Was Sie über Maschinelles Lernen wissen müssen

Das Thema Machine Learning ist in aller Munde. Doch was verbirgt sich hinter dem Begriff - und welche Chancen bieten sich für Unternehmen? [...]

Maschinelles Lernen wird heute mehr und mehr zum Mainstream. Waren selbstlernende Programme noch bis vor wenigen Jahren ausschließlich ein Thema für Universitäten, Forschungseinrichtungen und einige Technologieunternehmen, finden sie heute zunehmend Eingang in ganz normale Produkte und Lösungen. Unser Alltag und unser Geschäftsleben wird immer mehr von intelligenten Programmen bestimmt, die aus Daten lernen und das Gelernte verallgemeinern.
Spracherkennung auf Mobiltelefonen wie dem iPhone oder den Google Handys wird beispielsweise wesentlich von Machine-Learning-Algorithmen gesteuert – ebenso wie Spam-Filter in PCs und Notebooks oder die Gesichtserkennung bei der Verwaltung von Fotos. Oft sind wir auch im Kontakt zu lernenden Systemen, ohne es zu wissen – etwa bei der personalisierten Online-Werbung. Und immer mehr Unternehmen erkennen den Wert von Machine Learning, wenn es darum geht, ihr Business zu optimieren und Kosten zu sparen.
Für die meisten IT-Anwender ist Machine Learning ein unübersichtliches Feld, weil es viele verschiedene konzeptuelle, methodische und theoretische Ansätze gibt. Diese FAQ klärt die wichtigsten Fragen und stellt die zentralen Begriffe, Methoden und Anwendungen vor.
WAS IST MACHINE LEARNING?
Salopp gesagt ist maschinelles Lernen die Kunst, einen Computer nützliche Dinge tun zu lassen, ohne ihn ausdrücklich dafür zu programmieren. Etwas genauer formuliert ist maschinelles Lernen der Erwerb neuen Wissens durch ein künstliches System. Der Computer generiert analog wie ein Mensch selbstständig Wissen aus Erfahrung und kann eigenständig Lösungen für neue und unbekannte Probleme finden. Dazu analysiert ein Computerprogramm Beispiele und versucht mit Hilfe selbstlernender Algorithmen, in den Daten bestimmte Muster und Gesetzmäßigkeiten zu erkennen. Das Ziel von Machine Learning ist es, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Rückschlüsse zu ziehen und Vorhersagen zu treffen.
WIE FUNKTIONIERT MACHINE LEARNING PRINZIPIELL?
Im Prinzip so ähnlich wie menschliches Lernen. Analog wie beispielsweise ein Kind lernt, dass auf Bildern bestimmte Objekte zu sehen sind, kann auch ein Computer „lernen“, Objekte zu identifizieren oder Personen zu unterscheiden. Dazu wird die Lernsoftware zunächst mit Daten gefüttert und trainiert. Beispielsweise sagen die Programmierer dem System, dass ein bestimmtes Objekt „ein Hund“ und ein anderes „kein Hund“ ist. Im Fortlauf erhält die Lernsoftware ständig Rückmeldungen vom Programmierer, die der Algorithmus nutzt, um das Modell anzupassen und zu optimieren: Mit jedem neuen Datensatz wird das Modell besser und kann schließlich eindeutig Hunde von Nicht-Hunden unterscheiden.
Computer können lernen, menschliche Gesichter zu unterscheiden. Facebook nutzt das für die automatische Gesichtserkennung. (c) Facebook
WELCHE VORTEILE BIETET MASCHINELLES LERNEN?
Maschinelles Lernen hilft Menschen, effizienter und kreativer zu arbeiten. Zum Beispiel können sie maschinelles Lernen verwenden, um ihre Bilder schneller zu organisieren und zu bearbeiten. Mit Machine Learning können sie auch langweilige oder aufwändige Arbeiten dem Computer überlassen. Papierdokumente wie Rechnungen kann lernende Software selbständig scannen, speichern und ablegen.
Vor allem sind selbstlernende Maschinen in der Lage, für den Menschen sehr komplexe Aufgaben zu übernehmen – etwa die Erkennung von Fehlermustern oder mögliche Schäden in der Fertigung (Predictive Maintenance). Selbst bei der Erkennung von Krebstumoren in der Medizin und bei Therapieempfehlungen helfen inzwischen selbstlernende Programme – und übertreffen dabei oft die besten menschlichen Experten. Diese Fähigkeit, komplexe Zusammenhänge zwischen der Eingabe und der Ausgabe von großen Datenmengen verarbeiten zu können, ist einer der Hauptvorteile von Machine Learning.
IST MACHINE LEARNING DASSELBE WIE ARTIFICIAL INTELLIGENCE?
Nein. Machine Learning ist ein Teilgebiet von Artificial Intelligence (AI). Im gleichen Sinn sind Logik, Analysis und Stochastik Teilgebiete der Mathematik; Mechanik, Thermodynamik und Quantenphysik Teilgebiete der Physik. Die Artificial Intelligence selbst ist eine Teildisziplin der Informatik und beschäftigt sich allgemein mit der Automatisierung menschlichen intelligenten Verhaltens. Zur Künstlichen Intelligenz – so der deutsche Begriff – gehören neben dem Machine Learning Teilgebiete wie wissensbasierte (Experten-)Systeme, Mustererkennung, Robotik, die Verarbeitung natürlicher Sprache und maschinelles Übersetzen. Allerdings gilt Machine Learning zurzeit als eine der zentralen und erfolgreichsten Artificial-Intelligence-Disziplinen.
Anders als das Bild suggeriert ist Machine Learning ein Teilgebiet von Artificial Intelligence – allerdings ein sehr wichtiges. (c) IBM
WARUM ERLEBT MACHINE LEARNING GERADE JETZT EINEN HÖHENFLUG?
Maschinelles Lernen beruht auf Forschung im Bereich Mustererkennung, die bereits in den 80er Jahren durchgeführt wurde. Das Gebiet stagnierte dann aufgrund technischer Beschränkungen ziemlich lange. Erst vor wenigen Jahren erlebte Maschinelles Lernen einen Durchbruch mit der Möglichkeit, Daten parallel in Grafikprozessoren (GPUs) zu verarbeiten – die eigentlich für die Videospiele-Industrie entwickelt wurden. Grafikprozessoren besitzen Tausende von Recheneinheiten und sind im Vergleich zu Lösungen mit klassischen CPUs deutlich schneller.
Weitere Entwicklungen wie Multi-Core-Architekturen, verbesserte Algorithmen und superschnelle In-Memory-Datenbanken wie SAP HANA machen das maschinelle Lernen gerade auch für den Unternehmensbereich attraktiv. Ein weiterer wesentlicher Faktor ist die zunehmende Verfügbarkeit großer Mengen strukturierter und unstrukturierter Daten aus einer Vielzahl von Quellen, darunter Sensoren oder digitalisierte Dokumente und Bilder, mit denen sich die Lernalgorithmen „trainieren“ lassen.
Die führenden Companies im Machine Learning nutzen für die parallele Verarbeitung der Daten Grafikprozessoren (GPUs) - etwa von Nvidia. (c) Nvidia


Mehr Artikel

News

Public Key Infrastructure: Best Practices für einen erfolgreichen Zertifikats-Widerruf

Um die Sicherheit ihrer Public Key Infrastructure (PKI) aufrecht zu erhalten, müssen PKI-Teams, sobald bei einer Zertifizierungsstelle eine Sicherheitslücke entdeckt worden ist, sämtliche betroffenen Zertifikate widerrufen. Ein wichtiger Vorgang, der zwar nicht regelmäßig, aber doch so häufig auftritt, dass es sich lohnt, PKI-Teams einige Best Practices für einen effektiven und effizienten Zertifikatswiderruf an die Hand zu geben. […]

News

UBIT Security-Talk: Cyberkriminalität wächst unaufhaltsam

Jedes Unternehmen, das IT-Systeme nutzt, ist potenziell gefährdet Opfer von Cyberkriminalität zu werden, denn die Bedrohung und die Anzahl der Hackerangriffe in Österreich nimmt stetig zu. Die Experts Group IT-Security der Wirtschaftskammer Salzburg lädt am 11. November 2024 zum „UBIT Security-Talk Cyber Defense“ ein, um Unternehmen in Salzburg zu unterstützen, sich besser gegen diese Bedrohungen zu wappnen. […]

Be the first to comment

Leave a Reply

Your email address will not be published.


*