Was ist Machine Learning?

Maschinelles Lernen hat sich in den letzten Jahren von einem Science-Fiction-Konzept zu einem zentralen Bestandteil der Informationsverarbeitung in Unternehmen und Organisationen entwickelt. Angesichts des exponentiellen Wachstums der Datenmengen sind Machine-Learning-Tools essenziell, um Muster zu erkennen, Trends zu analysieren und die profitabelsten Strategien für die Zukunft zu identifizieren.

Wie alltäglich ist maschinelles Lernen? Wenn Sie eine Empfehlung einer E-Commerce- oder Streaming-Plattform angeklickt, eine Warnung über möglichen Kreditkartenmissbrauch erhalten oder eine Transkriptionssoftware genutzt haben, haben Sie bereits von maschinellem Lernen profitiert. Es wird in zahlreichen Branchen wie Finanzwesen, Gesundheitswesen, Marketing und Einzelhandel eingesetzt, um wertvolle Erkenntnisse aus Daten zu gewinnen und Prozesse zu automatisieren.

Was ist Machine Learning?

Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz, der sich auf die Entwicklung von Systemen spezialisiert, die durch die Verarbeitung von Daten kontinuierlich lernen und sich verbessern. Künstliche Intelligenz ist ein weiter gefasster Begriff, der sich auf Systeme oder Maschinen bezieht, die die menschliche Intelligenz nachahmen. Machine Learning und KI werden oft in einem Atemzug genannt. Die Begriffe werden manchmal austauschbar verwendet, haben aber unterschiedliche Bedeutungen.

Kurz gesagt: Maschinelles Lernen ist eine Form von KI, aber nicht jede KI basiert auf maschinellem Lernen.

Wichtige Erkenntnisse

• Maschinelles Lernen ist also ein Teilbereich der KI.
• Die vier gängigsten Arten des maschinellen Lernens sind überwachtes (supervised), unüberwachtes (unsupervised), teilüberwachtes (semi-supervised) und verstärktes Lernen (Reinforcement Learning).
• Zu den häufig verwendeten Algorithmen zählen neuronale Netzwerke, Entscheidungsbäume, Clustering und Zufallswälder.
• In Unternehmen wird maschinelles Lernen unter anderem zur Objekterkennung und -klassifizierung, Anomalieerkennung, Dokumentenverarbeitung und prädiktiven Analyse eingesetzt.

Maschinelles Lernen erklärt

Maschinelles Lernen ist eine Methode zur Identifizierung bisher unbekannter Zusammenhänge in Daten, indem es große Datensätze analysiert und Muster sowie Trends entdeckt, die über einfache statistische Analysen hinausgehen. Dabei kommen hochentwickelte Algorithmen zum Einsatz, die darauf trainiert sind, Muster zu erkennen und Modelle zu erstellen. Diese Modelle dienen der Vorhersage und Kategorisierung von Daten.

Ein Algorithmus ist nicht mit einem Modell gleichzusetzen. Während ein Algorithmus eine Reihe von Regeln und Verfahren zur Lösung eines bestimmten Problems oder zur Durchführung einer Aufgabe darstellt, ist ein Modell das Ergebnis der Anwendung dieses Algorithmus auf einen Datensatz.

Vor dem Training gibt es einen Algorithmus. Und nach dem Training entsteht daraus ein Modell.

So wird beispielsweise maschinelles Lernen im Gesundheitswesen umfangreich für Aufgaben wie die Analyse medizinischer Bilder, prädiktive Analysen und Krankheitsdiagnosen eingesetzt. ML-Modelle eignen sich besonders für die Untersuchung von MRT-, Röntgen- und CT-Scans, um Muster zu erkennen und Anomalien zu identifizieren, die für das menschliche Auge schwer erkennbar sind oder von einem überlasteten Diagnostiker übersehen werden könnten. Zudem können ML-Systeme Symptome, genetische Informationen und weitere Patientendaten auswerten, um Tests für Krankheiten wie Krebs, Diabetes und Herzerkrankungen vorzuschlagen.

Die wichtigsten Merkmale des maschinellen Lernens sind:

• Automatische Mustererkennung
• Vorhersage wahrscheinlicher Ergebnisse
• Generierung verwertbarer Informationen
• Analyse sehr großer Datenmengen

Arten des maschinellen Lernens

Es gibt vier Hauptarten des maschinellen Lernens. Jede mit eigenen Stärken und Grenzen. Daher ist es entscheidend, den passenden Ansatz für die jeweilige Aufgabe zu wählen.

