ADOBE REAL-TIME CDP.
Was ist maschinelles Lernen?
Kurzdefinition: Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz (KI), der Computern die Möglichkeit bietet, Aufgaben besser und schneller durchzuführen als der Mensch. Dabei werden Modelle eingesetzt, die mit wachsender Datenmenge die Leistung verbessern.
Auch wenn maschinelles Lernen (ML) möglicherweise nach fortschrittlicher Technologie klingt, die für viele unerreichbar ist, können viele Unternehmen sie erstaunlich einfach nutzen. Genau genommen wird ML im Alltag bereits häufig verwendet, ohne dass Menschen es mitbekommen.
Takeaways:
- ML-Modelle verbessern sich selbst, indem sie aus dem Output bestimmter Entscheidungen „lernen“.
- ML umfasst drei wichtige Bereiche: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.
- Idealerweise wird ML dann eingesetzt, wenn die Daten zu umfangreich sind, als dass der Mensch dies mit seiner geistigen Kapazität oder innerhalb des verfügbaren Zeitraums verarbeiten kann.
- ML steigert die Produktivität, indem es den aufwendigen Teil der Arbeit von Datenanalystinnen und -analysten übernimmt.
In diesem Leitfaden erfahrt ihr, wie maschinelles Lernen funktioniert, welche Arten von ML es gibt, welche Vor- und Nachteile es bietet und wie die Zukunft dieser Technologie aussieht.
Abschnitte dieser Seite.
Funktionsweise von maschinellem Lernen
Arten von maschinellem Lernen
Geschichte des maschinellen Lernens
Vorteile beim Einsatz von maschinellem Lernen
Nachteile der Algorithmen für maschinelles Lernen
Wie Unternehmen maschinelles Lernen einsetzen
Funktionsweise von maschinellem Lernen.
ML ist eine Technologie, die Computer-Systemen beim Lernen hilft und deren Output verbessert. Maschinelles Lernen verwendet Algorithmen, d. h. Regeln für die Problemlösung, um nützlichere Ergebnisse von Maschinen zu generieren.
Die meisten ML-Modelle liefern die Daten für einen Algorithmus. Anschließend sucht das Modell automatisch nach Fehlern in den eigenen Vorhersagen. Dabei verwendet es frühere Beispiele, um den Output zu vergleichen und auf Fehler zu prüfen. Dieser Output wird dann von menschlichen Benutzerinnen und Benutzern entweder akzeptiert oder abgelehnt. Durch dieses Training wird das ML-Modell im Laufe der Zeit immer effektiver und genauer. Je mehr Daten und Erfahrung einem ML-Modell zur Verfügung stehen, desto weniger menschliches Eingreifen ist erforderlich.
ML ist eine ähnliche Technologie wie KI, wobei es jedoch Unterschiede gibt. Maschinelles Lernen ist der Prozess, mit dem ein Computer durch Iterationen im Laufe der Zeit immer intelligenter wird. Bei KI wendet der Computer sein Wissen an, um ohne menschliches Eingreifen Aufgaben auszuführen. Der größte Unterschied zwischen diesen beiden Technologien besteht darin, dass KI menschliche Intelligenz nachahmen kann, während ML Aufgaben ausschließlich mithilfe von Mustererkennung ausführt.
Arten von maschinellem Lernen.
Überwachtes Lernen.
Überwachtes Lernen ist eine Form der Datenwissenschaft, bei der Daten-Label verwendet werden, die konkrete Informationen zu den Ergebnissen der Daten liefern. Ein Modell wird anschließend trainiert, um zu erfahren, welche Funktionen oder Variablen die Ergebnisse vorhersagen, die den gekennzeichneten Eingabedaten zugewiesen sind. Das Modell kann die Informationen aus den Ausgabedaten anschließend verwenden, um die eigene Leistung zu bewerten und Ergebnisse vorherzusagen.
Für überwachtes Lernen gibt es zwei primäre Use Cases: Klassifikation und lineare Regression. Klassifikation sagt ein Klassen-Label voraus. Ihr könnt zum Beispiel anhand von Attributen wie dem Kaufverhalten vorhersagen, ob eine Kundin bzw. ein Kunde den Kontakt mit einer Marke abbrechen wird.
Lineare Regression sagt ein numerisches Label voraus, z. B. den Umsatz, den ihr basierend auf spezifischen Attributen von einer Kundin bzw. einem Kunden erwartet. Das Ergebnis ist eine numerische Variable, keine Bedingung.
