Machine Learning 09.01.2017, 12:30 Uhr

Kluge Maschinen sind auf dem Vormarsch

Deep Learning, neuronale Netze und künstliche Intelligenz revolutionieren Unternehmen und ihre Produkte. Wir werfen einen Blick auf das Trendthema der IT.
(Quelle: Shutterstock.com/Zapp2Photo)
Sie tragen meist Frauennamen und reagieren aufs Wort: Die Rede ist von Alexa, Cortana und Siri, den sprachgesteuerten Assistenzsystemen von Amazon, Microsoft und Apple.
Spracherkennung ist allerdings nur eine der vielen Anwendungen für selbstständiges, maschinelles Lernen durch Computersysteme. Zu den weiteren Anwendungen gehören beispielsweise Empfehlungssysteme in Online-Shops, die Betrugserkennung oder die DNA-Analyse. "Machine Learning eignet sich für ein riesiges Spektrum an Einsatzmöglichkeiten", so Axel Köhler, Principal Solution Architect beim Grafikspezialisten Nvidia.
Der Hersteller bietet seit Kurzem mit dem DGX-1 einen Supercomputer für maschinelles Lernen an. Mit acht Tesla-P100-Grafikprozessoren ausgestattet leistet der Rechner laut Nvidia 170 TeraFLOPS (Floating Point Operations per Second). Ein TeraFLOPS sind 10 hoch 12 Gleitkommazahl-Operationen pro Sekunde, etwa Additionen oder Multiplikationen. Zum Vergleich: Laut Nvidia benötigte man hierfür bislang bis zu 250 Intel-Xeon-E5-Systeme.
“"Machine Learning eignet sich für ein riesiges Spektrum an Einsatzmöglichkeiten."„
Axel Köhler
Principal Solution Architect bei Nvidia
Diese Leistung wird möglich, weil Grafikprozessoren Dutzende oder sogar Hunderte von Rechenvorgängen parallel abarbeiten können - einer der Gründe dafür, dass sich Machine Learning in den vergangenen zwei bis drei Jahren so enorm schnell weiterentwickelt hat. Hinzu kommt, dass der Rohstoff für maschinelles Lernen mittlerweile ebenfalls in Massen zur Verfügung steht: Daten. Vor allem das Internet produziert sie in Unmengen und macht sie auch noch leicht zugänglich. "Damit haben wir die beiden wichtigsten Voraussetzungen für Machine Learning", sagt Daniel Klemm, Senior Analyst bei Crisp Research.
Welche Rolle das maschinelle Lernen mittlerweile spielt, lässt sich auch an den vielen Start-ups ablesen, die derzeit überall auf der Welt entstehen - nur um bald darauf von etablierten Konzernen geschluckt zu werden. Über 120 Akquisitionen gab es nach Recherchen von Klemm in der Zeit von Anfang 2015 bis Mitte 2016. Allein Amazon, Apple, Facebook, Google und Microsoft kauften von 2014 bis 2016 mehr als 20 Firmen aus dem Machine-Learning-Bereich ein.

