Die Demokratisierung von Machine Learning

Daten gehören zum wertvollsten Kapital eines Unternehmens. Durch die Integration neuer Technologien werden diese Daten nutzbar gemacht.

 

von Francis Cepero

Lange war es nur erfahrenen Data Scientists vorbehalten, künstliche Intelligenz und Machine Learning zur Lösung komplexer Aufgaben zu nutzen. Seit einigen Jahren ist nun eine Trendwende hin zur Anwendung in der breiten Masse zu beobachten. Künstliche Intelligenz (KI) und Machine Learning (ML) sind in unserem Alltag angekommen.

Die Durchbrüche bei Sprach- und Bilderkennung, maschineller Übersetzung oder autonomem Fahren sind darauf zurückzuführen. Für den breiten Einsatz im Mainstream gibt es zwei Gründe:
Die zur Verfügung stehende Technik ist benutzerfreundlicher, leistungsfähiger und günstiger denn je.

Es ist erheblich einfacher geworden, Daten für die KI zu sammeln. Auch in KMU fallen genügend verwertbare Informationen an, um ein ML-Projekt zu starten.
Laut einer Untersuchung von Crisp Research über Machine Learning im Unternehmens­einsatz aus dem Jahr 2017 beschäftigen sich über 63 Prozent der befragten Unternehmen damit. 72 Prozent davon setzen schon konkrete Projekte um oder haben erste Erfahrungen mit Prototypen gesammelt.

 

Und was kann man damit erreichen?


Klassifizierung: Ist ein Objekt dieses oder jenes? Ähnlich wie Aschenputtel durchforstet KI Datensätze anhand bestimmter Fragestellungen: Ist auf dem Bild Produkt A oder Produkt B zu sehen? Ist diese E-Mail Spam? Hat dieses Produkt einen Defekt?

Vorhersagen: Welcher numerische Wert kommt in einer Sequenz als nächster?
Ein Beispiel ist die Prognose des Absatzes für ein Produkt, basierend auf Daten wie bisherigen Verkaufszahlen, Verbraucherstimmung oder auch Wetter. Untersucht wird, wann und mit welcher Wahrscheinlichkeit ein Ereignis eintritt.

Clustering: Was gehört zusammen?
Dateninstanzen mit gemeinsamen oder ähnlichen Merkmalen werden zusammengruppiert. Dies findet u. a. Anwendung in der Marktforschung. Anhand demografischer Daten, Präferenzen und Kaufverhalten lassen sich gut abgegrenzte Konsumentengruppen bilden.

Korrelation: Welche Ereignisse treten zusammen auf?
Es geht darum, Zusammenhänge als Korrelationen (wenn das, dann dies) und nicht als Kausalität (dies verursacht das) zu erkennen. Zum Beispiel: Ein kritischer Systemzustand wird immer dann erreicht, wenn bestimmte Parameter (Temperatur, Druck) eine gewisse Schwelle überschreiten. Die genaue Art der Beziehung zwischen beiden Ereignissen muss der Mensch interpretieren. Ein häufiger Fehler ist hier die Verwechslung von Korrelation mit Kausalität. Bei der Kausalität ist Ereignis A die Ursache für Ereignis B. Dies ist bei Korrelationen nicht zwangsläufig gegeben. Ein Beispiel für diesen typischen Fehler: Die Mehrzahl der Bevölkerung stirbt im Bett. Sollte man deshalb lieber nicht schlafen gehen?

Optimierungen: Welches ist die beste Lösung für eine Aufgabe?
KI optimiert die Ergebnisse für eine bestimmte Zielfunktion. Ein gängiges Beispiel ist die Planung einer Route, die Zeit und Kraftstoffverbrauch optimal vereint.

Anomalie-Erkennung: Was passt nicht?
Mit dieser Unterkategorie der Klassifizierung lässt sich herausfinden, welche Daten eines bestimmten Satzes außergewöhnlich sind. Ein Beispiel aus der Praxis: Sie trainieren ein System auf die Vibrationswerte einer Maschine. Bei der kontinuierlichen Überwachung wird bei neuen Werten deutlich, ob die Maschine noch normal arbeitet oder nicht.

Ranking: Gibt es Empfehlungen?
Basierend auf Trainingsdaten werden Handlungsvorschläge entwickelt. Klassisches Beispiel sind Systeme, die einem Kunden Produkte vorschlagen, die er basierend auf seinem Kaufverhalten und verwandten Personengruppen als nächstes kaufen könnte.

