Maschinelles Lernen – Definition, Modelle und Anwendungen.

Maschinelles Lernen (ML) ist eine Anwendung künstlicher Intelligenz (KI), die von selbstfahrenden Autos bis hin zu Marketing-Software eingesetzt wird. Zukunftsorientierte Firmen nutzen zunehmend ML, um Innovationen voranzutreiben, Prozesse zu verbessern, die Effizienz zu steigern und mehr.

Die Automatisierung bestimmter Aufgaben und Prozesse kann einer Firma helfen, ihre Abläufe zu optimieren und sich einen Wettbewerbsvorteil zu verschaffen. Entscheidungsträgerinnen und Entscheidungsträger müssen maschinelles Lernen und seine Funktionsweise verstehen, damit sie es in ihr Unternehmen integrieren und die für den Erfolg erforderliche Automatisierung erzielen können.

Inhalt:

• Was ist maschinelles Lernen?
• Maschinelles Lernen vs. Deep Learning vs. neuronale Netzwerke.
• Funktionsweise von maschinellem Lernen.
• Anwendungen des maschinellen Lernens.
• Herausforderungen beim maschinellen Lernen.
• KI vs. maschinelles Lernen (ML) vs. Deep Learning (DL).
• Unterstützt hervorragende Kundenerlebnisse mit maschinellem Lernen.

Maschinelles Lernen ist eine Komponente der künstlichen Intelligenz, die Maschinen die Fähigkeit verleiht, automatisch aus vergangenen Erfahrungen und Daten zu lernen, dabei Muster zu erkennen und mit wenig oder ganz ohne menschliches Eingreifen Vorhersagen zu erstellen. Mit den verarbeiteten Daten ahmt die Software für maschinelles Lernen das menschliche Lernverhalten nach und verbessert im Laufe der Zeit ihre Genauigkeit.

Maschinelles Lernen ist die Technologie hinter Chatbots, Übersetzungs-Anwendungen, Serien- und Filmempfehlungen in Streaming-Diensten sowie den Postings, die in den Feeds von Social Media angezeigt werden. Es ermöglicht Computern, Wissen zu erwerben, ohne speziell dafür programmiert zu sein, bestimmte Informationen zu kennen. Es kann persönliche und berufliche Abläufe in unserem täglichen Leben verbessern.

Maschinelles Lernen bietet erhebliche Vorteile. Es kann riesige Datenmengen aufnehmen und verarbeiten – weit über das menschliche Leistungsvermögen hinaus – und daraus schnell lernen. Maschinelles Lernen kann Objekte unterscheiden und Gesichter erkennen und ermöglicht damit die Gesichtserkennungstechnologie, die viele Menschen auf ihren Smartphones haben. Es kann Daten schnell vergleichen und eine Vielzahl von Optionen und Lösungen bereitstellen, für die ein Mensch deutlich mehr Zeit bräuchte.

Maschinelles Lernen ist ebenfalls ein wesentlicher Bestandteil des Marketings. Maschinelles Lernen kann es beispielsweise Social-Media-Plattformen ermöglichen, Werbung gezielt auf den Feed jeder Nutzerin und jedes Nutzers auszuspielen. Maschinelles Lernen erweitert die Kommunikationsfähigkeiten und ermöglicht personalisiertere Erlebnisse für die Verbraucherinnen und Verbraucher.Auch Helplines und Chatbots werden durch maschinelles Lernen ermöglicht, sodass Firmen mehr Kundinnen und Kunden unterstützen können, als wenn sie ausschließlich auf menschliche Mitarbeitende angewiesen wären.

Maschinelles Lernen und neuronale Netzwerke werden zwar häufig synonym verwendet, sind aber nicht identisch. Neuronale Netzwerke sind ein Teilbereich des maschinellen Lernens, und Deep Learning ist ein Teilbereich neuronaler Netzwerke.

Künstliche neuronale Netzwerke sind als Modell des menschlichen Gehirns konzipiert und bestehen aus Tausenden oder Millionen von Verarbeitungsknoten, die miteinander verbunden und in Schichten organisiert sind. Neuronale Netzwerke bestehen aus drei Knotenschichten – einer Eingangsschicht, einer oder mehreren verborgenen Schichten und einer Output-Schicht.