Beispiele für Machine Learning

Selbstlernende Systeme sind mittlerweile in vielen Branchen und Bereichen im Einsatz. "Wir sehen eine große Nachfrage in Vertriebs- und Marketingabteilungen, die mit Hilfe historischer Daten das Kaufverhalten des Kunden vorhersagen wollen", sagt Jakob Rehermann, Geschäftsführer des Berliner Software-Unternehmens Datapine, "aber auch im produzierenden Gewerbe steigt das Interesse am Einsatz von Machine Learning."
“"Viele Machine-Learning-Systeme sind eine Art Blackbox, bei der nur schwer zu verstehen ist, wie ein Ergebnis zustande kommt."„
Daniel Klemm
Senior Analyst
bei Crisp Research
Datapine setzt in seiner SaaS-basierten Business-Intelligence-Lösung an zwei Stellen auf Machine Learning. Zum einen überwacht ein selbstlernendes System wichtige Unternehmenskennzahlen und alarmiert den Anwender, sobald ein erwartetes Muster oder ein vorhergesagter Trend gebrochen wird. "Die bisher am Markt vorhandenen Überwachungssysteme basieren zumeist auf absoluten oder relativen Schwellenwerten und berücksichtigen keine saisonalen Trends oder erwarteten Schwankungen", erklärt Rehermann den Nutzen. Zum anderen setzt Datapine Machine-Learning-Algorithmen für die automatische Analyse von Datensets ein. Sie sollen versteckte Zusammenhänge, Einflussfaktoren, Besonderheiten und Korrelationen finden. "Diese Einblicke können für die Erstellung von Dashboards wiederverwendet werden und ermöglichen dem Benutzer eine deutlich zielgerichtetere Analyse", so Rehermann weiter. Damit seien Erkenntnisse möglich, die bisher nur mit sehr fortgeschrittenen Statistikkenntnissen und Programmen wie SPSS generiert werden können. SPSS ist eine Statistik- und Analyse-Software von IBM. "Mit Hilfe von Machine Learning befähigen wir jeden Anwender, zu den gleichen und oft besseren Ergebnissen zu kommen." Außerdem ließe sich so die Zeit zwischen der Datenverarbeitung und den daraus gewonnenen Erkenntnissen von mehreren Stunden auf wenige Minuten reduzieren.
Sicherheitsspezialist Bitdefender nutzt bereits seit 2009 Machine Learning in seinen Produkten und Dienstleistungen und erzielt dadurch nach eigenen Angaben höhere Erkennungsraten als der Wettbewerb. "Der wesentliche Unterschied zu herkömmlichen Methoden ist, dass Maschinen nicht müde werden", sagt Liviu Arsene, Senior E-Threat Analyst bei Bitdefender, "sie können die immer selben Aufgaben mit gleichbleibender Genauigkeit wiederholen." Maschinen seien deswegen perfekt für das Clustering großer Datenmengen geeignet. "Herkömmliche Methoden zur Analyse großer Datenmengen sind (…) wesentlich langsamer."

So funktioniert Machine Learning

Maschinen spielen immer dann ihre Stärke aus, wenn der Mensch selbst nicht so genau weiß, was er berechnen und wie er es berechnen möchte. "Mit selbstlernenden Advanced-Analytics-Lösungen können Data Scientists effektiver strukturierte und unstrukturierte Daten verarbeiten", sagt Christoph Hartmann, Business Expert Manufacturing bei SAS. Der Spezialist für Big-Data-Analysen setzt auf seiner Plattform Viya Machine Learning ein, um Anwender bei der Aufbereitung und Auswertung von Daten zu unterstützen.
"Machine-Learning-Verfahren erlauben es, Muster in großen Datenmengen zu identifizieren, ohne dass die Struktur der Muster explizit vor­gegeben sein muss", ergänzt Ralf Herbrich, Director Machine Learning Science bei Amazon Web Services (AWS). Lernende Systeme können aber nicht nur Gesetzmäßigkeiten in großen Datenmengen erkennen und daraus Regeln zur Klassifizierung ableiten. Sie treffen auch Vorhersagen über zukünftige Ereignisse, bereiten wissensbasiert Entscheidungen vor oder treffen diese sogar ohne menschliches Zutun.
“"Mit selbstlernenden Advanced-Analytics-Lösungen können Data Scientists effektiver strukturierte und unstrukturierte Daten verarbeiten."„
Christoph Hartmann
Business Expert
Manufacturing bei SAS
Die verschiedenen Machine-Learning-Ansätze lassen sich grob in zwei Kategorien einteilen: das Unsupervised Learning, bei dem die Systeme ohne menschliches Zutun lernen, und das Supervised Learning, bei dem ein menschlicher "Trainer" oder "Lehrer" die Lernergebnisse bewertet.
Prinzipiell läuft das Lernen aber in beiden Kategorien nach einem ähnlichen Schema ab: Das System erhält zunächst Trainingsdaten, anhand derer es ein Modell ableitet. Dieses wird mit Hilfe von Testdaten überprüft und optimiert. Nach einigen Durchgängen kann das Verfahren dann auf Daten angewandt werden, deren Klassifikation unbekannt ist, um Muster oder Assoziationen zu finden.
Unsupervised Learning ist vor allem dann sinnvoll, wenn die für eine Klassifikation notwendigen Informationen nicht von vornherein ersichtlich sind. Laut Olivia Klose, Technical Evangelist bei Microsoft, wird diese Methode zum Beispiel eingesetzt, um Daten zu segmentieren, der sogenannten Clusteranalyse, oder auch um in riesigen Datenmengen mit vielen Tausend Attributen relevante Zusammenhänge zu finden, der sogenannten Hauptkomponentenanalyse. Überwachte Lernmethoden eignen sich dagegen eher für Anwendungen, in denen der mensch­liche Trainer die unterschied­lichen Klassen kennt und die Trainingsdaten entsprechend kennzeichnen kann, etwa bei der Bild­erkennung.




Das könnte Sie auch interessieren