Machine Learning — zu Deutsch maschinelles Lernen — ist ein essenzieller Bestandteil künstlicher Intelligenz. Beim maschinellen Lernen nutzen Computerprogramme sog. Algorithmen, um eigenständig neue Lösungen für unbekannte und neue Problemstellungen zu finden. Doch was ist ein Algorithmus? Und wie kann ein Computerprogramm dadurch selbstständig lernen und eigene Methoden zur Problemlösung entwickeln?
Was ist ein Algorithmus?
Ein Algorithmus ist ganz allgemein eine definierte Reihe von Handlungsanweisungen, die Schritt für Schritt ausgeführt werden, um eine bestimmte Aufgabe zu lösen.
Im menschlichen Alltag könnte man diese Handlungsvorschriften oder Methoden als effektive Vorgehensweise beschreiben, die viele Menschen wie selbstverständlich für bestimmte Problemstellungen ausführen. Ein einfaches Kochrezept ist bereits ein Algorithmus. Auch das Suchen eines bestimmten Wortes in einer alphabetisch sortierten Liste (z. B. in einem Wörterbuch) erfolgt zumeist nach einer strukturierten und auf Effizienz ausgerichteten Methode.
Ein Algorithmus hat immer folgende Eigenschaften:
- Determiniertheit: Er liefert bei jeder Ausführung mit gleichen Startbedingungen immer das gleiche Endresultat.
- Determinismus: Zu jedem Zeitpunkt der Algorithmus-Ausführung ist der nächste Schritt eindeutig definiert.
- Terminiertheit: Ein Algorithmus ist endlich. D.h. er hält nach endlich vielen Schritten an oder bricht kontrolliert ab.
- Effektivität: Jede Anweisung eines Algorithmus erfüllt einen bestimmten Zweck, um der letztendlichen Ausgabe näher zu kommen.
Anwendungen, bei denen uns Algorithmen im Alltag häufig begegnen:
- Das Navigationssystem berechnet gemäß eines programmierten Algorithmus die kürzeste oder die schnellste Route zum Ziel.
- Die Rechtschreib- und Grammatik-Kontrolle in Textprogrammen basiert auf Algorithmen.
- Komplexe, programmierte Algorithmen bestimmen bei Suchmaschinen, in sozialen Netzwerken oder auf Streamingplattformen anhand festgelegter Regeln, welche Inhalte der Nutzer zu sehen bekommt.
- Die erleichterte Texteingabe mit intelligenten Wortvorschlägen basiert auf Algorithmen, die aus vorangegangen Eingaben lernen.
Definition für Machine Learning
Machine Learning ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung. Ein künstliches System lernt anhand von Beispielen und kann diese durch selbst aufgestellte Regeln nach Beendigung der Lernphase verallgemeinern. Das System lernt nicht einfach nur die Beispiele auswendig, sondern erkennt Muster und Gesetzmäßigkeiten in den Lerndaten. Schließlich kann ein System auch unbekannte Daten beurteilen.
Wie können Maschinen nun mit Algorithmen lernen?
Beim Machine Learning können Computerprogramme mithilfe von Regeln bzw. Algorithmen, die Menschen vorab aufgestellt bzw. programmiert haben, selbstständig Muster erkennen und Lösungen finden. Solch ein Lernalgorithmus gibt vor, auf welche Weise sie Daten untersuchen und klassifizieren sollen. Dann wird das System mit Übungsdaten bzw. Übungsproblemen “gefüttert”.
Der Lernvorgang lässt sich am einfachsten mit dem eines Kleinkindes vergleichen. Einem Kind werden immer wieder unterschiedliche Bilder von einem Hund oder anderen Motiven gezeigt und dazu jeweils gesagt, ob es sich bei dem Gezeigten um einen Hund handelt oder nicht. Nach immer mehr Bildern mit Hunden oder Nicht-Hunden, wird das Kind mit immer höherer Wahrscheinlichkeit selbst erkennen, ob auf einem Bild ein Hund oder ein Nicht-Hund abgebildet ist.
Das Kind stellt nach einiger Zeit selbst Regeln auf, welche Linien (verbundene Bildpunkte), Formen, Farben usw. die Erkennungsmerkmale für “Hund” sind, ohne dass man ihm diese Merkmale oder Regeln explizit beibringt. Zudem neigen einzelne Kinder zu unterschiedlichen Lernstilen. Es gibt also Kinder, die bei der gleichen Anzahl an gezeigten Bildern früher oder später ein bestimmtes Maß an Genauigkeit erreichen.