Überwachtes Lernen erfordert ein zuverlässiges Machine-Learning-Modell, damit sichergestellt ist, dass hochwertige Ergebnisse generiert werden. Hier erfahrt ihr, wie ML-Modelle die unterschiedlichen Ausgabetypen beeinflusst, die ein Computer generieren kann.
Unüberwachtes Lernen.
Unüberwachtes Lernen beginnt mit einem Satz ungekennzeichneter Rohdaten. Der wichtigste Zweck für unüberwachtes Lernen ist die Suche nach Verbindungen zwischen dem Datensatz und allen zusätzlichen Datenpunkten, die ihr dem Modell übergebt.
Diese Technik kann euch helfen, Beziehungsgruppen innerhalb von Daten oder Clustern zu finden, um damit Kundensegmente zu erstellen.
Bestärkendes Lernen.
Bestärkendes Lernen beginnt mit der Eingabe eines Satzes ungekennzeichneter Rohdaten in ein Modell. Anschließend führt das Modell eine Aktion durch. Basierend auf dieser Aktion und den Ergebnissen aus dieser Aktion erhält das Modell Rückmeldungen dazu, ob es richtig oder falsch agiert hat. Nun erstellt das Modell eine weitere Aktion und lernt weiter, bis die Modelloptimierung erreicht ist.
Ein gutes Praxisbeispiel für bestärkendes Lernen ist ein Empfehlungsalgorithmus für einen Film-Streaming-Dienst wie Netflix. Der Dienst zeigt euch einen Film, den ihr möglicherweise interessant findet, und lernt aus eurer „Mag ich/Mag ich nicht“-Bewertung, ob er die gleiche Art von Film weiterhin empfehlen soll.
Geschichte des maschinellen Lernens.
Auch wenn ML neu klingt, gibt es die Technologie schon seit Jahrzehnten. Das maschinelle Lernen, das wir heute kennen, hat seinen Ursprung in den 1940er Jahren.
1940er Jahre.
Im Jahr 1943 erstellten Warren McCulloch und Walter Pitts das erste neuronale Netzwerk. Damit konnten Computer auch ohne menschliche Eingriffe miteinander kommunizieren.
1950er Jahre.
Alan Turing entwickelte den Turing-Test, mit dem überprüft werden kann, ob sich Maschinen wie Menschen verhalten können. Forschende überprüfen heute mit dem Turing-Test, ob Menschen den Unterschied zwischen von Menschen und von Maschinen generierten Ausgaben erkennen können.
1960er Jahre.
Thomas Cover und Peter Hart veröffentlichten den K-Nearest Neighbour-Algorithmus (KNN), einen der ersten ML-Algorithmen, die Muster in großen Datenmengen identifizieren können.
1970er Jahre.
Paul Werbos schrieb 1974 seine Dissertation mit dem Titel The Roots of Backpropagation, in der er die Grundlage für Backpropagation (dt. Fehlerrückführung bzw. Rückpropagierung) legte. Mit dieser Technologie können neuronale Netzwerke Muster zuverlässiger erkennen.
1980er Jahre.
Explanation Based Learning (EBL) ermöglichte Computern, Daten zu analysieren, eigenständig davon zu lernen und unwichtige Daten zu ignorieren. Das künstliche neuronale Netz NetTalk lernte auf diese Weise, Texte in englischer Sprache richtig auszusprechen.
1990er Jahre.
Im Jahr 1997 verblüffte IBM die Welt, als der Supercomputer Deep Blue einen der besten Schachspieler der Welt schlagen konnte. Damit war der Beweis erbracht, dass maschinelles Lernen die Leistung von Menschen erreichen und sogar schlagen konnte.
2000er Jahre.
Torch (heute PyTorch), eine kostenlose Software-Bibliothek, wurde die weltweit erste große ML-Plattform und machte maschinelles Lernen erheblich zugänglicher. In den 2000er Jahren lernten Computer auch, Text und Bilder mit Deep Learning zu „sehen“.
2010er Jahre.
Google entwickelt Google Brain, ein Deep Neural Network zur automatischen Kategorisierung von Objekten. Auch Facebook, Amazon und Microsoft entwickelten ML-Modelle.
2020er Jahre.
Im November 2022 eroberte ChatGPT von OpenAI die Welt im Sturm. Diese Technologie machte ML und KI für die Allgemeinheit zugänglich und wird heute vielfach eingesetzt, um zum Beispiel Job-Bewerbungen zu erstellen oder E-Mails zu schreiben.
