilder von Katzen und Hunden. Dabei werden alle Katzenbilder und alle Hundebilder in verschiedene Muster unterteilt. Dabei unterscheidet das Bild jedoch nicht nach Katze und Hund, sondern nur nach den Gemeinsamkeiten und Unterschieden auf den verarbeiteten Bilddateien. Diese Methode eignet sich zur Anwendung, wenn nach unbekannten Daten gesucht wird, die man nicht klar definieren kann. Bei dem überwachtem Lernen kennt man die Daten, nach denen man sucht. Dabei sind die Eingangs-Parameter und das Ergebnis bekannt. Dies sind sogenannte Trainingsdaten. Mit je mehr Trainingsdaten man eine Maschine speist, desto mehr unbekannte Daten kann sie dann definieren. Neue Daten, zu denen jedoch keine Trainingsdaten verfügbar sind, kann die Maschine nicht definieren und dementsprechend kein Muster erstellen. 

 

Warum erlebt Machine Learning gerade jetzt einen Höhenflug? 

Es gibt bereits seit den 80er-Jahren Forschungen im Bereich des Machine Learning. Technische Beschränkungen ließen diese Forschungen sehr lange stagnieren. Vor ein paar Jahren wurde herausgefunden, dass man Daten auch in Grafikprozessoren verarbeiten lassen kann. Grafikprozessoren sind im Vergleich zu herkömmlichen Rechnern viel schneller in der Datenverarbeitung, da sie viel mehr Recheneinheiten besitzen. Außerdem stehen immer größere strukturierte und unstrukturierte Datensätze zur Verfügung. Mit diesen Datensätzen können die Algorithmen des Machine Learning mit Trainingsdaten gespeist werden. 

Deep Learning

Deep Learning ist die momentan erfolgreichste Umsetzung des Machine Learning. Es ist weltweit verbreitet und wird von Konzernen wie Google, Apple oder Facebook angewendet. Ein bekanntes Beispiel für das Deep Learning ist die Siri-Spracherkennung von Apple. Deep Learning wird hauptsächlich zur Sprachverarbeitung und zum Erkennen von Objekten in Bildern genutzt. Beim Deep Learning müssen dem System lediglich Daten präsentiert werden. Die Identifikation dieser Daten erledigt das System von ganz alleine. Dazu muss das System mit riesigen Datensätzen an Trainingsdaten gespeist werden. Deep Learning identifiziert Daten auf unterschiedlichen Ebenen. So können auch komplexe Daten sehr genau erfasst werden. Dabei werden erst Low-Level Elemente wie Helligkeitswerte identifiziert, dann Elemente auf mittlerer Ebene und am Ende werden High-Level Elemente wie ein komplettes Gesicht identifiziert. 

 

Ist Machine Learning effektiver wie menschliches Lernen? 

Ja, mittlerweile ist die Entwicklung von Machine Learning so weit vorangeschritten, dass es dem Menschen im Erfassen von komplexen Sachverhalten meilenweit voraus ist. 

Bekannte Anwendungen

Die Empfehlungsdienste von Amazon und Netflix arbeiten mit einem Algorithmus des Machine Learning. Die Facebook-Gesichtserkennung nutzt ebenfalls eine Form des Machine Learning. Auch hinter dem Unterteilen von E-Mails in normale Mails und in Spam-Mails steckt eine Form des Machine Learning. Die großen Technologie-Konzerne sind aktuell die klaren Marktführer im Bereich des Machine Learning. Sie haben die vielen Vorteile erkannt und versuchen diese zu nutzen. IBM, Google, Apple, Amazon und Microsoft investieren jedes Jahr mehrere Millionen in neue Forschungen. Machine Learning wird mithilfe des IBM-Computer Watson in der Gesundheitsbranche eingesetzt, um die effektivsten Therapien für Patienten zu finden. Apple und Microsoft nutzen den Algorithmus für ihre Spracherkennungsdienste Siri und Cortana. Facebook nutzt Machine Learning für die Bilderkennung und Google verwendet Machine Learning für das Suchmaschinen-Ranking. Da Machine Learning ein aufstrebender Markt ist, entstehen enorm viele Start-Ups aktuell in dieser Branche. SAP hat sich dazu verpflichtet, die Möglichkeiten des Machine Learning in neuen Unternehmensanwendungen öffentlich zugänglich zu machen. 

