Du hast deinen AdBlocker an?

Es wäre ein Traum, wenn du ihn für t3n.de deaktivierst. Wir zeigen dir gerne, wie das geht. Und natürlich erklären wir dir auch, warum uns das so wichtig ist. Digitales High-five, deine t3n-Redaktion

t3n 46

So verändert Machine Learning die Wirtschaft

Seite 2 / 4

Ein Kriterium dafür sei etwa, ob eine Aufgabe besser von einem Menschen oder einer Maschine gelöst werden kann, sagt Jens Haase von der Darmstädter Firma Consetto, die Software für künstliche Intelligenz im Auftrag von Unternehmen entwickelt. Eine Firma aus der Automobilbranche wollte zum Beispiel ihre Stammdaten bereinigen. Das Unternehmen nutzte noch Daten, die vor 30 Jahren eingepflegt wurden, als die Textfelder in Datenbanken eine Zeichenbegrenzung hatten. Das führte dazu, dass Produktinformationen oft mit Abkürzungen eingepflegt wurden. Viele Daten waren zudem mit der Zeit doppelt vorhanden. Die Firma setzte zunächst Praktikanten und Studenten ein, um die Daten zu überarbeiten. Aber schnell zeigte sich, dass sie dafür Jahre gebraucht hätten. Consetto entwickelte ein Programm, das aus den menschlichen Bearbeitungen lernte und das Gelernte auf den Rest der Datenbank übertrug. Die Bereinigung dauerte wenige Wochen.

Wenn die Voraussetzungen stimmen, kann maschinelles Lernen aber ein entscheidender Wettbewerbsvorteil sein.

„Maschinelles Lernen kann grundsätzlich immer eingesetzt werden, wenn strukturierte Datenbanken vorhanden sind“, sagt Paul von Bünau vom Berliner Unternehmen Idalab, das ebenfalls Lösungen für künstliche Intelligenz entwickelt. „Außerdem müssen die Daten vergleichbar sein. Es wäre sinnlos, aus Daten der Vergangenheit zu lernen, wenn sich zwischenzeitlich das Geschäftsmodell, das Produkt oder die Zielgruppe geändert hat.“ Wenn die Voraussetzungen stimmen, kann maschinelles Lernen aber ein entscheidender Wettbewerbsvorteil sein.

Es gibt auch ein „Unsupervised Learning“, ein Lernen ohne Aufsicht. Dabei soll die lernende Maschine in großen Datenmengen nützliche Muster erkennen, zum Beispiel in Website-Statistiken. Ein Online-Buchhändler kann die Werke von so einem System gruppieren lassen, zum Beispiel in solche, die gerne von Teenagern gelesen werden. Zum Vergleich: Mittels „Supervised Learning“ könnte der Händler den Büchern konkrete Schlagwörter wie Krimi, Thriller oder Fantasy zuordnen lassen, aber dafür braucht er eben den manuell aufgebauten Lerndatensatz. Ein weiterer Ansatz: „Reinforcement Learning“, bei dem das Programm durch Ausprobieren Neues erlernt. Das macht etwa die Software eines Roboters, wenn dieser an einem Hindernis stecken bleibt. Er merkt sich das Objekt und passt dann automatisch seine künftige Route an.

Verwendet man bei diesen Lernprozessen ein sogenanntes neuronales Netz, spricht man von „Deep Learning“. Solche Netze simulieren das menschliche Gehirn, indem sie beim Lernen die Stärke von simulierten Neuronenverbindungen verändern. Je näher ein Schritt auf dem Lösungsweg zum gewünschten Ziel einer Aufgabe führt, desto stärker wird die entsprechende Verbindung gewichtet. Deep Learning wird vor allem in der Bild- und Spracherkennung verwendet, in der die Maschine immense Datensätze auswerten muss.

Diese Beispiele zeigen, dass das maschinelle Lernen – anders als die Science-Fiction-Vision der frühen künstlichen Intelligenz – im Alltag bereits angekommen ist. Typische Anwendungen sind auch die Spam-Erkennung, Chatbots, Empfehlungen in Online-Shops, automatisierte Antworten im Kunden-Service bis hin zu Prognosen der Vertrauenswürdigkeit eines Kunden.

Machine Learning: „Keine magische Formel“

Zu den Beispielen dafür zählt Fraud.net, eine Plattform, die Online-Betrug voraussagen soll. Die dahinter steckende KI ermittelt anhand von Website-Statistiken, wie wahrscheinlich ein neuer Kunde den Händler prellen wird. Die Software vergleicht dafür Daten wie die IP-Adresse, Geoinformation, Gerätedaten, bisheriges Surf- und Login-Verhalten des Users mit Informationen aus einer umfassenden Datenbank, die von allen beteiligten Unternehmen gefüttert wird. Fraud.net wird laut Eigenauskunft immerhin von zwei Prozent der amerikanischen Online-Händler genutzt, weshalb auch entsprechend viele Daten vorliegen. Da Betrüger ihre Strategien allerdings laufend ändern, müssen die Algorithmen ständig neu dazu lernen.