Vorteile beim Einsatz von maschinellem Lernen.
Maschinelles Lernen bietet Unternehmen viele Vorteile:
- Steigerung der Produktivität: Mehr als 80 % der Mitarbeitenden sind der Meinung, dass KI ihre Arbeitsleistung verbessert. Durch die Automatisierung von Aufgaben, die normalerweise von Menschen übernommen werden, kann ML die Unternehmensproduktivität steigern.
- Unterstützung für Kundinnen und Kunden: Unternehmen können mit ML ihre Produkte optimieren, um deren Benutzerfreundlichkeit zu verbessern. So sind 62 % der Verbraucherinnen und Verbraucher bereit, ihre Daten zu teilen, wenn sie im Gegenzug ein besseres Erlebnis erhalten.
- Vermeidung menschlicher Fehler: ML automatisiert manuelle Aufgaben, die für menschliche Fehler und falsche Schreibweisen anfällig sind. Euer Unternehmen verfügt dadurch über saubere Daten und kann daraus bessere geschäftliche Erkenntnisse ziehen.
- Bessere Verfügbarkeit: Heute erwarten 51 % der Verbraucherinnen und Verbraucher, dass Unternehmen rund um die Uhr verfügbar sind. Durch die Implementierung von ML-Lösungen ist euer Unternehmen Tag und Nacht für eure Kundschaft erreichbar.
- Weniger Risiko: Compliance-Verstöße können für euer Unternehmen zu Millionenstrafen und verlorenen Geschäftsmöglichkeiten führen. Da maschinelles Lernen festgelegten Regeln folgt, ist die Einhaltung von Vorschriften jedoch auch im großen Maßstab kein Problem.
- Minimierung repetitiver Aufgaben: ML automatisiert lästige Aufgaben wie Dateneingaben, sodass Mitarbeitende sich um wichtigere Aufgaben kümmern können. Tatsächlich wünschen sich 68 % der Mitarbeitenden mehr KI-basierte Technologien, die sie bei der Erledigung von Aufgaben unterstützen.
- Gewinnen von Erkenntnissen: ML kann zu Erkenntnissen führen, für die Menschen häufig überhaupt nicht die geistige Kapazität haben.
Nachteile der Algorithmen für maschinelles Lernen.
Der Einsatz von maschinellem Lernen ist mit einigen Nachteilen verbunden. Dazu gehört:
- Umfang der erforderlichen Daten: Damit ML-Modelle effektiv arbeiten können, benötigen sie häufig enorme Datenmengen.
- Größe der Datensätze: Größe und Qualität eines Datensatzes wirken sich sehr stark darauf aus, ob ein Modell die gewünschten Ergebnisse liefert. Je mehr Daten ihr habt, desto länger dauert jedoch die richtige Kennzeichnung dieser Daten, damit sie für überwachtes Lernen eingesetzt werden können.
- Kombinieren von Datentypen: Es sind verschiedene Datentypen zu berücksichtigen, die euer Modell enthalten muss, um die richtigen Ergebnisse zu liefern. Schließlich bringt ihr der Maschine bei, Entscheidungen auf die gleiche Weise wie ein Mensch zu treffen.
- Potenzielle Verzerrungen: Ein weiterer Nachteil von maschinellem Lernen betrifft ethische Fragen, insbesondere bei Deep Learning. Bei vielen Modellen ist unklar, anhand welcher Faktoren sie ihre Entscheidungen treffen. Einerseits ist das Modell nur so gut wie die Daten, die es verarbeitet, aber andererseits wisst ihr wahrscheinlich nicht, welche Beziehungen das Modell bemerkt und ob sie moralisch zu vertreten sind.
- Potenzielle Ungenauigkeiten: Berücksichtigt stets, dass maschinelles Lernen seine Ergebnisse zwar effektiver gewinnen kann als Menschen, jedoch nicht zwangsläufig frei von Fehlern ist. Wenn eure Daten oder Logik Fehler aufweisen, spiegelt das ML-Modell diese Ungenauigkeiten wider.
