Im Prinzip funktioniert maschinelles Lernen wie menschliches: So wie ein Kind lernt, kann auch ein Computer lernen. Er identifiziert Objekte oder unterscheidet Personen. Dazu wird die Software zunächst mit Daten gefüttert und trainiert. Mit jedem Datensatz wird das Modell besser.
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz – und aktuell deren erfolgreichster Teilbereich. Statt Computer zu programmieren, entwerfen IT-Spezialisten Algorithmen. Vereinfacht gesagt ist das eine Folge von Handlungsanweisungen, die ein bestimmtes Problem lösen sollen. Diese Algorithmen sind dann in der Lage, Gesetzmäßigkeiten in Beispieldaten zu entdecken und sie in Form eines Modells zu speichern. Die Computer trainieren also.
Hinter Machine Learning steckt der Gedanke, dass maschinelle Systeme Muster erkennen und Entscheidungen treffen können. Der Vorteil: Der Computer versteht komplexe Zusammenhänge in rasender Geschwindigkeit.
Die Einsatzbereiche von Machine Learning sind inzwischen zahlreich: Lernende Software kann Dokumente oder Rechnungen selbständig scannen, speichern und ablegen. Bilder lassen sich schnell organisieren und bearbeiten, Fehlermuster oder mögliche Schäden mit so genannter Predictive Analytics analysieren und vorhersehen.
Maschinelle Lernverfahren eignen sich für die Abwehr von Computerattacken, die Bekämpfung von Internetkriminalität oder das Erkennen von Kreditkartenbetrug. Auch bei Analysen des Aktienmarkts, Versicherungsfällen oder Kundenanfragen setzen Unternehmen selbstlernende Programme ein. Sogar Krebstumore in der Medizin lassen sich durch automatisierte Diagnoseverfahren früh erkennen.
Machine Learning nutzen bisher vor allem die IT-Branche, Dienstleistungssektoren wie Kundendienste sowie Firmen im Betrugs- und Risikomanagement. Das ergab eine aktuelle Untersuchung der International Data Corporation (IDC). Laut IDC haben diese Unternehmen eine bessere Wettbewerbsfähigkeit, höhere Gewinnraten und produktivere Mitarbeiter – und sparen damit bares Geld.
Mit Machine Learning kann ein Unternehmen die Bedürfnisse seiner Kunden besser verstehen. Vorreiter dieser Technologie sind Google, Facebook und Amazon. Meist merkt der Kunde im ersten Moment nicht, dass er es mit maschinellem Lernen zu tun hat. Zum Beispiel bei Chatbots auf Facebook oder personalisierten Google-Suchergebnissen.
Auch durch Sprachassistenten oder intelligente Haushaltsgeräte wird künstliche Intelligenz mehr und mehr fester Bestandteil unseres Alltags. Werbung und Marketingmaßnahmen lassen sich auf den einzelnen Kunden zuschneiden. Anbieter verbessern so das Kundenerlebnis und stärken dessen Bindung zur Marke.
Viele Jahre war maschinelles Lernen eine Disziplin für wenige Forscher der künstlichen Intelligenz. Inzwischen sind die Preise für Rechenleistungen und Speicher so günstig wie nie zuvor. Das sorgte in den vergangenen zehn Jahren für eine rasche Entwicklung von Cloud- und Big Data-Anwendungen.
IT-Spezialisten verbessern die Tools ständig weiter. Aus dem Konsumentenbereich drängen die KI-Systeme mehr und mehr in den industriellen Sektor. Das ist das Ergebnis einer Analyse der deutschen Maschinen- und Anlagebauer (VDMA) .
Mittelständische Betriebe stehen unter Druck. Sie müssen den Wandel zu einem datengetriebenen Unternehmen jetzt einleiten, um in der nächsten Stufe der Entwicklung nicht abgehängt zu werden, mahnt der VDMA. Noch sei es für Fast Follower nicht zu spät.
Studien zeigen laut VDMA, dass viele Unternehmen die ersten Projekte zu groß und zu komplex gestalten. Das lähmt – und schafft mehr Hürden als Lösungen. Unklare rechtliche Aspekte und Auswirkungen halten viele Unternehmen davon ab, in diesen Bereich geschäftsrelevant zu investieren.
Eine Untersuchung der IDC stellt fest, dass viele KI-Projekte an hohen Erwartungen und fehlender Fachkompetenz scheitern . Vielen fällt es schwer, überhaupt eine fachliche Anwendung oder ein Projekt zu definieren. So landet das Thema bei der IT oder in der Produktentwicklung. Dadurch erhält der betriebswirtschaftliche Mehrwert der künstlichen Intelligenz nicht den Fokus, den das Thema maschinelles Lernen benötigt.
15 Prozent der Firmen in Deutschland haben Machine Learning und künstliche Intelligenz in ihre Systeme eingebunden. Von den Mittelständlern sind es bisher nur sechs Prozent. Das ergab eine Studie von IDG Research Services.
Die Gründe: Zu wenig Geld, fehlendes Personal. Kleinere Unternehmen haben es oft schwerer als große Player, die richtigen IT-Spezialisten für das Thema Machine Learning zu gewinnen.
Diese Fragen sollten Sie vor Beginn Ihres Machine-Learning-Projekts beantworten:
Unser Tipp: Um Ihr Machine-Learning-Projekt erfolgreich aufzusetzen, sollten Sie die Fragen vorab strukturiert und umfassend mit Experten untersuchen und das System definieren. Lassen Sie sich nicht vom Umfang der Methode erschlagen – sonst verpassen Sie den Startschuss. Das Wichtigste: Fangen Sie an.
Machine Learning ermöglicht technischen Systemen, was bisher nur natürlichen Lebewesen vorbehalten war: Lernen aus Erfahrungen. Arthur Samuel beschrieb 1959 erstmalig den Begriff des maschinellen Lernens als Forschungsgebiet, das Computer in die Lage versetzen solle, zu lernen, ohne explizit darauf programmiert zu sein. Man unterscheidet drei Kategorien:
Die eigentliche Analyse und das Ableiten von Prognosen oder Entscheidungen überlässt er der Maschine selbst. Er hat keinen Einfluss auf die Ergebnisse des Lernprozesses.
Deep Learning nutzt künstliche neuronale Netze. Diese sind eine Art Abstraktionsmodell des menschlichen Gehirns. Auf dieser Basis kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Dadurch ist die Maschine in der Lage, Prognosen oder Entscheidungen zu treffen und diese zu hinterfragen.
Deep Learning eignet sich vor allem, um große Datenmengen nach Mustern und Modellen zu untersuchen. Die Lernmethode kommt deshalb häufig bei der Gesichts-, Bild- oder Spracherkennung zum Einsatz.
Der Grundgedanke Nutzung statt Eigentum wird Kern vieler Konzepte in der Zukunft sein. Intelligente und vernetzte Maschinen der Industrie sind dazu der erste Schritt. Darauf setzt auch das Pilotprojekt der Deutsche Leasing und Bystronic, einer der weltweit führenden Anbieter für die Blechbearbeitung.
Die Kunden von Bystronic nutzen Laserschneidanlagen, die dank entsprechender Schnittstellen in der Lage sind, Daten an den Hersteller zu übermitteln. Damit die Deutsche Leasing eine Gesamtrate für die eingesetzte Maschine ermitteln kann, leitet Bystronic ausgewählte Daten weiter.
So erhält die Deutsche Leasing nicht nur Auskunft darüber, wie stark die Maschinen genutzt werden, sondern auch Informationen über ihren technischen Zustand. Die wichtigsten Kostenvorteile: Rate und Service lassen sich so flexibel anpassen. Es ist sogar eine vorausschauende Wartung, Predictive Maintenance, möglich.
