Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz. Unter Maschinellem Lernen werden IT-Systeme verstanden, die auf Basis eines großen Datensatzes eigenständig künstliches Wissen erlangen. Anhand von Beispielen analysieren IT-Systeme Datensätze und versuchen über Algorithmen bestimmte Regeln und Gesetzmäßigkeiten zu erkennen. Ziel des Maschinellen Lernens ist es, aus extrem großen und komplexen Datenmengen in kürzester Zeit Zusammenhänge zu identifizieren, Rückschlüsse zu ziehen und Prognosen zu erstellen.

Mit Brunel finden Sie die passenden Experten für Ihr Projekt

Brunel unterstützt Sie mit hochqualifizierten Experten aus den Bereichen Informatik, Statistik, Datenmanagement, Mathematik und Physik bei Ihrem nächsten Projekt im Bereich Maschinellem Lernen. Unsere Experten verfügen über langjähriges Know-how in der Entwicklung und Programmierung von Machine Learning Modellen und sind im Umgang mit gängigen Programmiersprachen wie R und Python geübt. Verschaffen Sie sich einen Überblick über unsere Experten und informieren Sie sich in diesem Zuge auch über unser Leistungsspektrum in den Bereichen Arbeitnehmerüberlassung, Werk- und Dienstvertrag.

Unsere Experten Kontakt aufnehmen

Maschinelles Lernen gehört zu den bahnbrechenden Technologien des 21. Jahrhunderts. Die Auswirkung auf Produktions- und Geschäftsprozesse ist enorm und betrifft immer mehr Branchen. Was momentan noch als neu und disruptiv verstanden wird, gilt in naher Zukunft als technologischer Standard. Was Experten unter Maschinellem Lernen verstehen, wie sie funktioniert und welche Einsatzmöglichkeiten es gibt, erfahren Sie in Folge.

Abgrenzung zur Künstlichen Intelligenz

Künstliche Intelligenz und Maschinelles Lernen sind heutzutage in aller Munde. Oft werden beide Begriffe im gleichen Zusammenhang verwendet und dass obwohl Künstliche Intelligenz und Maschinelles Lernen nicht die gleiche Bedeutung haben. Unter Künstlicher Intelligenz versteht man eine Technologie, die die menschliche Intelligenz nachahmen kann und autonom Aufgaben erfüllt, die zur Erreichung bestimmter Ziele beitragen. Maschinelles Lernen hingegen beschreibt die mathematischen Modelle und Algorithmen, die es braucht, damit ein IT-System lernen kann. 

Wie funktioniert Maschinelles Lernen?

Damit Maschinelles Lernen gelingt, muss ein IT-System zunächst von einem Menschen trainiert werden. Dazu wird dem IT-System ein Datensatz vorgegeben. Anschließend analysiert das IT-System den Datensatz über Algorithmen nach Mustern und Zusammenhänge. Dieser Prozess wird solange durchlaufen bis das Ergebnis qualitativ hochwertig ist. Nach erfolgreich abgeschlossenem Lernprozess soll das IT-System in der Lage sein, eigenständig neue Daten zu analysieren und zu bewerten. Beim maschinellen Lernen unterscheidet man grundsätzlich zwischen folgenden Teilbereichen:

- Überwachtes maschinelles Lernen
- Unüberwachtes maschinelles Lernen
- Semi-überwachtes maschinelles Lernen
- Bestärkendes Lernen

 

Überwachtes maschinelles Lernen (Supervised Learning)

Beim überwachten maschinellen Lernen lernt das IT-System auf Basis eines Trainingsdatensatzes bei dem die korrekten Antworten bereits existieren. Aufgrund der gegebenen Datensätze lernt der Algorithmus die bekannte Zielvariable zu erreichen und Regeln und Muster aufzustellen. Anschließend wird die Vorhersage bewertet. Dieser Prozess wird solange wiederholt bis die Vorhersage der gewünschten Qualität entspricht. Die Erfahrungen aus jedem Durchlauf werden dabei immer wieder aufs Neue in den Lernprozess mit einbezogen. Liefert das trainierte Modell die gewünschten Ergebnisse, kann dieses in Folge auf unbekannte Daten angewendet werden. Ziel des überwachten maschinellen Lernens ist es, Vorhersagen und Empfehlungen zu generieren.