Was sind die Vorteile und Nachteile?

Es gibt unzählige Vorteile von Machine Learning. Einige der Vorteile werde ich nachfolgend aufzählen. Vorteile sind, dass Unternehmen durch die Nutzung von Machine Learning sowohl den Umsatz als auch die Kundenzufriedenheit steigern können. Gleichzeitig können die Kosten durch geringere Personalaufwendungen reduziert werden. Machine Learning arbeitet viel genauer, schneller und effektiver wie ein Mensch. Dadurch kann der Umsatz gesteigert werden. Die Kundenzufriedenheit erhöht sich, da weniger Fehler in der Auftragsabwicklung passieren. Weitere Vorteile für die Kundenzufriedenheit sind, dass sich durch den Einsatz von künstlicher Intelligenz Kundenbedürfnisse leichter erkennen, analysieren und umsetzen lassen. Durch dieses Erkennen von Kundenbedürfnissen können Werbemaßnahmen besser auf den Kunden zugeschnitten werden. Dadurch erhöht sich der Umsatz proportional zur Kundenzufriedenheit. Eine höhere Kundenzufriedenheit schafft auch mehr Stammkunden. Vorteile sind außerdem, dass die Zu- und Abwanderungsströme von Kunden ausgewertet werden können. Dazu analysiert der Algorithmus zum Beispiel die Support-Anfragen. Ein weiterer Vorteil ist, dass es möglich ist durch Machine Learning das Abwandern von Kunden zu verringern. Dazu extrahiert das System die Merkmale und Muster der bereits abgewanderten Kunden. Wenn man dann diese Muster auf die noch bestehenden Kunden selektiert, erhält man mögliche unzufriedene Kunden, die vielleicht abwanderungswillig sind. Diese abwanderungswilligen Kunden kann man dann gezielt, mit zum Beispiel Rabattaktionen, umwerben. Es gibt weitere zahlreiche Vorteile. Hier habe ich mich nur auf die betriebswirtschaftlichen Vorteile bezogen. Vorteile ergeben sich auch für die Medizin, die Forschung und das Finanz-System. Generell ergeben sich überall dort Vorteile, wo große Datensätze ausgewertet und strukturiert werden müssen. Aus dieser enorm schnellen Datenverarbeitung kann Wissen viel schneller generiert werden. 

 

Es gibt auch einige Bedenken hinsichtlich künstlicher Intelligenz. Dazu gibt es auch unzählige mögliche Nachteile. Ich zähle nachfolgend ein paar Nachteile auf. Nachteile können sein, dass durch den Einsatz von Machine Learning viele Arbeitsplätze wegfallen. Dies würde die Arbeitslosenquote erhöhen, was vor allen in Deutschland aufgrund der Sozialleistungen schlecht für die Wirtschaft wäre. Große Nachteile können auch die Zunahmen von Cyber-Angriffen sein. Durch Künstliche Intelligenz könnte zum Beispiel ein Hackerangriff auf unzählige Rechner repliziert werden. Auch das autonome Fahren bietet sicherlich viele Vorteile. Die Nachteile, die damit verbunden sind, sind bis jetzt jedoch noch nicht eindeutig geklärt. Die Frage nach der Haftbarkeit und der Ethik bei möglichen Unfällen stellen schwerwiegende Nachteile dar. Generell muss gesagt werden, dass alle Nachteile von Machine Learning nur mögliche Nachteile sind. Sie könnten eintreten, müssen es aber nicht. Die Vorteile von Machine Learning hingegen sind konkret. Nachteile können sich in den Bereichen Softwareverfügbarkeit, Sicherheit, Ethik, Verantwortung und Haftung ergeben.