Ganz ähnlich versucht auch ein maschineller Lernalgorithmus auf seine eigene Art und Weise, Muster innerhalb der Eingabedaten zu finden und die abgeleiteten Regeln immer genauer zu definieren. Dabei bieten unterschiedliche Lernalgorithmen unterschiedliche Lernstile, die für bestimmte Datentypen effizienter sind als für andere. Ginge es beim Kind-Hund-Übungsproblem beispielsweise darum, einen Hund an Geräuschen zu erkennen, wäre der visuelle Lernalgorithmus hilflos.
Darum ist maschinelles Lernen jetzt wieder interessant
Das neu erwachte Interesse am maschinellen Lernen und an künstlicher Intelligenz (KI) ist kein Zufall. Es sind immer mehr verwertbare Daten verfügbar, gleichzeitig steigt die Rechenleistung und die Kosten für Datenspeicherung sinken. Bis vor Kurzem noch war KI so komplex und teuer, dass nur wenige Unternehmen sie effektiv einsetzen konnten. Heute können auch kleine Unternehmen mithilfe von Programmen unterschiedlicher Anbieter Machine Learning und KI nutzen, um Daten zu analysieren, Empfehlungen für die nächsten Schritte zu erhalten sowie Aufgaben und Entscheidungsabläufe zu planen und zu automatisieren.
Die Anwendungsbereiche für Machine Learning und KI sind vielfältig. Unter anderem können diese Geschäftsbereiche profitieren:
- In der Logistik gibt es vielfältige Einsatzgebiete für Machine Learning, beispielsweise eine effiziente Routenplanung für Liefer- und Lastenverkehr, Reaktionsfähigkeit auf akute Ereignisse, Erkennen und Berücksichtigen wiederkehrender Muster (bspw. Rushhour, häufige Unfälle auf bestimmten Strecken) oder Vermeidung von Leerfahrten. Auch in der Lagerhaltung können Machine Learning (ML)-Algorithmen zum Einsatz kommen. Dort können die Systeme beispielsweise lernen, welche Artikel Schnell- oder Langsamdreher sind oder häufig gemeinsam gepickt werden müssen, oder welche Produkte bspw. eher in ländlichen Gebieten nachgefragt werden und in dortigen Logistiklagern vorgehalten werden müssen.
- Die Fertigung / Produktion kann durch den Einsatz von Machine Learning vielfältig profitieren. Neben intelligenter Objekterkennung auf Förderbändern, automatisierter Optimierung der Produktionsabläufe und Erkennen von Fehlern am Produkt (Qualitätskontrolle), kann künstliche Intelligenz für Predictive Maintenance — die proaktive, vorausschauende Wartung — von Maschinen zum Einsatz kommen. Anhand von Mess- und Produktionsdaten können sich Störungen vorhersagen lassen, bevor es tatsächlich zu Auswirkungen oder Maschinenausfällen kommt. Im Gegensatz zu reaktiver Maintenance lassen sich dadurch Risiken minimieren. Ein Vorteil gegenüber präventiver Maintenance ist, dass der optimale Zeitpunkt zum Austausch von Verschleißteilen bestimmt werden kann und dadurch Wartungskosten gesenkt werden können.
- Der Vertrieb kann durch KI im Voraus erkennen, was er den einzelnen Kunden als Nächstes anbieten sollte – noch bevor der Kunde danach sucht.
- Der Kundenservice kann proaktive Dienste leisten, indem mögliche Probleme im Voraus erkannt und vermieden werden, oder eine hilfreiche Reaktion seitens des Service erfolgt, noch bevor der Kunde Unterstützung anfordert.
- Das Marketing sorgt dank Predictive Customer Journeys mit einem sehr hohen Grad an Personalisierung und dynamischen Inhalten für großartige neue Kundenerlebnisse und damit deutlich höhere Erlöse.
Ausblick: Wie macht künstliche Intelligenz die Arbeit menschlicher?
Mithilfe von Algorithmen zum Erkennen von Zusammenhängen erstellen verschiedene Tools und Programme schon heutzutage Modelle, anhand derer Unternehmen bessere und schnellere Entscheidungen treffen können. Künstliche Intelligenz bringt der Arbeitswelt große Chancen — aber auch Herausforderungen. Viele Arbeitnehmer haben Vorbehalte gegenüber allwissenden, alles entscheidenden, allmächtigen Programmen.
Lesen Sie daher in unserem nächsten Artikel, wie KI die Arbeit vor allem menschlicher macht und Mitarbeiter unterstützt — und warum sie echte Menschen nicht ersetzen kann.
Warten Sie nicht auf die Zukunft! Innovative Technologien sind bereits heute für Sie verfügbar. Als zertifizierter Partner von SAP unterstützen wir Sie kompetent bei der Integration von SAP Business One in Ihre IT-Landschaft — auch in der Cloud. Gern beantworten wir Ihre Fragen zu den Funktionen, Möglichkeiten und Kosten.