• Überwachtes maschinelles Lernen (Supervised Learning) ist die gebräuchlichste Art. In diesem Fall lernt der Algorithmus anhand beschrifteter Daten, welche Schlussfolgerungen er ziehen soll. Ähnlich wie ein Kind, das Früchte durch Bilderbücher identifiziert, wird der Algorithmus beim überwachten Lernen mit einem beschrifteten Datensatz trainiert. Ein Beispiel ist ein Spam-Filter für E-Mails: Der Algorithmus wird mit beschrifteten Daten trainiert, in denen jede E-Mail als Spam oder Nicht-Spam gekennzeichnet ist. Das Modell lernt aus diesen beschrifteten Beispielen und kann dann anhand der erkannten Muster vorhersagen, ob es sich bei neu eingehenden E-Mails wahrscheinlich um Spam handelt oder nicht. Da diese Methode auf beschrifteten Daten basiert, ist ein menschlicher Experte erforderlich, der die richtigen Antworten vorgibt, um das Modell für präzise Vorhersagen zu trainieren.
  
  Beachten Sie, dass es hier nicht darum geht, mit perfekt sauberen Daten zu trainieren. Stattdessen soll das Modell die reale Welt nachahmen – einige Spam-Mails sind leicht zu identifizieren, während andere subtil oder grenzwertig sind. Sind die Trainingsdaten zu sauber, kann dies zum Overfitting (übermäßige Anpassung) führen. In diesem Fall erkennt das Modell nur makellose Beispiele und hat Schwierigkeiten, variierende oder realistische Muster zu verarbeiten.
• Unüberwachtes maschinelles Lernen (Unsupervised Learning) folgt einem eigenständigeren Ansatz, bei dem der Computer Muster und Strukturen in den Daten erkennt, ohne auf zuvor beschriftete Informationen angewiesen zu sein. Statt expliziter Beschriftungen arbeitet das Modell mit unmarkierten Daten und zielt nicht auf eine vordefinierte Ausgabe ab, wie beispielsweise die Klassifizierung einer E-Mail als Spam oder Nicht-Spam.
  
  Unüberwachtes maschinelles Lernen neigt dazu, Gruppierungen ähnlicher Daten zu erkennen und Cluster zu erstellen. Sobald das Modell trainiert ist, kann es ähnliche Muster erkennen und die Daten in passende Gruppen einordnen. Eine häufige Anwendung des unüberwachten maschinellen Lernens sind Empfehlungs-Engines in Verbraucheranwendungen, die beispielsweise Vorschläge wie „Kunden, die dieses Produkt gekauft haben, kauften auch …“ generieren. Entdeckt der Algorithmus hingegen ungewöhnliche Muster, kann er diese als Anomalien kennzeichnen – eine wertvolle Methode zur Betrugserkennung.
• Teilüberwachtes maschinelles Lernen (Semi-Supervised Learning) befasst sich mit dem Problem, dass nicht genügend gekennzeichnete Daten vorhanden sind, um ein Modell vollständig zu trainieren. Ein Beispiel hierfür ist der Umgang mit großen Trainingsdatensätzen, bei denen die vollständige Kennzeichnung zu zeit- und kostenintensiv wäre. Durch die Kombination von überwachten und unüberwachten Methoden kann dennoch ein leistungsfähiges Modell entstehen. Der Trainingsprozess beginnt mit überwachten Lernmethoden: Beschriftete Daten liefern erste Ergebnisse und definieren Richtlinien für den Algorithmus. Sobald diese Daten aufgebraucht sind, verarbeitet das teilweise trainierte Modell unbeschriftete Daten. Es nutzt sein bisheriges Wissen, um Muster zu erkennen und den Datensatz zu ergänzen. Wenn das Modell mit hoher Sicherheit eine passende Klassifizierung für eine unbeschriftete Probe bestimmen kann, wird diese in den Trainingssatz aufgenommen. Der Lernprozess startet erneut – nun mit einer erweiterten Menge an beschrifteten Daten. Durch wiederholte Iterationen werden weitere Stichproben mit Pseudo-Labels versehen, sodass das Modell stetig verbessert und verfeinert wird.

  Verstärkendes maschinelles Lernen (Reinforcement Learning) verwendet wie das unüberwachte maschinelle Lernen unbeschriftete Datensätze und ermöglicht die Auswertung der Daten durch Algorithmen. Der Unterschied zum Reinforcement Learning besteht darin, dass hier gezielt auf ein bestimmtes Ziel hingearbeitet wird, anstatt lediglich Muster in den Daten zu erkennen. Der Algorithmus lernt durch ein Versuch-und-Irrtum-Verfahren: Jeder Schritt wird mit positivem, negativem oder neutralem Feedback bewertet, das zur Optimierung des gesamten Entscheidungsprozesses genutzt wird. Reinforcement-Learning-Algorithmen können auf einer Makroebene das Projektziel verfolgen, selbst wenn dies kurzfristig negative Konsequenzen mit sich bringt. Dadurch sind sie in der Lage, komplexe und dynamische Situationen besser zu bewältigen als andere Methoden, da sie den Kontext des Projektziels berücksichtigen und das Risiko einzelner Entscheidungen abwägen. Ein klassisches Beispiel ist das Schachspielen: Das übergeordnete Ziel besteht darin, die Partie zu gewinnen – selbst wenn dies bedeutet, während des Spiels Figuren zu opfern, um langfristig eine bessere Position zu erreichen.