 


Kernaussagen
  • Nicht den Anschluss verpassen: KI und Machine Learning sind die Digitalisierungs-Trends der nächsten Jahre. Wer jetzt nicht mitmacht, läuft Gefahr, abgehängt zu werden.
  • Jedes Unternehmen kann beginnen: Methoden und Techniken sind auch ohne Fachwissen einfach bedienbar, schon kleinere Datensätze reichen aus und die Technologien sind günstiger und leistungsfähiger denn je.
  • Pilotprojekte sind ein guter Start: Sammeln Sie im sicheren Rahmen Erfahrungen und weiten Sie diese sukzessive aus.

 

Beispiele aus der Praxis

Predictive Maintenance

Die vorausschauende Instandhaltung kombiniert Anomalie-Erkennung, Korrelation und Vorhersagen: Wann tritt eine Anomalie auf? Wann wird dies wieder passieren? Wie oft tritt sie wieder auf, bis sie sich negativ auf den Betriebszustand der Maschine auswirkt? Dafür nutzt ein ML-System die Daten mehrerer IoT-Sensoren, die zur Überwachung relevanter Parameter wie Temperatur oder Vibration verbaut wurden. Diese und andere Daten (etwa von Mikrofonen oder Kameras) können mittels Deep Learning schnell analysiert werden. Das ermöglicht die bessere Planung von Wartungsarbeiten und die Reduzierung von Personalkosten und Ausfallzeiten. So sind Einsparungen von ein bis zwei Prozent des Gesamtumsatzes möglich.

KI-gesteuerte Logistikoptimierung

ML kann beispielsweise die Routenplanung optimieren, was den Kraftstoffverbrauch reduziert und die Lieferzeiten verkürzt. Sensoren, die Fahrzeugleistung und Fahrerverhalten überwachen, geben den Fahrern Echtzeit-Feedback. Etwa, wann Bremsen oder Beschleunigen sinnvoll wäre, um kraftstoffoptimiert zu fahren. Dies reduziert zudem die Wartungskosten der gesamten Flotte. Ein europäisches Transportunternehmen hat so seine Treibstoffkosten um 15 Prozent gesenkt.

 

Einfach anfangen – egal wie!
1. Sprechen Sie mit Experten. Diese wissen aufgrund ihrer Erfahrung sehr gut, wo sich ML in Ihrer Organisation effizient einsetzen ließe.
2. Starten Sie mit einem Piloten. Nach der ersten Evaluierung fallen Ihnen bestimmt kleinere Projekte ein, die wie geschaffen für KI sind. So gewinnen Sie sowohl Sicherheit im Umgang mit der Materie als auch wertvolles Wissen für die weitere Skalierung.
3. Alle Macht der Basis. Meistens sind es die Fachabteilungen, die KI-Projekte forcieren. Mit deren Support ist die Erfolgswahrscheinlichkeit ungleich höher.
4. Die Menschen nicht vergessen. Bei Digitalisierung und KI reagieren viele Menschen noch mit Skepsis oder Angst. Um dem entgegenzuwirken, ist es notwendig, die Belegschaft zu beteiligen und ihre Bedenken ernst zu nehmen.

 

Machine Learning mit A1 Digital

Eine einfach zu bedienende Lösung wie die „A1 Digital Machine Learning Plattform powered by BigML“ macht es möglich, dass auch „Nicht-ITler“ ohne Programmierkenntnisse ML-Algorithmen auf komplexe Daten anwenden können, um wichtige Erkenntnisse zu gewinnen. A1 Digital hat hier die Erfahrung gemacht, dass ein breiteres Interesse an den Themen ML und KI vorhanden ist: Konzernweit wurde ein Training für 20 Key-User organisiert. Nach kurzer Zeit hat sich dies so sehr herumgesprochen, dass es 115 Anmeldungen gab. Viele Firmen, vor allem aus der Finanzbranche, gingen ähnlich vor. Mit dem Ergebnis, dass ML in vielen Abteilungen nicht mehr nur von Datenexperten mit Programmierkenntnissen, sondern von Personen mit den unterschiedlichsten Hintergründen angewendet wird. //

 

 

 

Autorenvita Francis Cepero

 

 

 

Der Text ist unter der Lizenz CC BY-SA 3.0 DE verfügbar.
Lizenzbestimmungen:
https://creativecommons.org/licenses/by-sa/3.0/de/

Ein Gedanke zu “Die Demokratisierung von Machine Learning

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.