Beim überwachten maschinellen Lernen unterscheidet man zwischen der Klassifikation und der Regression.

Bei der Klassifikation soll das Modell Daten bestimmten Klassen zuweisen. Soll ein IT-System z.B. automatisch handgeschriebene PLZ erkennen, dann sind die handgeschriebenen Zahlen in diesem Fall der Input. Diese werden als Bilder vom IT-System wahrgenommen, analysiert und anhand der Ziffern (Output) 0 bis 9 klassifiziert. Auch E-Mail-Anbieter bedienen sich der Klassifikation. Um Nutzer automatisch vor Spam-E-Mails zu warnen, werden überwachte Lernverfahren eingesetzt, die jede E-Mail auf Spam untersuchen und die Mails anschließend von selbst in die Kategorien Spam oder Nicht Spam einordnen.

Die Regression hingegen wird eingesetzt, um mit realen Abschätzungen beispielsweise Prognosen zukünfiger Werte zu erzielen und Trends zu erkennen. Der Streaming-Anbieter Netflix nutzt z.B. nutzt z.B. die Regression als überwachtes Lernverfahren für Content-Empfehlungen. Auf Basis der Interessen anderer Nutzer sowie des Nutzers selbst bekommt dieser personalisierte Empfehlungen angezeigt.

Unüberwachtes maschinelles Lernen (Unsupervised Learning)

Beim unüberwachten maschinellen Lernen lernt der Algorithmus selbständig Muster und Zusammenhänge zu erkennen, ohne dass dem Algorithmus explizite Zielvariablen vorgegeben werden. Da dem unüberwachten maschinellen Lernen so keine Grenzen gesetzt sind, erkennt das Modell Muster jeder Art und hilft dabei, neue Kriterien für Kategorisierungen zu finden. Im Vergleich zum überwachten Lernen ist der personelle Aufwand etwas geringer, da das unüberwachte Lernen ebenfalls dort eingesetzt werden kann, wo das 'Ziel' der Datenanalyse nicht eindeutig feststeht.

Es gibt verschiedene Arten von unüberwachtem Lernen:

Clustering: Das Finden von Häufungsstrukturen, Mustern und Gruppierung der Daten in wenige charakteristische Mengen.
Assoziationen: Suche nach Regeln, die die Verbindung zwischen Datenpunkten abbilden.
Dimensionsreduktionen: Reduktion aller vorhandenen Variablen auf die wichtigsten.

Unüberwachtes Lernen kommt beispielsweise im Marketing zum Einsatz. Hier werden firmenindividuelle Kundenstammdaten nach ihren Merkmalen gruppiert, beispielsweise in 'junge Leute mit einer Affinität zu technologischem Spielzeug' oder 'Personen mit Kindern mittleren Alters'. Unüberwachtes maschinelles Lernen findet darüber hinaus auch bei Chatbots Anwendung. Über die von Nutzern eingegebenen Fragen lernen Chatbots den sozialen Umgang und können sogar Beleidigungen oder rassistische Äußerungen von selbst erkennen.


Semiüberwachtes Lernen (semi-supervised Machine Learning)

Beim semiüberwachten maschinellen Lernen handelt es sich um eine Kombination aus überwachtem und unüberwachtem maschinellen Lernen. Hier existieren nur für einen Teil der gesamten Datenmenge Zielvariablen, da die Erhebung der Zielvariable mit hohen Kosten verbunden sein kann, sei es, dass Experten dafür rekrutiert oder Werkstücke beschädigt werden müssen. Daten zu gewinnen stellt in diesem Szenario hingegen kein Problem dar: Werden Verfahren des unüberwachten Lernens eingesetzt, dienen die (wenigen) verfügbaren Zielvariablen als repräsentative Kennzeichnung der gefundenen Strukturen; werden Verfahren des überwachten Lernens eingesetzt werden, dienen die Daten ohne Zielvariable dafür, statistische Häufungen besser abschätzbar zu machen.

Ein Beispiel für semiüberwachtes Lernen stellt die Erstellung eines Trainingsdatensatzes für eine Objektdetektion in Videodaten dar: Auf Basis der Annahme, dass direkt aufeinanderfolgende Bilder eines Videostreams das Gleiche abbilden und sich beispielsweise der Kamerawinkel oder die Position der Objekte nur geringfügig ändert, lässt sich personelle Arbeitszeit einsparen, weil Objekte nicht in jedem einzelnen Bild händisch markiert werden müssen.

 

Bestärkendes Lernen (Reinforcement Learning)

Das bestärkende Lernen basiert im Gegensatz zum überwachten, unüberwachten und semiüberwachten Lernen auf keinem a priori existierenden Trainingsdatensatz, sodass dieser dynamisch zur Laufzeit des Algorithmus aus Umgebungsinformationen heraus generiert werden kann. Das künstliche Wissen wird im Rahmen von Trial- und Error-Durchläufen erlernt, wobei das Modell herausfordernde Probleme auf Basis eines Belohnungsprinzips löst. Das bestärkende Lernen ist dem menschlichen Gehirn nachempfunden.

Bestärkendes Lernen kann überall dort eingesetzt werden, wo der Problemlösungsweg komplex und vielfältig ist, sich das gewünschte Ergebnis allerdings simulieren oder anderweitig beurteilen lässt, ohne viel 'Schaden' anzurichten. Auch situatives Verhalten kann gut durch reinforcement learning trainiert werden. Klassische Beispiele finden sich bei (Computer-)Spielen, bei dem die Umgebungswelt zu komplex ist, um sie vollständig über einen endlichen Datensatz abzubilden. Da die möglichen Aktionen und die derzeitige Situation aber sehr wohl seht gut beurteilt werden kann, kann durch situatives Feedback eine Aktion im Kontext als 'gut' oder 'schlecht' gewertet werden. Ganz ähnliche Herangehensweisen finden sich auch in der Erziehung von Kindern, die über Lob und Kritik lernen, sich in der Welt zurechtzufinden. Im Unternehmenskontext sind reinforcement learning-Systeme im Bereich des Direktmarketings zu finden: Schlägt ein Empfehlungssystem einem Nutzer relevante Produkte vor, hat es seinen Job gut gemacht. Kommt kein Kauf zustande, wird dem System ein negatives Feedback gegeben, sodass es das nächste Mal andere Produkte empfiehlt.

Einsatzbereiche des Maschinellen Lernens

 

Gesundheitswesen

Maschinelles Lernen findet bereits heute Einsatz im Gesundheitswesen. Ähnlich wie in anderen Branchen liegt auch hier eine Vielzahl an Daten vor, die manuell nur noch schwer zu bewältigen sind. Die Diagnose von Krankheiten, Langzeit-EKGs oder die Auswertung von Blutbildern bringt das medizinische Fachpersonal schnell an seine Grenzen. Maschinelles Lernen setzt hier an. Aus der Analyse einer Vielzahl an Daten und der Identifizierung von Mustern und Zusammenhängen können Krankheitsverläufe so viel schneller erkannt, frühzeitiger behandelt und Kosten für nicht zielgerichtete Therapien eingespart werden. Im Detail ergänzt und unterstützt maschinelles Lernen z.B. die frühzeitige Erkennung von Krankheitsbildern, die Identifizierung von Tumoren in Röntgen- oder Ultraschall-Aufnahmen oder die Erstellung von Diagnosen auf Grundlage verschiedener Blutwerte.

 

Industrie 4.0

Smart Manufacturing oder Predictive Maintenance sind bereits heute Schlagworte, die in der Industrie im Zusammenhang mit Maschinellem Lernen und Künstlicher Intelligenz fallen. Dahinter verbirgt sich die Optimierung von Produktionsprozessen und eine vorausschauende Wartung von Maschinen. Über Algorithmen können z.B. Engpässe in anstehenden Prozessschritten erkannt werden noch bevor diese tatsächlich auftreten, sodass die Produktion sich nicht verlangsamt oder aufgrund von Wartezeiten ineffizient wird. Darüber hinaus kann über den Einbau von Sensoren der Zustand von Maschinen gemessen und anschließend über Algorithmen frühzeitig Fehlfunktionen oder ein möglicher Ausfall von Teilen aufgedeckt werden, ohne dass diese einen Einfluss auf den Verlauf der Produktion haben.

 

Finanzdienstleistung

Auch in der Finanzdienstleistungsbranche kann der Einsatz von Maschinellem Lernen Vorteile bringen und beispielsweise Betrugsfälle aufdecken oder bei der individuellen Finanzberatung helfen. Durch die mögliche Individualisierung der Algorithmen auf einzelne Nutzer ist es schon jetzt möglich, die Kreditwürdigkeit nicht auf Basis von standardisierten Scorecards zu bestimmen, die pauschal für eine Region gelten, sondern die Kreditwürdigkeit auf Basis der individuellen Situation des Antragstellers zu beurteilen. Die Großbank HSBC oder comdirect machen sich Maschinelles Lernen hingegen zu Nutze, um illegale Transaktionen aufzudecken.

 

Logistik

Die Logistik ist ein wichtiger Wirtschaftsfaktor und bestimmt immer mehr den Unternehmenserfolg vieler Unternehmen. Die Effizienzsteigerung ist dabei eines der wichtigsten Ziele und Herausforderung zugleich. Über den Einsatz von maschinellem Lernen kann die Logistikbranche diesem Ziel ein großes Stück näherkommen. Vorausschauende Planung in den Bereichen Kapazitätsmanagement, Routenplanung, Netzwerkplanung und Risikomanagement sind Vorteile, die Maschinelles Lernen mit sich bringt. So kann z.B. die voraussichtliche Ankunftszeit von bestimmten Güterwaggons auf Basis aktueller Verkehrs- und Güterdaten prognostiziert werden, um bei ungeplanten Abweichungen in Echtzeit darauf reagieren zu können, beispielsweise durch eine Änderung der Produktionspriorisierung, weil sich Teile verspäten, oder durch eine Änderungsmitteilung an den Kunden, wenn das ursprünglich geplante Lieferdatum nicht eingehalten werden kann. Die Nutzung von maschinellem Lernen in der Logistik geht sogar so weit, dass Ladungen ihren eigenen Transport zukünftig selbst organisieren. Dies wird durch die zunehmende Vernetzung der Logistikprozesse untereinander sowie mit Kunden, Dienstleistern und Kooperationspartner ermöglicht.

So unterstützt Brunel Sie bei Ihrem nächsten Projekt

Ihr Projekt im Bereich des Maschinellen Lernens ist bei uns in den besten Händen. Unsere Softwareentwickler sind erfahrene Experten und haben durch den Einsatz in zahlreichen Projekten einen großen Erfahrungsschatz und Kenntnisse in verschiedenen relevanten Tools.

Um die für Sie geeignetsten Kandidaten zu finden, bauen wir auf eine proaktive und vorausschauende Kandidatenansprache sowie unser globales Netzwerk an Technik- und IT-Spezialisten. Unsere Talent Scouts und Account Manager setzen zur Suche passender Kandidaten eine Mischung aus Datenanalyse, Marktforschung und die Nutzung verschiedener Kanäle und Netzwerke ein. So gelingt es uns, individuelle Anforderungen mit passenden Kandidatenprofilen zu matchen.

Verschaffen Sie sich einen Einblick in die Kenntnisse unserer Experten und informieren Sie sich über unsere Recruiting-Expertise.