Jeder Knoten verbindet sich mit einem anderen und besitzt ein eigenes Gewicht sowie einen eigenen Schwellenwert. Wenn der Output eines Knotens höher ist als sein spezifischer Schwellenwert, wird dieser Knoten aktiviert und teilt Daten mit der nächsten Ebene im Netzwerk. Andernfalls werden von diesem Knoten keine Daten an die nächste Netzwerkebene weitergegeben.

Ebenfalls am Aufbau des menschlichen Gehirns orientiert, sind Deep-Learning-Netzwerke neuronale Netzwerke mit vielen Schichten. MIT Sloan School of Management erklärt: „Das mehrschichtige Netzwerk kann umfangreiche Datenmengen verarbeiten und die Gewichtung jeder Verbindung im Netzwerk bestimmen.“

Deep Learning kann gelabelte Datensätze verwenden, um seinen Algorithmus zu steuern, benötigt diese aber nicht unbedingt. Deep Learning nimmt Rohdaten wie Bilder oder Text auf und erkennt automatisch bestimmte Merkmale, die verschiedene Datensätze voneinander abgrenzen. Der Bedarf an menschlicher Beteiligung ist geringer, und im Vergleich zu herkömmlichem (nicht-tiefem) maschinellen Lernen, das stärker von menschlicher Intervention abhängig ist, kann Deep Learning größere Datensätze verarbeiten.

Das Verständnis der feinen, aber bedeutsamen Unterschiede zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning (DL) ist unerlässlich, um diese Technologien effektiv zu implementieren. Die Auswahl des richtigen Ansatzes hängt vom geschäftlichen Problem, den verfügbaren Daten, Ressourcen und strategischen Zielen ab.

Die Beziehung zwischen diesen Konzepten wird oft als Hierarchie visualisiert. Künstliche Intelligenz (KI) ist die umfassendste Kategorie und deckt alle Technologien ab, die es Maschinen ermöglichen, menschliche Intelligenz zu simulieren. Maschinelles Lernen (ML) ist eine Teilmenge der KI und beschäftigt sich mit Algorithmen, die aus Daten lernen und sich kontinuierlich verbessern, ohne explizite Programmierung. Deep Learning (DL) ist eine weitere Unterkategorie von ML, die hochkomplexe neuronale Netzwerke mit mehreren Schichten nutzt, um komplexere Probleme zu lösen.

Stellt euch das so vor:

KI umfasst ML, und ML umfasst DL.

Was ist Deep Learning?

Deep Learning ist eine Form des maschinellen Lernens, die tiefe neuronale Netzwerke nutzt – Netzwerke mit mehreren verborgenen Schichten zwischen Eingabe und Output. Während einfache (oder „flache“) neuronale Netzwerke grundlegende Prognoseaufgaben übernehmen können, sind Deep-Learning-Modelle in der Lage, enorme Datensätze zu analysieren und komplexe Muster aufzudecken, was einfachere Modelle nicht können.

Diese Tiefe ermöglicht es Deep-Learning-Modellen, hochentwickelte Technologien wie Sprachassistenten, Echtzeitübersetzungen, Betrugserkennung und autonome Fahrzeuge anzutreiben.

Kurz gesagt:

• Beim Deep Learning werden immer neuronale Netzwerke verwendet.
• Aber nicht alle neuronalen Netzwerke sind „tief“ genug, um als Deep Learning zu gelten.

Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist die Art und Weise, wie Maschinen menschliche Intelligenz simulieren, meist um anspruchsvolle Aufgaben ohne menschliche Eingriffe auszuführen. Mit KI übernehmen Maschinen Aufgaben, die normalerweise intelligenten Wesen zugeschrieben werden.

In der Praxis ist KI eine von Menschen geschaffene Denkleistung, die von Maschinen ausgeführt wird. Virtuelle Assistenten wie Siri und Alexa nutzen KI, um die Vorlieben der Nutzer kennenzulernen und relevante Ergebnisse vorzuschlagen. KI-gestützte Chatbots ermöglichen es Käufern außerdem, außerhalb der üblichen Geschäftszeiten personalisierten Support zu erhalten.

Es ist auch wichtig zu beachten, dass es verschiedene Arten von KI gibt. Organisationen nutzen eine oder mehrere Arten von KI, um verschiedene Aufgaben zu erledigen.

Die folgende Tabelle zeigt die Hauptunterschiede zwischen KI, maschinellem Lernen und Deep Learning.

Maschinelles Lernen nutzt im Prinzip Algorithmen, um genauere Vorhersagen zu treffen. Diese Algorithmen können sein:

• Deskriptiv - Verwendet Daten, um das Geschehene zu interpretieren
• Prädiktiv - Verwendet Daten, um vorherzusehen, was stattfinden wird
• Präskriptiv - Verwenden von Daten zum Vorschlagen von Aktionen

Die Algorithmen bestehen aus drei Teilen:

1. Ein Entscheidungsprozess. Meistens werden Algorithmen des maschinellen Lernens verwendet, um eingehende Informationen vorherzusagen und zu organisieren. Basierend auf den bereitgestellten Daten erstellt der Algorithmus eine Vorhersage über ein Muster darin.
2. Eine Fehlerfunktion. In diesem Teil des Algorithmus wird die Vorhersage des Modells bewertet. Sind bereits Beispiele untersucht worden, kann eine Fehlerfunktion einen Vergleich ermöglichen, um die Genauigkeit des Modells auszuwerten.
3. Ein Modelloptimierungsprozess. Wenn sich das Modell leichter an die Datenpunkte im Trainings-Set anpassen kann, werden die Gewichtungen so angepasst, dass die Diskrepanz zwischen dem geprüften Beispiel und der Vorhersage des Modells minimiert wird. Der Algorithmus wiederholt diesen Prozess und aktualisiert die Gewichtungen, bis der Schwellenwert für die Genauigkeit erreicht ist.

Es gibt verschiedene Ansätze, wie diese Algorithmen gelehrt werden können, Daten zu nutzen. Sehen wir uns die vier Hauptansätze für maschinelles Lernen an.

Überwachtes Lernen.

Diese Unterkategorie des maschinellen Lernens verwendet gelabelte Datensätze zum Trainieren von Algorithmen und folgt Anweisungen auf Basis der bereitgestellten Informationen.

Maschinen werden mit Informationen aus gelabelten Datensätzen trainiert und werden befugt, auf Basis der bereitgestellten Anweisungen Outputs zu schätzen. Der gelabelte Datensatz legt die bereits dargestellten Eingabe- und Output-Parameter fest, und die Maschine wird anhand der Eingaben und dem zugehörigen Output trainiert.

Überwachtes Lernen wird in zwei große Kategorien unterteilt:

• Klassifizierung. Diese Algorithmen reagieren auf Klassifizierungsprobleme, bei denen die Output-Komponente kategorisch ist. Einige Beispiele hierfür sind „ja oder nein“ oder „wahr oder falsch“. Ein Beispiel für Klassifizierung im Alltag sind die Filterfunktionen in E-Mail-Programmen, die E-Mails in den primären Posteingang oder den Spam-Ordner sortieren. Zu den anerkannten Klassifizierungsalgorithmen gehören der Logistische Regressionsalgorithmus, der Support-Vektor-Maschinen-Algorithmus und der Random-Forest-Algorithmus.
• Regression. Diese Algorithmen lösen Regressionsprobleme, bei denen Eingabe- und Output-Komponenten eine lineare Beziehung haben. Sie prognostizieren, welche kontinuierlichen Output-Komponenten zu erwarten sind. Beispiele hierfür wären eine Markttendenzanalyse oder eine Wetterprognose. Zu den bekannten Regressionsalgorithmen zählen die einfache lineare Regression, die Lasso-Regression und die multivariate Regression.

Unüberwachtes Lernen.

Unüberwachtes Lernen wird eingesetzt, um nicht gelabelte Datensätze zu analysieren und zu gruppieren, um Muster ohne menschliche Intervention zu erkennen.

Ein unüberwachtes maschinelles Lernen-Programm durchsucht nicht gelabelte Daten und findet Muster, nach denen Menschen nicht gezielt suchen. Beispielsweise kann ein unbeaufsichtigtes maschinelles Lernen-Programm Hauptkundengruppen für einen Webstore identifizieren. Zu den bekannten Ansätzen des unüberwachten Lernens gehören das Nearest-Neighbor-Mapping und selbstorganisierende Karten.

Der Vorteil des unüberwachten Lernens besteht darin, Ähnlichkeiten und Unterschiede zwischen Gruppen ohne menschliches Zutun zu erkennen. Mit diesem Algorithmus können unsortierte Datensätze anhand von Mustern, Unterschieden und Ähnlichkeiten gruppiert werden.

Unüberwachtes Lernen hat auch einige Unterklassifizierungen:

• Gruppierung (Clustering). Dieser Ansatz gruppiert Objekte zu Clustern basierend auf Kriterien wie Unterschieden oder Ähnlichkeiten zwischen ihnen. Gruppierung von Kunden nach den Artikeln, die sie kaufen.
• Assoziation. Diese Technik identifiziert Standardbeziehungen zwischen den Variablen in einem großen Datensatz. Es bestimmt die Abhängigkeiten zwischen Datenelementen und stellt die zugehörigen Variablen dar.

Halbüberwachtes Lernen.

Wie der Name schon sagt, fusioniert dieser Ansatz Aspekte des überwachten und unüberwachten maschinellen Lernens.

Halbüberwachtes Lernen liest gelabelte und ungelabelte Datensätze, um seine Algorithmen zu trainieren. Die Kombination beider Datensätze beseitigt die Probleme, die bei der Einzelverwendung auftreten. Darüber hinaus verwendet der halbüberwachte Lernansatz kleinere gelabelte Datensätze, um größere ungelabelte Datensätze anzuleiten und zu verwalten. Die Datensätze werden üblicherweise so gruppiert, weil ungelabelte Datensätze weniger Aufwand erfordern und kostengünstiger zu beschaffen sind.

Stellt euch vor, ein Schüler lernt von einem Lehrer. Wenn ein Schüler Informationen von einem Lehrer erhält, spricht man von überwachtem Lernen. Beim selbstständigen Lernen zu Hause lernt der Schüler die Informationen ohne Überwachung durch einen Lehrer. Wenn der Schüler die Informationen, nachdem er sie selbstständig gelernt hat, anschließend in der Klasse mit dem Lehrer bespricht, entspricht das dem semi-überwachten Lernen.

Ein Beispiel für semi-überwachtes maschinelles Lernen im Alltag wäre eine Webcam, die Gesichter identifiziert.

Verstärkendes Lernen.

Verstärkendes Lernen trainiert über Belohnungssysteme. Es lernt nach dem Prinzip von Versuch und Irrtum, wobei erfolgreiche Ergebnisse die Empfehlungen verstärken. Verstärkendes Lernen verfügt nicht über gelabelte Daten wie die überwachte Lerntechnik. Diese Art des maschinellen Lernens funktioniert über einen Feedback-Prozess von Aktionen und lernt durch Erlebnisse.

Reinforcement Learning wählt die geeignetsten Aktionen, indem es aus Erfahrungen lernt und sein Verhalten entsprechend anpasst. Für korrekte Aktionen gibt es Belohnungen, falsche werden bestraft. So lernt das System, die richtigen Aktionen zu wählen.

Reinforcement Learning kommt häufig in Videospielen, der Robotik und der Navigation zum Einsatz. In Videospielen zum Beispiel definiert das Spiel die Umgebung, und jede Bewegung des Reinforcement-Learning-Agenten bestimmt den aktuellen Zustand des Agenten. Der Agent erhält Feedback durch Belohnungen und Strafen, die die Spielpunktzahl beeinflussen.

Es gibt zwei Arten von Reinforcement-Learning-Algorithmen:

• Positiv verstärkendes Lernen. Bei dieser Art des verstärkenden Lernens wird nach Ausführung eines bestimmten Verhaltens durch den Agenten ein positiver Reiz hinzugefügt, wodurch die Wahrscheinlichkeit steigt, dass dieses Verhalten in Zukunft erneut auftritt.
• Negativ verstärkendes Lernen. Diese Art der Verstärkung beinhaltet die Entfernung einer negativen Bedingung, um die Wahrscheinlichkeit zu erhöhen, dass ein bestimmtes Verhalten erneut auftritt, oder die Stärkung eines bestimmten Verhaltens, um ein negatives Ergebnis zu vermeiden.

Viele Branchen, die mit großen Datenmengen arbeiten, erkennen den Wert des Einsatzes von Technologien des maschinellen Lernens zur Steigerung der Produktivität. Maschinelles Lernen ist kein Ersatz für Menschen, sondern ein Tool, das dabei hilft, Informationen schnell und präzise zu extrahieren, sodass Menschen die empfohlenen Aktionen auswerten und bessere sowie schnellere Entscheidungen treffen können.

Sehen wir uns einige der Branchen an, in denen maschinelles Lernen am häufigsten eingesetzt wird.

Gesundheitswesen.

Maschinelles Lernen expandiert schnell im gesamten Gesundheitswesen. Tragbare Sensoren und Geräte wie Smartwatches oder Fitness-Tracker können medizinischen Fachleuten helfen, in Echtzeit Erkenntnisse über die Gesundheit eines Patienten zu gewinnen. Einige Vorteile des maschinellen Lernens im Gesundheitswesen sind:

• Schnellere und effizientere Datenanalyse. Erkennen gesundheitlicher Warnsignale oder Muster in Echtzeit, um Diagnosen oder Behandlungen schneller zu aktualisieren.
• Bewertung der Patientengesundheit in Echtzeit für eine personalisierte Betreuung. Während Medikamente Symptome behandeln können, können die Nebenwirkungen bei einzelnen Patienten unterschiedlich sein. Maschinelles Lernen kann die Gene eines Patienten analysieren, um für jeden Patienten eine individuell abgestimmte Versorgung und gezielte Behandlung bereitzustellen.
• Schnellere Wirkstoffentdeckung. Maschinelles Lernen kann den langen und kostspieligen Prozess der Entwicklung eines neuen Medikaments beschleunigen. Einige Tools für maschinelles Lernen können große Datensätze analysieren, um neue potenzielle Behandlungsmöglichkeiten für Medikamente zu entdecken.

Finanzwesen.

Banken und andere Finanzinstitute verarbeiten große Mengen an sensiblen Informationen. Viele Firmen haben sich entschieden, Technologien für maschinelles Lernen einzusetzen, um ihren Kundinnen und Kunden einen sichereren und effizienteren Service zu bieten. Zu den Vorteilen von maschinellem Lernen im Finanzwesen gehören:

• Neue Erkenntnisse aus Daten. Neue Anlagechancen können schnell entdeckt werden, Anlegerinnen und Anlegern können bessere Erkenntnisse geboten werden – zum Beispiel, um den optimalen Zeitpunkt für den Handel zu erkennen.
• Besserer Schutz vor Betrug. Sicherheit ist bei der Verwaltung von Finanzdaten entscheidend. Data-Mining spürt Benutzer mit hohem Risiko-Profil auf und hilft Cyber-Überwachungssystemen, mögliche betrügerische Aktivitäten zu identifizieren.

Einzelhandel.

Der Einzelhandel setzt maschinelles Lernen ein, um individuelle Erlebnisse für jede Person zu schaffen und zusätzlichen Kundenservice zu bieten. Maschinelles Lernen bietet Einzelhändlern das Potenzial, ihren Kundenstamm zu erweitern und gleichzeitig die Kosten zu senken. Ein paar wichtige Vorteile sind:

• Personalisierte Einkaufserlebnisse. Viele Online-Einzelhandels-Websites nutzen maschinelles Lernen, um Produktempfehlungen auf Basis kürzlich getätigter Einkäufe oder Lesezeichen anzubieten. Chatbots auf einer Einzelhandels-Website können dabei helfen, unmittelbare Fragen von Kundinnen und Kunden zu beantworten, sodass menschliche Mitarbeitende entlastet werden.
• Verbessertes Marketing. Maschinelles Lernen kann ein hilfreiches Tool für die Planung von Kunden-Merchandising, das Zusammenstellen von Werbekampagnen, die Preisoptimierung und die Bereitstellung von Kundenerkenntnissen sein.

Algorithmen für maschinelles Lernen.

Maschinelles Lernen kann eingesetzt werden, um Empfehlungssysteme und Algorithmen zu erstellen, die Produkte und Dienstleistungen für Einzelpersonen personalisieren.

Firmen wie YouTube und Netflix sind auf Algorithmen für maschinelles Lernen angewiesen, um Betrachtern basierend auf ihrem Verlauf Filme und Serien zu empfehlen. Der Einzelhandel und andere Websites können Produkte und Services basierend auf gespeicherten oder gekauften Artikeln vorschlagen. Außerdem nutzen Social Media-Plattformen maschinelles Lernen, um Empfehlungen abzugeben, wobei für jede Person unterschiedliche Postings im Feed angezeigt werden – basierend auf Postings, die sie gelikt haben, oder Konten, denen sie folgt.

Die Personalisierung von Anwendererlebnissen und das Gewinnen zusätzlicher Erkenntnisse helfen Unternehmen, ihre Kunden besser zu unterstützen. Doch auch die Technologie des maschinellen Lernens bringt eigene Herausforderungen mit sich.

Obwohl maschinelles Lernen die Effizienz für viele Unternehmen in zahlreichen Branchen gesteigert hat, bringt es – wie jede andere neue Technologie – auch einige Nachteile mit sich. Insbesondere gibt es ethische und Kostenbedenken im Zusammenhang mit der Technologie des maschinellen Lernens.

1. Voreingenommenheit und Diskriminierung.

   Unglücklicherweise haben die Daten, die zum Trainieren von Prozessen des maschinellen Lernens verwendet werden, das Potenzial, menschliche Verzerrungen widerzuspiegeln. Algorithmen, die aus Datensätzen mit Fehlern lernen oder bestimmte Populationen ausschließen, erzeugen ungenaue Darstellungen der Welt. Diese Fehler verunmöglichen ein genaues Modell der Welt und können außerdem diskriminierend sein. Auch wenn die meisten Firmen Sorgfalt walten lassen, um potenzielle Verzerrungen bei Automatisierungsmaßnahmen auszuschließen: Aus dem Einsatz von künstlicher Intelligenz können sich einige Konsequenzen ergeben.

   Zum Beispiel setzte Amazon Automatisierung ein, um den Einstellungsprozess zu vereinfachen, und diskriminierte dabei unbeabsichtigt Bewerber für technische Positionen aufgrund ihres Geschlechts. Die Firma hat den Prozess daraufhin abgeschafft. Das Einholen von Meinungen und Daten von Menschen mit unterschiedlichem Hintergrund kann Vorurteile und Diskriminierung reduzieren.

2. Datenschutz.

   Maschinelles Lernen erfordert Daten, und damit gehen Bedenken hinsichtlich des Datenschutzes einher. Beim Verwalten aller Arten von Daten – insbesondere personenbezogener Daten (PII) – sind Datenschutz und Datensicherheit von größter Bedeutung. Immer mehr Gesetzgeber auf der ganzen Welt ergreifen Maßnahmen, um persönliche Daten zu schützen.

   Die Datenschutz-Grundverordnung (DSGVO) ist eine 2016 eingeführte Verordnung der Europäischen Union, die den Schutz personenbezogener Daten von Menschen in der Europäischen Union und im Europäischen Wirtschaftsraum gewährleistet und sicherstellt, dass Einzelpersonen mehr Kontrolle über ihre Informationen haben. In den Vereinigten Staaten verabschiedete Kalifornien 2018 den California Consumer Privacy Act (CCPA), der Unternehmen verpflichtet, Verbraucher zu benachrichtigen, wenn ihre Daten gesammelt werden.

3. Kosten.

   Die Implementierung von maschinellem Lernen in Geschäftsprozesse kann kostspielig sein. Datenwissenschaftlerinnen und -wissenschaftler – die in der Regel solche Projekte vorantreiben – verlangen häufig hohe Gehälter. Auch die Software-Infrastruktur, die mit der Einführung von maschinellem Lernen einhergeht, kann teuer sein.

   Maschinelles Lernen wird implementiert, um große Datensätze zu durchsuchen, die im Laufe der Zeit erstellt wurden, und viele Ressourcen werden benötigt, damit die Technologie ein nützlicher Bestandteil der Geschäftsstrategie wird. Der Aufwand an Zeit und Ressourcen lohnt sich für viele Unternehmen, aber es ist wichtig zu bedenken, dass maschinelles Lernen eine Investition ist – und das System kann mit der Zeit komplexer und teurer werden.

Möchtet ihr Segmentierung und Personalisierung mit maschinellem Lernen verbessern?Entdeckt, wie Adobe Real-Time CDP euch dabei unterstützen kann.