Welcher Ansatz passt am besten zu Ihren Bedürfnissen? Die Wahl zwischen einem überwachten Ansatz oder einer der drei anderen Methoden hängt von mehreren Faktoren ab: der Struktur und dem Umfang der Daten, dem verfügbaren Budget, der für das Training aufgewendeten Zeit und dem spezifischen Anwendungsfall des Modells. Während es in einer Empfehlung für eine passende Bluse zu einem Rock möglicherweise keine großen Konsequenzen hat, wenn das Modell nicht perfekt arbeitet, kann ein Fehler in der medizinischen Diagnose – wie das Übersehen eines Tumors – schwerwiegende Folgen haben.

Funktionsweise des maschinellen Lernens

Wie der Name schon sagt, basiert maschinelles Lernen auf computergestützten statistischen Modellen, die durch die Auswertung von Trainingsdaten optimiert werden – im Gegensatz zum klassischen Ansatz, bei dem ein statischer Algorithmus zur Problemlösung programmiert wird. Während Datensätze das ML-Modell durchlaufen, wird die resultierende Ausgabe auf ihre Genauigkeit geprüft. Data Scientists können das Modell dann durch festgelegte Variablen, sogenannte Hyperparameter, sowie durch algorithmisch angepasste Variablen, die als Lernparameter bezeichnet werden, weiter optimieren.

Da sich der Algorithmus durch die Auswertung von Trainingsdaten kontinuierlich anpasst, lernt er, neue Daten zu erkennen und zu verarbeiten, um seine Leistung zu verbessern. Der Algorithmus selbst ist der rechnerische Bestandteil des Projekts, während ein „Modell“ einen trainierten Algorithmus bezeichnet, der für reale Anwendungen genutzt werden kann.

Der optimale Ansatz für ein Machine-Learning-Projekt hängt von dessen Umfang, verfügbaren Ressourcen und Zielen ab. Dennoch folgen die meisten Projekte einer Reihe definierter Schritte, um ein leistungsfähiges Modell zu entwickeln.

1. Daten erfassen und kompilieren

Das Training von ML-Modellen erfordert eine große Menge hochwertiger Daten. Diese sind oft schwer zu finden. Falls eine Beschriftung nötig ist, kann dieser Prozess zudem sehr ressourcenintensiv sein. Nach der Identifizierung potenzieller Datenquellen sollten diese auf ihre Qualität und ihre Kompatibilität mit den bestehenden Datenintegrations- und Repository-Ressourcen des Projekts geprüft werden. Diese Datenquellen bilden die Grundlage für das Training eines leistungsfähigen Machine-Learning-Modells.

2. Einen geeigneten Algorithmus auswählen, um das gewünschte Modell zu erhalten

Je nachdem, ob das Projekt überwachtes, unüberwachtes oder teilüberwachtes Lernen erfordert, wählen Data Scientists die geeignetsten Algorithmen aus. Ein einfaches Projekt mit einem beschrifteten Datensatz kann beispielsweise einen Entscheidungsbaum nutzen. Clustering hingegen – die Gruppierung von Datenproben nach Ähnlichkeit – erfordert mehr Rechenleistung, da der Algorithmus unbeaufsichtigt arbeitet, um Strukturen in den Daten zu erkennen.

3. Daten verfeinern und für Analysen vorbereiten

Es ist sehr wahrscheinlich, dass die eingehenden Daten nicht sofort einsatzbereit sind. Die Datenvorbereitung bereinigt die Datensätze, damit sie problemlos für das Training genutzt werden können. Dazu gehören verschiedene Transformationsaufgaben, wie das Festlegen von Datums- und Zeitformaten, das Zusammenführen oder Aufteilen von Spalten sowie die Definition weiterer Formatparameter, wie z. B. die Anzahl signifikanter Stellen bei numerischen Werten. Weitere wichtige Schritte sind die Bereinigung doppelter Datensätze, auch Datendeduplizierung genannt, sowie das Erkennen und Entfernen von Ausreißern.

4. Das Modell durch Training optimieren

Sobald das endgültige Modell ausgewählt wurde, beginnt der Trainingsprozess. Dabei wird der Algorithmus mit einem kuratierten Datensatz gespeist, der entweder beschriftet oder unbeschriftet ist. Anfänglich können die Ergebnisse noch ungenau sein, doch Data Scientists optimieren das Modell schrittweise, um die Leistung zu verbessern. Anschließend wird der Algorithmus erneut mit größeren Datenmengen trainiert, um seine Genauigkeit weiter zu steigern. Je mehr Daten er verarbeitet, desto präziser wird das Modell und liefert bessere Ergebnisse.

5. Modellleistung und Genauigkeit bewerten

Nachdem das Modell mit ausreichender Genauigkeit trainiert wurde, ist es an der Zeit, ihm zuvor nicht gesehene Daten zu geben, um zu testen, wie es abschneidet. Oftmals handelt es sich bei den zum Testen verwendeten Daten um eine Teilmenge der Trainingsdaten, die nach dem ersten Training beiseite gelegt werden.

6. Modellparameter optimieren und verfeinern

Das Modell steht nun kurz vor der Einführung. Testdurchläufe sollten sehr präzise Ergebnisse liefern. Weitere Verbesserungen werden durch zusätzliches Training mit spezifischen Daten (häufig unternehmensspezifische Informationen) erzielt, die das ursprüngliche, verallgemeinerte Trainingsmaterial ergänzen.

7. Modell bereitstellen und einsetzen

Mit den optimierten Ergebnissen ist das Modell nun bereit, unbekannte Daten im regulären Produktionsbetrieb zu verarbeiten. Nach der Bereitstellung sammeln Projektteams Daten zur Modellleistung in realen Szenarien. Dies geschieht durch die Überwachung zentraler Leistungskennzahlen wie der Genauigkeit – also der allgemeinen Korrektheit der Vorhersagen – und der Rückrufquote, die den Anteil korrekt identifizierter positiver Fälle misst. Zudem sollte bewertet werden, welchen Einfluss die Modellvorhersagen auf die Geschäftsergebnisse haben – wie z. B. durch höhere Verkaufszahlen oder präzisere Diagnosen.

Regelmäßige Audits und Leistungsüberprüfungen helfen, potenzielle Probleme oder Verzerrungen frühzeitig zu erkennen. So wird sichergestellt, dass das Modell effizient arbeitet und die angestrebten Ziele erfüllt.

Algorithmen für Machine Learning

Algorithmen bilden den rechnerischen Kern eines Machine-Learning-Projekts. Nach dem Training erzeugen Algorithmen Modelle, die mit einer bestimmten statistischen Wahrscheinlichkeit Fragen beantworten oder vordefinierte Ziele erreichen. Diese können beispielsweise das Erkennen bestimmter Merkmale in Bildern umfassen – etwa „alle Katzen identifizieren“ – oder das Aufspüren von Anomalien in Daten, die auf Betrug, Spam oder Wartungsprobleme bei Maschinen hinweisen. Andere Algorithmen wiederum prognostizieren Trends, wie etwa welche Kleidungsstücke einem Käufer (basierend auf seinem Einkaufsverhalten) gefallen könnten.

Zu den gängigsten Algorithmen im maschinellen Lernen gehören:

• Neuronale Netzwerke: Das menschliche Gehirn verarbeitet Informationen durch Netzwerke aus Knotenpunkten, die verschiedene Funktionen übernehmen – von der visuellen Wahrnehmung bis zur Muskelsteuerung. Computergestützte neuronale Netzwerke ahmen diese Architektur nach, indem sie Schichten von Knoten bilden, die Beziehungen zwischen analysierten Daten und benachbarten Knoten gewichten. Diese Netzwerke können Merkmale in Daten erkennen, wie z. B. bestimmte Objekte innerhalb eines Bildes.
• Lineare Regression: Algorithmen für lineare Regression analysieren Datenpunkte und erstellen eine mathematische Gleichung für eine Linie, die die vorhergesagten Ergebnisse bestmöglich abbildet. Diese wird oft auch als „Linie der besten Anpassung“ bezeichnet. Dabei werden die Variablen der Gleichung so optimiert, dass die Vorhersagefehler minimiert werden. Ein Beispiel für lineare Regression ist die Kinderheilkunde, wo anhand historischer Daten die zukünftige Größe und das Gewicht eines Kindes prognostiziert werden. Ebenso basiert der Body-Mass-Index (BMI) auf linearer Regression, indem er Größe und Gewicht mit dem Gesamtkörperfettgehalt korreliert. Da der Algorithmus eine einfache Linie für seine Vorhersagen verwendet, können jedoch Ungenauigkeiten auftreten. So deutet ein BMI von 30 oft auf Fettleibigkeit hin, trifft aber nicht zwangsläufig auf Kraftsportler wie NFL-Linebacker zu.
• Logistische Regression: Die logistische Regression eignet sich besonders für binäre Klassifikationsprobleme, bei denen das Ergebnis in zwei Kategorien unterteilt wird. Sie ähnelt der linearen Regression, berücksichtigt jedoch die Begrenzung der möglichen Wertebereiche, indem sie Wahrscheinlichkeiten auf eine logistische Funktion abbildet. Ein Beispiel ist die Pass/Fail-Analyse, bei der die Wahrscheinlichkeit berechnet wird, ob ein potenzieller Kunde zu einem zahlenden Kunden wird. In der Medizin wird die logistische Regression häufig für Diagnosen verwendet, wie etwa zur Bestimmung, ob Plasmaglukosewerte auf Diabetes hindeuten. Sie kommt auch bei der Spam- und Betrugserkennung zum Einsatz, um vorherzusagen, ob eine E-Mail Spam ist oder eine Kreditkartentransaktion betrügerisch sein könnte.
• Clustering: Clustering ist eine Methode des unüberwachten Lernens, bei der ein Algorithmus mit nicht beschrifteten Datensätzen arbeitet und Daten in verschiedene Gruppen bzw. Cluster unterteilt. Während der Analyse sucht der Algorithmus nach Mustern und Ähnlichkeiten innerhalb der Daten, um natürliche Gruppen zu bilden. Ein Beispiel ist die Untersuchung des Nährwerts von Früchten: Der Algorithmus könnte erkennen, dass Zitrusfrüchte eine eigene Gruppe bilden, Beeren eine weitere und Melonen eine dritte. Dadurch wird ersichtlich, welche Merkmale die einzelnen Gruppen voneinander unterscheiden. Clustering ist besonders nützlich für Kategorisierungsprojekte, etwa in der Marktsegmentierung, um Kundengruppen mit ähnlichen Eigenschaften zu identifizieren.
• Entscheidungsbäume: Entscheidungsbäume sind Algorithmen des überwachten Lernens, die auf Wenn-Dann-Regeln basieren, um Vorhersagen zu treffen. Sie sind besonders effizient für strukturierte Entscheidungen und ressourcenschonend, da sie unkomplizierte Ergebnisse liefern. Ein Beispiel ist die Einstufung von Studierenden: Ein College könnte mithilfe eines Entscheidungsbaums bestimmen, welche Schüler das erste Semester Englisch überspringen dürfen. Der Baum könnte zunächst abfragen, ob der Schüler vier Jahre Englisch in der High School belegt hat und, falls ja, ob sein Notendurchschnitt mindestens 3,6 beträgt. Alternativ könnte er überprüfen, ob der Schüler in den SAT-Teilen Lesen, Schreiben und Sprache einen bestimmten Schwellenwert überschritten hat.
• Zufallswälder (Random Forests): Entscheidungsbäume haben aufgrund ihrer starren Struktur und der zwingenden Beantwortung aller Evaluierungsfragen gewisse Einschränkungen. In unserem obigen Beispiel könnte eine Hochschule verlangen, dass beide Bedingungen erfüllt sind, obwohl bereits eine ausreichen würde. Zudem könnten weitere Faktoren wie die Bewertung eines Aufsatzes berücksichtigt werden. Müssten alle drei Kriterien erfüllt sein, stünde die Hochschule vor dem Problem, den Entscheidungsbaum „übermäßig“ anpassen zu müssen. Schüler, die in allen drei Bereichen gut abschneiden, könnten möglicherweise auch ohne den Kurs Englisch 101 auskommen. Andere, die ebenfalls gut abschneiden, müssten ihn dennoch belegen. Zufallswälder (Random Forests) lösen dieses Problem, indem sie mehrere Entscheidungsbäume kombinieren und deren Ergebnisse kumulativ gewichten. Dadurch bleibt die Kernmechanik von Entscheidungsbäumen erhalten, während gleichzeitig nuancierte Beziehungen zwischen den Datenpunkten berücksichtigt werden. Unsere Hochschule könnte die drei Kriterien in separate Entscheidungsbäume aufteilen und durch Gewichtungen bestimmen, wer den Kurs Englisch 101 überspringen darf. Dabei könnte sich herausstellen, dass gute Englischleistungen in der High School der stärkste Indikator sind, während die Bewertung des Aufsatzes eine geringere Rolle spielt.

Jenseits neuronaler Netzwerke

Das maschinelle Lernen nutzt eine Vielzahl von Algorithmen. Während die zuvor genannten Algorithmen am häufigsten verwendet werden, stellen wir hier fünf weniger verbreitete, aber dennoch nützliche Algorithmen vor.

Vorteile des maschinellen Lernens

Mithilfe des maschinellen Lernens können Unternehmen wertvolle Erkenntnisse aus ihren Daten gewinnen, die sonst möglicherweise unentdeckt bleiben. Zu den häufigsten Vorteilen der Integration von maschinellem Lernen in Geschäftsprozesse gehören:

• Entscheidungsfindung und prädiktive Analyse optimieren: Datengesteuerte Entscheidungen basieren auf einer gründlichen Analyse. Wird diese manuell durchgeführt, ist sie oft zeitaufwendig, ressourcenintensiv und liefert nicht immer verwertbare Erkenntnisse. Maschinelles Lernen ermöglicht es, große Datenmengen effizient zu analysieren, Trends und Muster zu erkennen und umsetzbare Ergebnisse bereitzustellen. Je nach verwendetem Analysetool können Vorhersagen getroffen und schwer erkennbare Zusammenhänge aufgedeckt werden, was eine tiefere Analyse und einen höheren geschäftlichen Mehrwert schafft.
• Effizienzsteigerung und Automatisierung von Aufgaben: Maschinelles Lernen ist die treibende Kraft hinter zahlreichen Technologien, die die Produktivität von Mitarbeitern erhöhen. Viele repetitive Aufgaben mit geringem Erkenntniswert – wie Rechtschreibprüfung, Digitalisierung und Klassifizierung von Dokumenten – werden heute automatisiert von Computern übernommen.
  
  Darüber hinaus ermöglicht maschinelles Lernen eine blitzschnelle Datenanalyse, die für Menschen extrem herausfordernd wäre. Ist eine Transaktion betrügerisch? Handelt es sich bei einer E-Mail um einen Phishing-Versuch? ML-Systeme können solche Fragen innerhalb von Sekunden präzise beantworten und automatisch geeignete Maßnahmen ergreifen. Durch die Kombination von ML-Technologien können Vorhersagen auf der Grundlage von Daten getroffen werden, die von Erklärungen zu den Faktoren begleitet werden, die die Vorhersage beeinflusst haben. Dies hilft Führungskräften dabei, die besten Wege für ihre Unternehmen zu finden.
• Personalisierung und Innovation bei Dienstleistungen: Maschinelles Lernen eröffnet neue Möglichkeiten für personalisierte Kundenerlebnisse. Kaufhistorie, Browserverlauf, demografische Daten und weitere Informationen werden genutzt, um individuelle Kundenprofile zu erstellen. Diese können mit ähnlichen Profilen abgeglichen werden, um Kundeninteressen vorherzusagen. Dadurch lassen sich maßgeschneiderte Angebote, automatisch generierte Rabatte und personalisierte Interaktionen entwickeln, die die Kundenbindung stärken.
  
  Mithilfe der hier besprochenen Nomenklatur: Entscheidungsbäume können bei der Klassifizierung von Kunden helfen. Vielleicht bevorzugt ein Kunde Vintage- und Secondhand-Mode, während ein anderer topaktuelle Designerkleidung schätzt. Durch die Gruppierung ähnlicher Kunden lassen sich Vorhersagen treffen, welche Produkte sie wahrscheinlich anklicken oder ob sie besonders preissensitiv sind. Maschinelles Lernen kann auf Basis dieser Cluster die relevantesten Angebote für jeden Kunden identifizieren und so gezielt personalisierte Empfehlungen ausspielen.

Herausforderungen im Bereich Machine Learning

Projekte im Bereich des maschinellen Lernens sind nur so leistungsfähig wie die zugrunde liegenden Systeme und Ressourcen. Daher ist eine sorgfältige Planung und Vorbereitung essenziell.

Im Folgenden sind einige der häufigsten Herausforderungen aufgeführt, mit denen ML-Projekte konfrontiert sind:

• Datenqualität: Beim maschinellen Lernen gilt das Prinzip „Garbage in, garbage out“ – die Qualität der Daten ist entscheidend, sowohl in der Trainingsphase als auch im produktiven Einsatz. Hochwertige Daten führen zu präziseren und effizienteren Ergebnissen, während schlechte Daten zu Ungenauigkeiten und Verzerrungen im Modell führen können. Die Definition von „Qualität“ variiert je nach Projekt. Beispielsweise sollten Trainingsdaten für Bilderkennungssysteme realistische Szenarien abbilden – wie z. B. Objekte im Schatten, leicht unscharfe Bilder oder abgewandte Perspektiven. Je ähnlicher die Trainingsdaten den realen Bedingungen sind, desto besser werden die Ergebnisse in der Praxis.
  
  Um die Datenqualität zu gewährleisten, sollten Unternehmen ihre Datenquellen überprüfen, Datensätze in konsistente Formate überführen, Bereinigungs- und Deduplizierungsprozesse implementieren, Mitarbeitende schulen und geeignete Tools zur Qualitätsbewertung einsetzen.
• Voreingenommenheit: Auch wenn Daten sauber sind, bedeutet das nicht, dass sie frei von Voreingenommenheiten sind. Nehmen wir an, ein ML-System soll Hunde auf Bildern erkennen und wird mit einem robusten Datensatz aus Labrador- und Pudelfotos trainiert. Das Modell kann diese Rassen hervorragend identifizieren – ist aber voreingenommen. Zeigt man ihm ein Bild einer Bulldogge, erkennt es möglicherweise keinen Hund, weil es diese Rasse nie gelernt hat.
  
  Die Zusammenstellung eines ausgewogenen Trainingsdatensatzes gehört zu den anspruchsvollsten und kostspieligsten Aspekten der ML-Entwicklung. Oft entsteht unbewusst eine Voreingenommenheit, weil bestimmte Datentypen schwer zu beschaffen sind. So ist der Tibetische Mastiff eine seltene Rasse und könnte aufgrund seines Aussehens fälschlicherweise als Neufundländer klassifiziert werden, wenn das Modell nur wenige oder keine Trainingsdaten dieser Rasse enthält.
• Datensicherheit: Trotz der vielen Vorteile des maschinellen Lernens bringt es auch sicherheitsrelevante Herausforderungen mit sich. Die für die Analyse verwendeten Daten können sensible oder geschützte Informationen enthalten, die nicht für die Öffentlichkeit bestimmt sind. Zudem können ML-Modelle Ziel von Cyberangriffen werden, wie etwa durch Datenmanipulation, um falsche Ergebnisse zu erzeugen. Besonders kritisch ist die Datenaufbereitung, da beim Export oder Import von Datensätzen zwischen Systemen potenzielle Sicherheitslücken entstehen können. Um Sicherheitsprobleme zu minimieren, müssen Unternehmen eine Reihe von Sicherheitsrichtlinien, -verfahren und -kontrollen umsetzen, darunter auch praktische Schulungen für ihre Mitarbeiter.
• Datenschutz: Der Schutz sensibler Daten ist eine fortlaufende Herausforderung. Die Anonymisierung von Daten ist eine neue Praxis, die jedoch möglicherweise nicht immer verfügbar oder ausreichend ist. Nehmen wir an, ein Unternehmen möchte seinen Geschäftskunden einen Service anbieten, der es ihnen ermöglicht, mehr über ihre Endverbraucher anhand gesammelter Daten zu erfahren. Diese Art von Informationen müsste geschützt und im Einklang mit den gesetzlichen Anforderungen verwendet werden. Zudem müssten Unternehmen neue Bedrohungsvektoren, die versuchen könnten, die Daten über ein ML-System zu kompromittieren, sorgfältig prüfen.

Machine Learning – Anwendungsfälle

Maschinelles Lernen kann nahezu jeder Branche und jeder Unternehmensabteilung erhebliche Vorteile bringen. Wenn Zahlen verarbeitet werden und Daten vorhanden sind, bietet maschinelles Lernen eine Möglichkeit, die Effizienz zu steigern und neue Formen des Engagements zu erzielen. Zu den gängigen Anwendungsfällen des maschinellen Lernens in verschiedenen Branchen gehören die folgenden:

• Einzelhandel: Für Einzelhändler kann maschinelles Lernen den Betrieb, den Vertrieb und viele weitere Geschäftsbereiche optimieren. Auf operativer Ebene analysiert ML Daten aus der Lieferkette, um das Bestandsmanagement zu verbessern und potenzielle Engpässe frühzeitig zu identifizieren. Um den Umsatz zu steigern, kann maschinelles Lernen den Such- und Browserverlauf sowie demografische Daten eines Kunden untersuchen, um ein Profil zu erstellen, das als Grundlage für weiteres Engagement dient.
• Streaming-Medien: Ähnlich wie im Einzelhandel können Audio- und Videostreaming-Services Kundenprofile auf Basis von Engagement, Surfverhalten und demografischen Daten erstellen. Dieses Profil kann dann Recommendation Engines antreiben, die bei der Entdeckung und weiteren Einbindung helfen.
• Finanzwesen: Eine der leistungsfähigsten und zugleich benutzerfreundlichsten Anwendungen des maschinellen Lernens ist die Betrugserkennung in der Finanzbranche. Mithilfe von Algorithmen kann maschinelles Lernen typische Kontoverhaltensmuster identifizieren und auffällige Abweichungen als potenziellen Betrugsfall markieren.
• Gesundheitswesen: Das Gesundheitswesen bietet vielfältige Einsatzmöglichkeiten für maschinelles Lernen in nahezu allen Betriebsbereichen. Elektronische Patientenakten können durch Mustervergleiche mit ähnlichen demografischen Gruppen potenzielle Gesundheitsrisiken frühzeitig erkennen. Daten von IoT-Geräten, wie intelligenten Medikamentenspendern, ermöglichen eine schnelle Fehlererkennung, während Betriebsdaten zu Patientenströmen oder der Bettenauslastung wertvolle Einblicke zur optimalen Personalplanung liefern.

Schnelleres, sichereres maschinelles Lernen mit Oracle

Machine Learning in Oracle Database bietet eine Vielzahl leistungsstarker Funktionen, um den Machine-Learning-Prozess zu beschleunigen. Durch die Verarbeitung direkt in der Datenbank können Data Scientists ihre Workflows optimieren und die Sicherheit erhöhen. Sie profitieren von über 30 integrierten Algorithmen, der Unterstützung gängiger Programmiersprachen wie R, SQL und Python, automatisierten Machine-Learning-Funktionen sowie intuitiven No-Code-Schnittstellen.

Für Organisationen mit großen Datensätzen macht das datenbankinterne maschinelle Lernen mit HeatWave MySQL die Verschiebung von Daten in ein separates System für das maschinelle Lernen überflüssig, was zu mehr Sicherheit, geringeren Kosten und einer Zeitersparnis beitragen kann. HeatWave AutoML automatisiert den gesamten Lebenszyklus des maschinellen Lernens – von der Algorithmuswahl über die intelligente Datenauswahl für das Training bis hin zur Feature-Auswahl und Feinabstimmung. Dies spart zusätzlich Zeit und Aufwand.

Der Mehrwert des maschinellen Lernens liegt in der Fähigkeit, große Datenmengen schnell und präzise zu analysieren. Einmal trainiert, erkennen Modelle innerhalb von Sekunden oder Minuten Muster, Trends und Erkenntnisse, für die Menschen Wochen bräuchten – oder die unentdeckt blieben. Dies führt zu fundierteren Entscheidungen, effizienteren Problemlösungen und präziseren Vorhersagen. Zudem automatisiert maschinelles Lernen Routineprozesse, wodurch Zeit und Ressourcen eingespart werden. Es hat das Potenzial, die Arbeitswelt grundlegend zu verändern und Innovationen maßgeblich voranzutreiben.

Häufig gestellte Fragen zum Thema Machine Learning

Was ist der Unterschied zwischen KI und ML?

Künstliche Intelligenz bezeichnet ein weitreichendes Feld der Informatik, das sich mit der Entwicklung und Optimierung von Systemen beschäftigt, die menschenähnliches Denken nachahmen. Maschinelles Lernen ist eine Unterdisziplin dieses Bereichs und fokussiert sich speziell auf den rechnergestützten Lernprozess. Obwohl beide Begriffe oft synonym verwendet werden und ähnliche Herausforderungen teilen, sind sie klar voneinander abzugrenzen.

Was sind die drei Hauptarten des maschinellen Lernens?

Die vier Arten des maschinellen Lernens sind:

• Überwacht (Supervised). Beim überwachten Lernen werden beschriftete Datensätze genutzt, um den Algorithmus gezielt auf ein definiertes Ziel hin zu trainieren.
• Unüberwacht (Unsupervised). Beim unüberwachten Lernen werden nicht beschriftete Datensätze genutzt, sodass der Algorithmus eigenständig Muster und Strukturen erkennen kann.
• Teilüberwacht (Semi-Supervised). Beim teilüberwachten Lernen werden zunächst beschriftete Datensätze für das Training genutzt, um grundlegende Modellparameter festzulegen. Anschließend bewertet der Algorithmus nicht beschriftete Stichproben und kennzeichnet sie mit hoher Wahrscheinlichkeit eigenständig. Dieser Prozess wiederholt sich iterativ, wobei die Menge der beschrifteten Daten mit jeder Runde wächst.
• Verstärkend (Reinforcement). Das verstärkende Lernen (Reinforcement Learning) ähnelt dem unüberwachten Lernen, da es ohne beschriftete Datensätze auskommt. Allerdings steht hier das Erlernen optimaler Handlungsstrategien im Vordergrund. Der Algorithmus erhält positives, negatives oder neutrales Feedback und passt sein Verhalten entsprechend an, um ein bestimmtes Ziel bestmöglich zu erreichen.

Ist es schwer, maschinelles Lernen zu erlernen?

Wie jedes technische Handwerk erfordert auch das Erlernen des maschinellen Lernens einen iterativen Prozess mit Zeit und Hingabe. Ein solider Einstieg beginnt mit Grundkenntnissen in Programmiersprachen wie Python oder R sowie einem grundlegenden Verständnis statistischer Konzepte. Viele Aspekte der Bewertung von ML-Ergebnissen basieren auf statistischen Methoden wie Regression, Klassifikation, Modellanpassung und Parameteroptimierung.

Was ist ein Beispiel für maschinelles Lernen?

Ein häufiges Beispiel für maschinelles Lernen ist die Empfehlungs-Engine. Im E-Commerce äußert sich dies in Produktvorschlägen wie „Das könnte Sie auch interessieren...“. Bei Video-Streaming-Medien wird dies als Anregung für das nächste Video angesehen. Der Algorithmus analysiert die Interaktionen eines Nutzers und trifft Vorhersagen über potenziell interessante Inhalte. Mit jedem neuen Datenpunkt verfeinert der Algorithmus seine Empfehlungen.