Was ist Machine Learning?

Technologie

Technologie

Datum 09.03.2022
Lesezeit 7 Min.

Was ist Machine Learning?

Machine Learning (Deutsch: „maschinelles Lernen”) ist ein Teilbereich der künstlichen Intelligenz (KI). IT-Geräte analysieren dabei Muster in Datenbeständen auf Basis vorhandener Werte und Algorithmen. In diesem Zusammenhang erkennen sie Gesetzmäßigkeiten und entwickeln selbsttätig Lösungen. Machine Learning gilt weltweit als IT-Trend, der den digitalen Wandel entscheidend vorantreibt.

Unternehmen stehen im Zuge der digitalen Transformation vor vielen Herausforderungen, um weiterhin auf dem Markt zu bestehen. Durch die Industrie 4.0 steigen die erhobenen Datenmengen enorm an (Big Data) und erfordern eine immer schnellere Auswertung. Machine Learning hilft dabei, diese Daten schnell zu verarbeiten und in den Wertschöpfungsprozess zu integrieren. Erfahren Sie hier alles über die Funktionsweise von Machine Learning und die Anwendungsmöglichkeiten für Ihr Unternehmen.

 

Was ist Machine Learning?

Machine Learning versetzt IT-Systeme in die Lage, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen. Diese Form der künstlichen Intelligenz erlangt also Wissen auf der Grundlage vorheriger Erfahrungen und leitet daraus Lösungen für die Zukunft ab.

Geräte entwickeln dabei sozusagen ein künstliches „Gedächtnis”: Sie sammeln Erkenntnisse aus den ausgewerteten Daten und sind in der Lage, Lösungen von spezifischen auf allgemeine Fälle zu beziehen. Dadurch generieren sie das Potenzial für neue Problemlösungen. Gleichzeitig erleichtern sie die Analyse von bisher unbekannten Daten und Problemen. Diese Fähigkeit kommt in ganz unterschiedlichen Feldern zum Einsatz – überall dort, wo Algorithmen in großem Umfang erfasst und ausgewertet werden sollen.

Aus diesem Grund spielt Machine Learning in Unternehmen eine immer größere Rolle, zum Beispiel beim Einsatz von autonomen Systemen in einer Smart Factory. Mehr als 46 Prozent der deutschen Unternehmen setzten im Jahr 2021 bereits unterschiedliche Formen von Machine Learning ein. Weitere 35,5 Prozent planen die Einführung der Technologie in naher oder mittlerer Zukunft (Quelle: IDG Research Services).

Doch der Einsatz ist nicht alleine auf die Industrie begrenzt: Die automatisierten Vorhersagen der Geräte kommen auch bei der Auswertung von medizinischen Diagnosedaten in einer digitalisierten Klinik zum Einsatz.

 

Künstliche Intelligenz, Machine Learning, Deep Learning: Begriffliche Abgrenzung

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Doch was ist der Unterschied zwischen KI, Machine Learning und dem Begriff Deep Learning, der ebenfalls häufig in diesem Zusammenhang auftaucht?

  • Künstliche Intelligenz ist ein Teilgebiet der Informatik, das den Versuch umschreibt, Entscheidungsstrukturen des Menschen künstlich nachzubilden: Durch Algorithmen soll „intelligentes” Verhalten simuliert werden, sodass Computer eigenständig Probleme bearbeiten können. Der Begriff der künstlichen Intelligenz (KI) ist übrigens deckungsgleich mit dem häufig verwendeten englischen Ausdruck Artificial Intelligence (AI).
  • Machine Learning (maschinelles Lernen) ist ein Bereich innerhalb der KI, der Algorithmen entwickelt, die sich durch zunehmende Erfahrung selbst verbessern. Die Software lernt nicht bloß Beispiele auswendig, sondern erkennt Muster und Gesetzmäßigkeiten. Auf diese Weise kann sie auch unbekannte Daten analysieren und entsprechende Empfehlungen aussprechen.
  • Deep Learning („tiefes” Lernen bzw. mehrschichtiges Lernen) ist ein Teilbereich des Machine Learning. Dafür entstehen künstliche neuronale Netzwerke, die unstrukturierte Daten verarbeiten. Diese Zwischenschicht zwischen der Ein- und Ausgabe von Daten bildet viele Ebenen, die dem neuronalen Netz des menschlichen Gehirns ähneln.
Ausklappbare Informationsgrafik

 

Wie funktioniert Machine Learning?