Fraud.net nutzt das Cloud-Computing-Angebot von Amazon Web Services. Dort ist Maschinelles Lernen integriert – man muss mittels eines digitalen Assistenten ein so genanntes Lernmodell aufstellen. Das hält nach verschiedenen Mustern Ausschau: Wurde die Kundenrezension von einem Menschen oder von einer Maschine verfasst? Welche Kategorie ist für einen Kunden, der ein bestimmtes Produkt gekauft hat, noch interessant? Für welchen Preis wird das Produkt am ehesten gekauft? Das sind typische Fragen, die Amazons Maschinelles Lernen beantworten kann – vorausgesetzt, es liegen Beispieldaten vor. Bei der Frage nach Kundenrezensionen müssten welche vorliegen, die manuell als „von einem Menschen verfasst“ oder „von einer Maschine verfasst“ markiert wurden. Erst dann können Algorithmen das Muster auf den größeren, unbearbeiteten Datensatz übertragen.

Die Angebote von Amazon oder auch Microsoft sind allerdings weder günstig noch sonderlich flexibel. Das sagt jedenfalls Haase. „Maschinelles Lernen ist keine magische Formel, von der jedes Unternehmen gleichermaßen profitiert“, so der Experte. Als Unternehmer müsse man sich zunächst Fragen stellen wie „Welche Daten habe ich?“ oder „Was will ich aus ihnen herauslesen oder mit ihnen machen?“. Das nähme dem Unternehmer das maschinelle Lernen allerdings nicht ab. „Erst wenn ich weiß, was ich möchte, kann ich einschätzen, ob der Einsatz der Programme für meine spezifischen Anforderungen sinnvoll ist – und meist zeigt sich, dass die Standardlösungen der Cloud-Anbieter nicht hilfreich sind.“

Bitte beachte unsere Community-Richtlinien

Eine Reaktion
Markus Ahorner

Ja, das Maschinelle Lernen kommt, schöner Artikel, vielen Dank!

Ein Aspekt des ML fehlt mir in dem Artikel jedoch: Die Zeitreihenanalyse und das Modellieren industrieller Systeme mithilfe von zeitstrukturierten Daten. Das funktioniert wunderbar, wir führen damit seit fast 10 Jahren Fabrikoptimierungen in Chemie und Kraftwerk durch. Das Prinzip ist eine Black-Box-Analyse, das Ergebnis ist ein Differenzialgleichungssystem, das vom Neuronale Netz selbstständig entwickelt und dann weitererlernt wird (nachdem man es einmalig angelernt hat).

Speziell mit Rekurrenten Neuronalen Netzen lässt sich ein Zeitgedächtnis aufbauen, so dass man die Ursachen und Wirkungen und damit die Zusammenhänge zwischen den Daten hervorragend abbilden kann. So erhält man aus den Anlagedaten ein sehr präzises Modell aller Zusammenhänge darin.

Wenn man auf diese Modelle jetzt eine Zielfunktion (mehr Output, bessere Stabilität, weniger Rohstoff- oder Energieeinsatz etc.) legt, lässt sich das Ganze im Prinzip wie eine mathematische Gleichung lösen, denn die Formel (also das Modell) hat man ja jetzt. Und zwar in Echtzeit, so dass der Computer dem Menschen in der Anlage die verbesserten Fahrbedingungen während der Produktion mitteilen kann.

Das Ganze funktioniert übrigens deshalb, weil man mit einem Neuronalen Netz immer ein präzises Datenmodell bilden kann, wenn die Daten regelbasiert erzeugt worden sind - und das passiert in einer Industrieanlage ja immer, denn die muss ja den Naturgesetzen folgen.

Ich hatte mich auf der CeBIT 2017 in Hannover mit Herrn Dr. Samek darüber unterhalten und war verblüfft, dass auch bei der FHG diese Methode noch ziemlich in den Anfängen steckt. Es wundert mich, dass außer uns offenbar noch niemand auf die Idee gekommen ist, eine Software für diese Anwendung zur kommerzielle Nutzung durchzuprogrammieren. Vielleicht, weil der Markt für solche Lösungen zu klein ist?

Herzliche Grüße von Markus Ahorner

Du musst angemeldet sein, um einen Kommentar schreiben zu können.

Jetzt anmelden