- Kosten: Wenn ihr eine individuelle ML-Lösung für eurer Unternehmen entwickeln möchtet, ist das mit Kosten für die Beschäftigung von Datenwissenschaftlerinnen und Datenwissenschaftlern und die Verwaltung dieser Modelle verbunden. Im Durchschnitt geben Unternehmen 60.000 bis 95.000 US-Dollar in den ersten fünf Jahren der Nutzung eines Modells aus. Mit Lösungen wie Adobe Sensei kann euer Unternehmen jedoch einen Großteil dieser Kosten einsparen.
Maschinelles Lernen ist nicht perfekt, doch durch die Wahl des richtigen ML-Modells für die richtigen Szenarien können Unternehmen viele der Nachteile wettmachen.
Wie Unternehmen maschinelles Lernen einsetzen.
Es gibt viele Situationen, in denen Unternehmen durch die Implementierung von ML-Algorithmen ihre Ressourcen optimieren können. Ein typischer Fall ist Big Data mit einem Datenumfang, der zu groß zum Durchforsten durch Menschen ist, gleichzeitig jedoch wichtige Informationen enthält, die Unternehmensentscheidungen beeinflussen können.
Der Vorteil ist nicht auf Technologieunternehmen beschränkt: 68 % der Unternehmen auf der ganzen Welt nutzen ML, und diese Zahl wird voraussichtlich weiter steigen. Aufgrund der vielen Vorteile von maschinellem Lernen wird die Technologie in immer mehr Branchen eingesetzt.
Gesundheitswesen.
Unternehmen im Gesundheitswesen nutzen maschinelles Lernen für die Bearbeitung umfangreicher Patientendaten, und dies unter Wahrung von Datenschutzvorschriften. So wird ML beispielsweise zur Verbesserung der diagnostischen Bildgebung eingesetzt, um Krankheiten schon im Frühstadium zu erkennen. Die Technologie ist auch nützlich, um Betrugsversuche zu erkennen, Fehler aufzudecken und die Behandlung zu personalisieren.
Fertigung.
Immer mehr Fertigungsunternehmen nutzen ML für intelligente vorbeugende Wartung. Anstatt viel Zeit und Geld mit der zeitlich vorgeschriebenen Wartung aktuell reibungslos funktionierender Maschinen zu verschwenden, setzen Fertigungsunternehmen auf maschinelles Lernen, um Daten-Trends zu analysieren und das optimale, jeweils konkret erforderliche Wartungsintervall ihrer Maschinen zu ermitteln.
Das ist jedoch nicht der einzige Bereich, in dem Fertiger maschinelles Lernen einsetzen. So kommt diese Technologie auch bei der Verwaltung autonomer und halbautonomer Fahrzeuge in den Fabriken zum Einsatz.
Unterhaltung.
Besitzt ihr ein Netflix-Konto? Dann habt ihr ML bereits im Einsatz erlebt. Der Streaming-Dienst nutzt maschinelles Lernen zum Personalisieren von Miniaturansichten, für Empfehlungen von Filmen und Serien sowie zum Optimieren der Streaming-Qualität.
Marketing.
Angenommen, euer Marketing-Team analysiert neue Daten von unterschiedlichen Kundensegmenten. Es ist aufwendig, die verschiedenen Kundenattribute zu untersuchen, um wertvolle Segmente zu identifizieren oder die Vorlieben von Kundensegment A mit Kundensegment B zu vergleichen.
Angesichts der enormen Datenmengen ist es eher unwahrscheinlich, dass euer Marketing-Team über die geistige Kapazität verfügt, um die Informationen vollständig zu verarbeiten oder gar wertvolle Erkenntnisse daraus zu ziehen. Hier kann maschinelles Lernen schnellere und sicherlich auch bessere Ergebnisse liefern als Menschen.
Der Einsatz von ML-Automatisierung kann prädiktive Erkenntnisse liefern, die euer Team allein nicht gefunden hätte.
Finanzen.
In der Finanzwelt werden Robo-Advisors immer beliebter. Beispielsweise setzen Services wie Wealthfront für die Automatisierung des Portfolio-Managements für ihre Benutzerinnen und Benutzer auf ML und KI. Dadurch müssen diese Finanzdienstleister weniger Zeit für die Verwaltung der Kundeninvestitionen aufwenden und können ihren Kundinnen und Kunden zugleich weitere Vorteile verwalteter Investitionen bieten.
Unterstützt hervorragende Kundenerlebnisse mit maschinellem Lernen.
Möchtet ihr verbesserte Segmentierung und Personalisierung mit maschinellem Lernen (ML)? Adobe Real-Time CDP kann euch helfen.
Empfohlene Artikel.
https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp
