Data Science und Machine Learning Consulting

Welche Arten des Machine Learnings gibt es?

Beim überwachten Lernen (Supervised Learning) findet der Computer aus gegebenen Eingaben und zugehörigen Ausgaben die "Formel" heraus, die zu den korrekten Ausgaben führt. Er kann die Formel dann auf Eingaben anwenden, um die Ausgabe selbstständig zu berechnen. "Überwacht" heißt, dass das Lernprogramm mit den zu den Eingaben passenden Ausgaben angelernt wird, um diese Ausgaben später selbst geben zu können.

Wenn beispielsweise eine Objekterkennung entwickelt werden soll, die dem Rechner ermöglicht zu erkennen, ob ein bestimmtes Objekt in einem Bild vorhanden ist, dann benötigt man zunächst eine Vielzahl an Bildern. Die Bilder müssen für das Anlernen des Algorithmus bereits Labels besitzen („Objekt ist im Bild“ und „Objekt ist nicht im Bild“). Die Eigenschaften der Bilder (das Feature-Set) können somit zusammen mit den jeweiligen Labels von Neuronalen Netzen verarbeitet werden. Computer sind nun dazu in der Lage, selbstständig jene Muster in den Daten zu erkennen, die die Erkennung des gewünschten Objektes auch in unbekannten Bildern ermöglicht.

Beim unüberwachten Lernen (Unsupervised Learning) werden nur Eingaben betrachtet, ohne dass dazu Ausgaben bekannt sind. Stattdessen suchen unüberwachte Lernalgorithmen nach Strukturen in den Daten, um sie zu gruppieren oder Cluster (Häufungen von Daten mit bestimmten Eigenschaften) zu finden.

Dies sind zwei der meistgenutzten Ansätze für Machine Learning. Es gibt Mischformen beider Ansätze, Weiterentwicklungen und komplexere Architekturen, um weitere Probleme zu lösen.

Welche generellen Einsatzgebiete von Machine Learning gibt es?

Mit der zunehmenden Verfügbarkeit großer strukturierter und unstrukturierter Datenmengen aus vielerlei Quellen, wie Ton, Text, Bild und Sensordaten, mit denen sich Lernalgorithmen trainieren lassen, wird Machine Learning für Optimierungsaufgaben immer interessanter. Machine Learning hilft, komplexe Daten schneller und gezielter einzuordnen und zu organisieren. Standardisierbare Arbeit lässt sich damit zunehmend intelligenter automatisieren.

Bei der Erfassung komplexer Zusammenhänge in großen Datenmengen für Diagnosen aller Art, können selbstlernende Programme Menschen unterstützen oder sie gar übertreffen - von der Aufdeckung von Fehlermustern im Fertigungsprozess bis hin zur Erkennung von Krebstumoren oder Therapieempfehlungen in der Medizin.

Weitere Beispiele der vielfältigen Anwendungsmöglichkeiten sind z.B. E-Mail-Filterung, Erkennen von Netzwerk-Eindringlingen und Kreditkartenbetrug, Aktienmarkt­analyse und Text-, Sprach- und Bilderkennung, wie Gesichtserkennung bei der Verwaltung von Fotos. Ersatzprodukte können durch automatische Erkennung eines Fotos leicht zugeordnet werden. Beispielsweise Online-Werbung kann dadurch immer besser personalisiert werden.

Welche unternehmerischen Einsatzmöglichkeiten bietet Data Science?

Data Science findet durch Machine Learning zu immer mehr praktischen unternehmerischen Anwendungen. Es leistet heute bereits gute Dienste bei der Optimierung von Geschäftsprozessen und der Automatisierung von redundanten und somit leicht zu standardisierenden Aufgaben.

Unternehmen können sich mit Machine Learning automatisiert besser auf ihre Kunden einstellen, Verwaltungsaufgaben optimieren und dadurch Kosten sparen. Alle Inbound-Kanäle eines Unternehmens lassen sich mit Machine Learning-Dienstleistungen automatisieren. Die Bedürfnisse der Kunden werden besser erkannt, was zur Stärkung der Kundenbindung führt. Empfehlungsdienste stellen sich immer besser auf Kunden ein. Chatbots zur automatisierten Beantwortung von Kundenanfragen werden immer intelligenter. In standardisierbaren Analysefällen wie Versicherungsfällen oder Krankheitsdiagnosen können angelernte Programme menschliche Bearbeiter mit begründeten Bewertungsvorschlägen unterstützen. Strukturelle Probleme können anhand der Auswertung von Supportanfragen gezielter erkannt werden.

Machine Learning ist heute schon bei vielen Unternehmen im Hintergrund von Abläufen so integriert, dass Mitarbeiter und Kunden es nicht wahrnehmen. Es kann zudem eine eigene Dynamik erzeugen, da durch den Einsatz neue Potenziale im Unternehmen erkannt werden können. Es ist absehbar, dass Data Science eine immer größere Rolle in modernen Unternehmenskonzepten spielen wird.