Machine Learning für Laien: Was ist es und wozu ist es nützlich?

897
Machine Learning für Laien: Was ist es und wozu ist es nützlich?
© Tatiana Shepeleva – stock.adobe.com

Machine Learning ist definitiv ein verwirrender Begriff. Ist es eine KI (künstliche Intelligenz) oder etwas anderes? Nun, eigentlich ist es ein großer Teilbereich der KI.

Machine Learning ist eine Methode zur Analyse von Daten mit Hilfe eines analytischen Modells, welches automatisch aus Trainingsdaten erstellt oder „gelernt“ wird. Die Idee ist, dass das Modell besser wird, wenn man ihm mehr Datenpunkte zuführt.

Beim Machine Learning gibt es zwei Schlüsselschritte. Zunächst werden die Daten gesammelt und „trainiert“ – dieser Schritt kann ein langer und schwieriger Prozess sein. Anschließend kannst du das Machine Learning operationalisieren, z.B. indem du es verwendest, um:

  • Erkenntnisse zu gewinnen
  • Lösungen zu entwickeln
  • Als Teil eines Produkts zu fungieren

Es gibt eine Vielzahl an Werkzeugen, die diesen Prozess unterstützen, wie z.B.:

  • Open-Source-Plattformen wie TensorFlow
  • Kommerzielle Systeme wie DataRobot

Erfolgreiches Machine Learning ist nur so gut wie die verfügbaren Daten.

Aus diesem Grund benötigt es immer neue, aktualisierte Daten, um die genauesten Ergebnisse oder Lösungen für jeden Bedarf zu liefern. Im Gegensatz zum Menschen kann Machine Learning im Laufe der Zeit riesige Datenmengen erfassen und Vorhersagen treffen, um die Kundenerfahrung zu verbessern und dem Endbenutzer einen echten Mehrwert zu schaffen.

Herausforderungen von Machine Learning

Manchmal sind die Modelle und Algorithmen so kompliziert, dass es fast unmöglich ist, sie zu verstehen. Der Mangel an Transparenz kann dazu führen, dass bestimmte Branchen, wie das Gesundheitswesen und das Bankwesen, möglicherweise nicht in der Lage sind Machine Learning einzusetzen. Aus diesem Grund konzentriert sich die Forschung verstärkt auf die Erklärbarkeit der Modelle.

EXTRA: Künstliche Intelligenz, Machine & Deep Learning: Die Unterschiede

Eine weitere Herausforderung beim Erstellen eines Machine Learning Programms ist die Notwendigkeit eines erfahrenen Teams. Um dieses Team intern aufzubauen, brauchst du mehr als nur Datenwissenschaftler. Die vollständige Einführung einer neuen Lösung erfordert:

  • Produktmanager
  • Softwareingenieure
  • Dateningenieure
  • Experten für die Entwicklung von Prozess- und Betriebsabläufen
  • Personal für die Integration von Datenmodellen in den Betrieb
  • Personal für das Onboarding und die Schulung der Mitarbeiter
  • Personal, das die Wertschöpfung quantifizieren kann

Anders gesagt: Für viele Organisationen mag es die beste Lösung sein ein Machine Learning Programm zu kaufen. Die gute Nachricht ist, dass es viele auf dem Markt gibt – und sie sind meist erschwinglich.

Aber unabhängig davon, welchen Weg du gehst: Es sollte einen klar definierten Business Case für Machine Learning geben. Es sollte nicht eingesetzt werden, nur weil es im Trend liegt. Es sollte auch ein ausreichendes Change Management innerhalb der Firma geben.

Eine der größten Herausforderungen bei der Implementierung von Machine Learning und anderen datenwissenschaftlichen Initiativen ist die Bewältigung von:

  • institutionellen Veränderungen
  • der Übernahme und des Umgang mit neuen Prozessen
  • sich ändernden Aufgaben

Wozu ist Machine Learning nützlich?

In welchen Fällen wir Machine Learning angewandt? Machine Learning kann viele verschiedene Arten von Problemen lösen.

Es eignet sich besonders gut für Entscheidungen, die sehr einfache und sich wiederholende Aufgaben und Prozesse in großem Maßstab erfordern.

Beispielsweise setzt die Post in den USA seit Jahrzehnten erfolgreich Machine Learning zum Sortieren der Post ein. Der Prozess ist einfach:

  1. Die Adresse auf der Post lesen (sense)
  2. Die Postleitzahl verstehen (perceive)
  3. Die Post in verschiedene Eimer sortieren (decide)

Der US Postal Service verarbeitet fast zweihundert Millionen Poststücke pro Tag – das Sortieren von Hand würde also nicht funktionieren

Beispiele für Machine Learning

Die Beispiele für Machine Learning sind scheinbar endlos. Hier sind nur einige wenige:

  • Netflix-Filmempfehlungen (beachte, dass die visuellen Darstellungen für die Miniaturbilder ebenfalls auf Machine Learning basieren)
  • Betrugserkennung
  • Spam-Erkennung
  • Logistik für Mitfahrzentralen wie Uber
  • Modelle zur Vorhersage der Abwanderung

EXTRA: „Kollege KI“: Was Künstliche Intelligenz wirklich leistet [Rezension]

Machine Learning ist ein Werkzeug und wie die meisten Werkzeuge funktioniert es am besten, wenn es richtig eingesetzt wird.

Machine Learning kann sehr einfache Lösungen schaffen. Diese Lösungen können effizient und maßstabsgetreu automatisiert werden. Allerdings kann Machine Learning auch mit allem arbeiten kann, was man ihm gibt – jedoch immer mit Hilfe von externer Anleitung.

Eine Maschine lernt, ein Mensch lehrt.

Dieser Artikel wurde von Tom Taulli auf Englisch verfasst und am 23. Mai 2020 auf forbes.com veröffentlicht. Wir haben ihn für euch übersetzt, damit wir uns mit unseren Lesern zu relevanten Themen austauschen können.

Buchtipp: Maschinelles Lernen*

Buchtipp: Maschinelles LernenGrundlagen und Algorithmen in Python

Gebundene Ausgabe: 406 Seiten
Erschienen am: 14. Januar 2019
Preis: 38,00 €

Jetzt auf Amazon ansehen

*Dieser Buchtipp enthält Provisions-Links. Wenn du über diese Links einkaufst, erhalten wir eine kleine Provision. Für dich ändert sich der Preis dadurch nicht.

unternehmer.de
unternehmer.de ist das Wissensportal für Fach- und Führungskräfte im Mittelstand, Selbständige, Freiberufler und Existenzgründer.

Kommentiere den Artikel

Bitte gib deinen Kommentar ein!
Bitte gib hier deinen Namen ein

Der Artikel hat dir gefallen? Gib uns einen Kaffee aus!