Grundlegend ist Machine Learning dem menschlichen Lernen ähnlich: IT-Systeme erweitern ihre Kenntnisse durch das Differenzieren und Wiederholen von Tätigkeiten. Durch Befehle und eine entsprechende Datengrundlage erkennen und unterscheiden sie Objekte voneinander und leiten daraus Entscheidungen ab.

Machine Learning funktioniert allerdings nicht ohne menschliche Anleitung: Die Software kann erst dann eigenständig lernen und Lösungen entwickeln, wenn Anwender:innen sie zuvor entsprechend mit (qualifizierten) Daten und Algorithmen ausgestattet haben. Um eigene Schlussfolgerungen ziehen zu können, benötigt sie Regeln, die speziell zu dem Zweck einer Aufgabe passen.

Erst nach dieser Programmierung können Systeme maschinelles Lernen selbstständig anwenden. Auch in der Folge arbeiten entsprechend konfigurierte Geräte nicht durchgehend selbstständig: Jeder neue „Lernschritt” benötigt Feedback durch Programmier:innen – diese fungieren also sozusagen als „Lehrer:innen”. Die Systeme greifen die neuen Determinanten (bestimmende Faktoren) zur Anwendung bei künftigen Fällen auf und berücksichtigen sie im weiteren Prozess – im Idealfall in Echtzeit und ohne weiteren Rechenaufwand.

Eng verwandt mit Machine Learning ist auch das Data Mining: Im Unterschied zum maschinellen Lernen werden beim Data Mining allerdings vor allem neue Muster innerhalb von Big Data identifiziert, ohne daraus auch Schlussfolgerungen zu ziehen.

Ausklappbare Informationsgrafik

 

Welche Programmiersprachen werden bei Machine Learning benutzt?

Programmierer:innen können Code für Machine-Learning-Anwendungen mittels unterschiedlicher Programmiersprachen realisieren:

  • Python: Die Allrounder-Sprache bietet eine Vielzahl an Machine- und Deep-Learning-Frameworks und ist verhältnismäßig leicht zu erlernen. Im Bereich Machine Learning stellt sie üblicherweise die erste Wahl dar.
  • Java: Auch für Java und dessen verwandte Sprachen steht eine große Auswahl an Bibliotheken zur Entwicklung von ML-Komponenten zur Verfügung.
  • C++: Der Code eignet sich vor allem zur Einbettung von KI im Bereich des Edge Computing mit begrenzten Hardware-Ressourcen.
  • R: Für die ML-Programmierung ist R nur bedingt zu empfehlen, da dessen Performance im produktiven Einsatz zu gering ist.

 

Warum wird Machine Learning immer wichtiger?

Machine Learning ist eines der größten Wachstumsfelder für Unternehmen. Der konstante Anstieg von Big Data innerhalb digitalisierter Produktions- und Geschäftsprozesse macht den Einsatz intelligenter Geräte und Anwendungen notwendig, um sie verarbeiten zu können.

Der Unterschied zwischen Machine Learning und „normaler” Software

Zwischen „normaler”, also gewissermaßen „unintelligenter” Software und Machine-Learning-Software besteht ein grundlegender Unterschied:

Normale Software: Programmierer:innen erteilen sehr spezifische Befehle. Die Software befolgt diese und weicht nicht von diesen Regeln ab, um einen fest definierten Output zu erzielen.
Machine-Learning-Software: Die Software ist in der Lage, anhand entsprechender Daten selbstständig Ergebnisse zu ermitteln. Die Regeln dafür spürt sie von sich aus auf, um zu dem vorgegebenen Output zu gelangen. Zu diesem Zweck schreibt die ML-Software eigenständig Software.

Die Relevanz von Big Data steigt in allen Wirtschaftsbereichen permanent. Viele Daten sind gleichermaßen Zwang und Voraussetzung für den Einsatz von Machine Learning: Ohne große Datenmengen sind Machine-Learning-Anwendungen nicht in der Lage, ihre Stärken auszuspielen: Aufbereitung, Vergleich und Prognose. Gleichzeitig sind nur die Algorithmen von Machine Learning in der Lage, diese Daten in Echtzeit zu analysieren. Durch schnelle Identifikation sorgt Machine Learning für deren Kategorisierung und Verwertung.

Darunter fällt nicht nur, dass (produzierende) Unternehmen die Daten im Internet of Things (IoT) oder Industrial Internet of Things (IIot) aufbereiten. Machine Learning bietet ein breites Spektrum an Anwendungsmöglichkeiten: von der Spracherkennung in Smartphones über die Datenauswertung in Online-Shops oder Social-Media (etwa in Business-Portalen wie LinkedIn oder Xing) bis hin zum autonomen Fahren.

 

Die verschiedenen Ansätze von Machine Learning

Machine-Learning kann auf verschiedene Arten stattfinden. Die Methoden des maschinellen Lernens unterscheiden sich vor allem in Bezug auf die Grunddaten, die Programmier:innen dem Algorithmus als Spezifikation und Hilfestellung zur Verfügung stellen. Zudem ist die Frage, ob es klar definierte Ein- und Ausgabepaare gibt:

 

  • Überwachtes Lernen (Supervised Learning): Programmierer:innen definieren im Vorfeld Beispielmodelle und spezifizieren diese als Basis für die Zuordnung von Informationen in Modellgruppen. Der Algorithmus lernt aufgrund dieser Ein- und Ausgabepaare und identifiziert nach dieser Lernphase Zusammenhänge in Daten.
  • Unüberwachtes Lernen (Unsupervised Learning): Hinsichtlich des Lernprozesses werden keine Zielwerte definiert. Der Algorithmus soll nach eigenständig identifizierten Merkmalen in der Lage sein, zu differenzieren und erstellt entsprechende Datencluster.
  • Teilüberwachtes Lernen: Die Methoden des überwachten und unüberwachten Lernens werden miteinander kombiniert.
  • Verstärkendes Lernen (Reinforcement Learning): Durch positive oder negative Reaktionen teilen die Anwender:innen dem Algorithmus mit, wie er auf unterschiedliche Fälle und Situation reagieren soll. Dies ähnelt durch das Prinzip des „Belohnens” und „Bestrafens” dem menschlichen Lernen.
  • Aktives Lernen: Der Algorithmus reagiert auf die eingegebenen Daten, unabhängig davon, woher sie stammen. Mittels speziell entwickelter Fragestellungen werden passende Ergebnisse abgefragt und hinsichtlich ihrer Relevanz gefiltert. Dies kann gleichermaßen mit Online- wie Offline-Daten durchgeführt werden, die mehrfach für den Lernprozess verwendet werden können.
Ausklappbare Informationsgrafik

 

Machine-Learning-Algorithmen verstehen

Algorithmen kommen innerhalb des maschinellen Lernens für verschiedene Zwecke zum Einsatz. Der am häufigsten programmierte Algorithmus heißt „Naive Bayes”: Dieser teilt Daten anhand ihrer bedingten Wahrscheinlichkeit in zwei Klassen ein – basierend auf den zuvor spezifizierten Determinanten (Trainingsdaten). Ein anderer häufig verwendeter Algorithmus namens „Support Vector Machines” ermittelt die Hyperebene, die den Abstand zwischen zwei Klassen definiert.

Deep Learning hingegen basiert auf der Bildung vielschichtiger neuronaler Netzwerke. Diese kommen vor allem bei Sprachen- und Bilderkennung zum Einsatz – oder in der Machine-2-Machine-Kommunikation des autonomen Fahrens.

Die effektive Anwendung von Algorithmen benötigt jedoch immer eine ausreichende Datengrundlage, um aus großen Datenmengen Regeln abzuleiten und diese zu verallgemeinern. Durch Big Data fallen diese Datenmengen relativ schnell an. Sie sollten aber zunächst als Trainingsdaten fungieren, um den Machine-Learning-Output für den tatsächlichen Einsatz in Geschäftsprozessen „fit” zu machen.

 

IoT Tracker: Lösungen für Ihr Business

IoT Tracker: Lösungen für Ihr Business

Eine Plattform – drei Lösungen: Vodafone IoT Tracker bietet Ihnen maßgeschneiderte Optionen für Ihre Pkw, Nutzfahrzeuge und sogar Güter.

  • Individuell buchbar
  • Erfassung wertvoller Daten
  • Optimierung von Prozessen

 

Die Bestandteile einer Machine-Learning-Lösung

Der Algorithmus von Machine Learning ist nur ein kleiner Teil einer größeren Machine-Learning-Umgebung. Um eine Machine-Learning-Lösung zu entwickeln, ist eine Vielzahl von Maßnahmen und Voraussetzungen notwendig.

Diese lassen sich grob in drei Bereiche teilen, die wiederum aus verschiedenen Einzelmaßnahmen bestehen:

  1. Daten: Sammlung, Verifizierung, Analyse und Aufbereitung von Daten für den Algorithmus
  2. Infrastruktur: Entwicklung, Hosting und Konfiguration des darauf aufbauenden Machine-Learning-Modells
  3. Monitoring: Prozessmanagement, Analyse und Instandhaltung des Modells

 

Maßgeschneiderte IT-Infrastruktur: Vodafone Total Cloud Managed Hosting

Maßgeschneiderte IT-Infrastruktur: Vodafone Total Cloud Managed Hosting

Ein sichereres Zuhause als unsere nach ISO 27001 und 9001 zertifizierten Frankfurter Rechenzentren kann Ihre Infrastruktur kaum finden. Die dortige Tier3+-Einstufung garantiert 99,982 % Verfügbarkeit.

Wir übernehmen für Sie das komplette Management Ihres Hardware-Stacks!

 

Anwendungsbeispiele für Machine Learning

Die Einsatzmöglichkeiten von Machine Learning sind schier grenzenlos. Machine Learning ist schon heute Bestandteil vieler technischer Lösungen, die Unternehmen an vielen Stellen ihrer Geschäftsprozesse einsetzen. Anwender:innen und Kund:innen begegnet Machine Learning ebenfalls tagtäglich im beruflichen und privaten Umfeld.

Auch Ihr Unternehmen kann mit Machine-Learning-Software schnelle und effektive Maßnahmen umsetzen – zur Steigerung von Produktivität, Sicherheit und Zufriedenheit der Kund:innen.

Diese bieten sich unter anderem in folgenden Bereichen an:

  • Spam-Filter: Erkennen von Spam-Mails; Entwicklung und Anpassung von Filtern
  • Suchmaschinen: Ranking von Webseiten nach Relevanz
  • Spracherkennung: Verständnis von Sprachbefehlen (zum Beispiel bei digitalen Assistenten wie Amazon Alexa, Microsoft Cortana, Apple Siri)
  • Texterkennung: z. B. Kund:innenservice in Support-Chats, digitale Transformation von Papierdokumenten
  • Customer-Relationship-Management (CRM): Steigerung der Effizienz des CRM (unter anderem Berechnung von Prognosemodellen, Produktaffinitäten und Vorhersagen für eventuelle Abwanderungen von Kund:innen)
  • Predictive Maintenance: Analyse von Anlagen und Maschinen der Industrie 4.0 sowie automatische Prävention und Fehlerbehebung
  • Bild- und Gesichtserkennung: Qualitätsprüfung in der Produktion, Zugangsbeschränkungen (zum Beispiel an Eingängen, auf Mobile-Devices oder auf Social-Media-Plattformen)
  • Personalisiertes Marketing: Empfehlungen für Kund:innen und personalisierte Inhalte (beispielsweise in Shop-Angeboten, Newslettern und Werbebannern)
  • IT-Security: Überwachung von IT-Systemen, Unterscheidung zwischen realen Personen und automatisierten Bots, regelbasierte Anwendungen zur Betrugserkennung im Finanzbereich (u.a. Erkennung von Kreditkartenbetrug, gefälschten Konten, falschen Produktbewertungen)
  • Autonomes Fahren: Auswertung von Sensordaten zur Erkennung von Verkehrsschildern, der Einhaltung von Abständen und dem Bremsen vor Hindernissen; sichere Navigation zu Zielkoordinaten

 

Modernes Flottenmanagement dank IoT

Modernes Flottenmanagement dank IoT

Schnelle Hilfe bei Unfällen und Pannen, Verkehrsinfos in Echtzeit und zuverlässige Ortung im Fall eines Diebstahls: Das alles und noch mehr verspricht intelligente Telematik. Vodafone hat dazu das passende, weltweit größte Mobilfunknetz und jede Menge Erfahrung im Bereich IoT. 

  • Weltweit einsetzbar
  • Mehr Sicherheit
  • Jederzeitiges Tracking

 

Die Vorteile von Machine Learning

Machine-Learning-Software bietet gegenüber herkömmlicher Software viele Vorteile: Sie regelt primär die selbsttätige und repetitive Organisation, Verwaltung und Auswertung großer Datenmengen. Bei relativ geringen Hardware-Anforderungen geschieht dies schnell und effektiv – ohne zusätzlichen Aufwand für Anwender:innen oder den Einsatz spezialisierter Software.

Maschinelles Lernen erkennt Muster innerhalb Big Data und extrahiert die Informationen, die tatsächlich für Ihr Unternehmen wichtig sind. Basierend auf den Vorhersagen der intelligenten Software optimieren Sie Ihre Geschäftsprozesse und treffen bessere und zielgerichtetere Entscheidungen für die Zukunft.

 

atom

Narrowband-IoT und LTE-M: Konnektivität im IoT-Umfeld

Narrowband-IoT und LTE-M: Konnektivität im IoT-Umfeld

Ganz gleich, wo Sie sich aufhalten: Mit Narrowband-IoT und LTE-M gelingt Maschinenkommunikation auch unter schwierigen Bedingungen. Und das bei besonders geringem Stromverbrauch und somit langen Akkulaufzeiten.

  • Narrowband-IoT sorgt für beste M2M-Netzabdeckung
  • Über LTE-M lassen sich auch Sprachdaten übertragen
  • Auch in Kellern oder entlegenen Gebieten einsetzbar

 

Auch im Bereich besonders komplexer Aufgaben trägt Machine Learning dazu bei, neue und effiziente Lösungswege zu finden. Dazu zählt die Erkennung von Fehlern in Geschäfts- oder Produktionsprozessen sowie die Prognose künftigen Wartungsbedarfs. Neben (industriellen) Einsatzfeldern bieten sich dadurch auch vielfältige Anwendungsmöglichkeiten im Gesundheitssektor: Smarte eHealth-Lösungen mit KI-Unterstützung etwa tragen zur Verarbeitung von Gesundheitsdaten bei und gewährleisten so bessere Diagnose und Prävention.

 

Setzen Sie bereits Algorithmen des Machine Learnings in Ihrem Unternehmen ein? Wie haben sich Ihre Geschäftsprozesse dadurch verändert? Lassen Sie es uns in den Kommentaren wissen.


Ihre Digitalisierungs-Berater:innen für den Mittelstand

Sie haben Fragen zur Digitalisierung? Unser Expert:innen-Team hilft Ihnen kostenlos
und unverbindlich im Chat (Mo.-Fr. 8-20 Uhr). Oder am Telefon unter 0800 5054512

Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Facebook Twitter WhatsApp LinkedIn Xing E-Mail