Reportage

So verändert Machine Learning die Wirtschaft

Seite 4 / 4

Ein Problem des maschinellen Lernens mit neuronalen Netzen liegt darin, dass selbst die Programmierer nicht wissen, wie der Computer zu seinen Ergebnissen kommt. Wie lernt er? Was berücksichtigt er dabei? Für die Entwickler mag das nicht relevant sein, wenn die Ergebnisse zielführend sind. Aber als Mitte 2016 ein selbstfahrendes Auto der Firma Tesla einen Lastwagen-Anhänger mit einem Verkehrsschild verwechselte und einen tödlichen Unfall verursachte, zeigte sich, dass Maschinen eben doch manchmal katastrophal falsche Schlüsse beim Lernen ziehen.

Wie lassen sich solche Fehler vermeiden? „Wenn wir die Methoden im maschinellen Lernen verbessern wollen, ist es wichtig zu verstehen, was die Algorithmen falsch machen“, sagt Forscher Samek. „Das ist eine gewaltige Aufgabe, da im Deep Learning Millionen von Neuronen in Schichten simuliert werden – da kann man nicht einfach in die Prozesse hineinblicken.“ Das Beispiel mit den Pferdebildern verdeutlicht das nur zu gut.

Das Team vom HHI hat für die Pferdefotos mittlerweile eine Lösung gefunden: Es sorgte bei weiteren Versuchen dafür, dass die Software ihre Entscheidungsfindung visualisierte: Sie zeigte an, welche Pixel sie für die Unterscheidung heranzog. Dadurch können die Forscher heute besser verstehen, was die Software treibt. Wenn sie die gleichen Bildbereiche „sieht“, auf die auch Menschen achten, befindet sich das System auf einem guten Weg. Allerdings gehen auch Menschen bei der Foto-Wahrnehmung unterschiedlich vor. Einen idealen Weg des Lernens gibt es folglich auch für Maschinen selten. „Noch schwieriger ist es, die Analysen des maschinellen Lernens zu automatisieren“, so Samek.

Das Verständnis des maschinellen Lernens ist nicht nur bei selbstfahrenden Autos oder bei der Bildinterpretation wichtig. Auch in der Medizin will ein Arzt nicht nur, dass eine Diagnose-Software künftig anhand von verschiedenen Werten erkennt, ob ein Patient krank ist oder nicht. Den Arzt interessiert auch, wie der Rechner zu der Schlussfolgerung kommt, was also die Krankheitsanzeichen sind. Und Unternehmer, die maschinelles Lernen für Gewinnprognosen einsetzen, werden sich eine ähnliche Frage stellen: Welche Faktoren sind relevant? Lassen sich diese positiv beeinflussen?

Es ist schwer zu sagen, wie sich das maschinelle Lernen in Zukunft weiterentwickelt. Die meisten Entwickler halten sich mit Aussagen zurück, um nicht wieder falsche Erwartungen zu wecken. Zweifellos werden uns Maschinen sprachlich besser verstehen: Digitale Assistenten wie Google Now, Siri und Cortana werden Fragen genauer beantworten und routinierte Office-Aufgaben übernehmen. In Gmail gibt es einen Vorgeschmack mit dem englischsprachigen Feature „Smart Reply“: Es schlägt Antworten auf häufige E-Mail-Anfragen vor. Die Systeme werden sich aber auch in anderen Bereich weiterentwickeln. Künstliche Intelligenzen werden künftig auch eigene Algorithmen produzieren, meint zumindest Oriol Vinyl, der Deep-Learning-Experte von Google. Dann würden wir dem Rechner eine einfache Aufgabe erklären, für die wir eine App bräuchten, und er würde sie uns kurzerhand programmieren.

Das mag noch etwas futuristisch klingen. Doch die Ideen sind heute ernst zu nehmen. Das lässt sich auch daran fest machen, dass die Experten heute nicht mehr in Begeisterungsstürme ausbrechen. Maschinelles Lernen ist dafür schon viel zu sehr im Alltag angekommen.

Bitte beachte unsere Community-Richtlinien

Wir freuen uns über kontroverse Diskussionen, die gerne auch mal hitzig geführt werden dürfen. Beleidigende, grob anstößige, rassistische und strafrechtlich relevante Äußerungen und Beiträge tolerieren wir nicht. Bitte achte darauf, dass du keine Texte veröffentlichst, für die du keine ausdrückliche Erlaubnis des Urhebers hast. Ebenfalls nicht erlaubt ist der Missbrauch der Webangebote unter t3n.de als Werbeplattform. Die Nennung von Produktnamen, Herstellern, Dienstleistern und Websites ist nur dann zulässig, wenn damit nicht vorrangig der Zweck der Werbung verfolgt wird. Wir behalten uns vor, Beiträge, die diese Regeln verletzen, zu löschen und Accounts zeitweilig oder auf Dauer zu sperren.

Trotz all dieser notwendigen Regeln: Diskutiere kontrovers, sage anderen deine Meinung, trage mit weiterführenden Informationen zum Wissensaustausch bei, aber bleibe dabei fair und respektiere die Meinung anderer. Wir wünschen Dir viel Spaß mit den Webangeboten von t3n und freuen uns auf spannende Beiträge.

Dein t3n-Team

Ein Kommentar
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

Antworten

Melde dich mit deinem t3n Account an oder fülle die unteren Felder aus.

Bitte schalte deinen Adblocker für t3n.de aus!

Hey du! Schön, dass du hier bist. 😊

Bitte schalte deinen Adblocker für t3n.de aus, um diesen Artikel zu lesen.

Wir sind ein unabhängiger Publisher mit einem Team bestehend aus 65 fantastischen Menschen, aber ohne riesigen Konzern im Rücken. Banner und ähnliche Werbemittel sind für unsere Finanzierung sehr wichtig.

Danke für deine Unterstützung.

Digitales High Five,
Stephan Dörner (Chefredakteur t3n.de) & das gesamte t3n-Team

Anleitung zur Deaktivierung