Maschinelles Lernen

Die Zukunft des maschinellen Lernens: der nächste Schritt in den Bereichen vorausschauende Analysen und KI

Bessere Prognosen und Aktionen durch Big Data.

Die Zukunft des maschinellen Lernens, Daten und vorausschauende Analysen

  • Mit maschinellem Lernen und fortschrittlichen Analysen können Unternehmen von in die Vergangenheit blickende, beschreibende Analysen auf zukunftsgerichtete, autonome Entscheidungsunterstützung umstellen.

  • Praktisch jede Branche kann von maschinellem Lernen und fortschrittlichen Analysen profitieren. Immer wenn große Mengen an Daten und Prognosemodellen regelmäßig angepasst werden müssen, ist maschinelles Lernen sinnvoll.

  • Maschinelles Lernen verschafft einen Wettbewerbsvorteil, wobei Maschinen entwickelt werden, die nicht auf menschliche Wahrnehmung, Beschreibung, Intervention oder Interaktion angewiesen sind, um Entscheidungen auf eine neue Art und Weise zu treffen.

  • Paradoxerweise können Maschinenlernanwendungen kostengünstiger sein als andere Arten fortschrittlicher Analysen, obwohl durch sie der Zugriff auf neue Arten von Erkenntnissen möglich ist.

author-image

Von

1. Eine neue Dimension der vorausschauenden Analysen

In der heutigen Wirtschaft verwandeln sich alle Geschäfte in Datengeschäfte. In einer von Forrester Consulting durchgeführten Studiegaben 98 Prozent der Unternehmen an, dass Analysen für die Förderung der Unternehmensprioritäten wichtig sind, doch weniger als 40 Prozent der Workloads nutzen erweiterte Analysen oder künstliche Intelligenz. Maschinelles Lernen bietet eine Möglichkeit, mit der Unternehmen einen größeren Nutzen aus ihren Daten ziehen können, um ihren Umsatz zu steigern, Wettbewerbsvorteile zu erzielen und Kosten zu senken.

Maschinelles Lernen ist eine Form der vorausschauenden Analyse, mit der Organisationen sich auf der Reifekurve der Business Intelligence (BI) aufwärts bewegen und sich von der exklusiven Abhängigkeit von deskriptiven Analysen der Vergangenheit abwenden, um zukunftsorientierte, autonome Entscheidungsunterstützung zu integrieren. Die Technologie ist bereits seit Jahrzehnten vorhanden, doch der Trubel um neue Ansätze und Produkte führt viele Unternehmen dazu, einen neuen Blick darauf zu werfen.

Analytische Lösungen auf der Grundlage maschinellen Lernens arbeiten häufig in Echtzeit und fügen der BI eine neue Dimension hinzu. Während alte Modelle weiterhin wichtige Berichte und Analysen an die Entscheidungsträger liefern, bringen Echtzeitanalysen Informationen zu den Mitarbeitern „an vorderster Front“, um die Leistung stündlich zu verbessern.

Bei maschinellem Lernen, einem Teilbereich der künstlichen Intelligenz, werden Informationssysteme dafür „trainiert“, spezielle Algorithmen zu verwenden, um zu untersuchen, zu lernen und Prognosen und Empfehlungen auf Grundlage riesiger Datenmengen auszugeben. Prognosemodelle, die neuen Daten ausgesetzt werden, können sich ohne menschliches Eingreifen anpassen und aus vorherigen Iterationen lernen, um zuverlässigere und reproduzierbare Entscheidungen und Ergebnisse zu erzielen.

Im Laufe der Zeit macht diese Iteration die Systeme „intelligenter“, so dass sie verborgene Einblicke, historische Beziehungen und Trends immer besser aufdecken können und neue Chancen in allen Bereichen von den Käufereinstellungen bis zur Lieferkettenoptimierung und der Ölgewinnung aufdecken. Besonders wichtig ist, dass maschinelles Lernen Unternehmen ermöglicht, mit Big Data mehr zu erreichen und neue Funktionen wie IoT-Analysen zu integrieren.

Maschinelles Lernen ist eine leistungsstarke Analysetechnologie, die derzeit verfügbar ist. Viele neue kommerzielle und Open-Source-Lösungen für maschinelles Lernen stehen gemeinsam mit einem umfangreichen Ökosystem für Entwickler zur Verfügung. Es ist sehr wahrscheinlich, dass Ihr Unternehmen den Ansatz bereits verwendet, z. B. für Spamfilter. Durch die breitere Anwendung maschinellen Lernens und von Analysen können Sie schneller auf dynamische Situationen reagieren und mehr von Ihren schnell wachsenden Datenmengen profitieren.

2. Überall genutzt: vorausschauende Analysen

Ein wichtiger Grund für die wachsende Beliebtheit von fortschrittlichen Analysen auf der Grundlage maschinellen Lernens ist, dass hiermit in praktisch jeder Branche Geschäftsvorteile erzielt werden können. Überall, wo große Datenmengen und Prognosemodelle regelmäßig angepasst werden müssen, ist maschinelles Lernen sinnvoll.

Die Bereitstellung von Empfehlungen für Bücher, Filme, Kleidung und Dutzende von anderen Kategorien ist ein bekanntes Beispiel für maschinelles Lernen. Aber es gibt noch viele weitere Anwendungen.

Im Einzelhandel ermöglichen das maschinelle Lernen und das RFID-Tagging eine erheblich verbesserte Bestandsverwaltung. Der Überblick über die Position eines Artikels ist ebenso wie der Abgleich der Bestandsaufnahme mit dem Buchbestand eine große Herausforderung. Mit maschinellem Lernen können die zur Lösung dieser Probleme verwendeten Daten auch die Produktplatzierung verbessern und das Kundenverhalten beeinflussen. So könnte das System beispielsweise das physische Geschäft auf falsch angeordneten Bestand absuchen, um ihn korrekt anzuordnen oder um Artikel zu ermitteln, die sich gut verkaufen und sie an einem besser sichtbaren Ort im Laden aufzustellen.

Wenn maschinelles Lernen mit linguistischen Regeln kombiniert wird, können Unternehmen soziale Medien scannen, um herauszufinden, was Kunden über ihre Marke und ihre Produkte sagen. Es kann sogar versteckte, zugrunde liegende Muster finden, die auf Interesse oder Frustration in Bezug auf ein bestimmtes Produkt hinweisen.

Die Technologie spielt bereits eine entscheidende Rolle bei Anwendungen mit Sensoren. Maschinelles Lernen ist auch für selbstfahrende Fahrzeuge unerlässlich, wo Daten von mehreren Sensoren in Echtzeit koordiniert werden müssen, um sichere Entscheidungen zu gewährleisten.

Maschinelles Lernen kann zur Analyse geografischer Daten beitragen, um Muster aufzudecken, die die Wahrscheinlichkeit genauer vorhersagen können, dass ein bestimmter Standort der richtige Ort für die Erzeugung von Wind- oder Sonnenenergie ist.

Dies sind einige wenige Beispiele von vielen für maschinelles Lernen. Es ist ein bewährtes Verfahren, das derzeit wertvolle Ergebnisse liefert.

3. Klarer Wettbewerbsvorteil

Mit maschinellem Lernen können Unternehmen einen Wettbewerbsvorteil erzielen, indem sie Probleme lösen und Erkenntnisse schneller und einfacher als durch konventionelle Analysen aufdecken. Es ist besonders in drei Situationen zur Wertschaffung geeignet.

Die Lösung für ein Problem ändert sich im Laufe der Zeit: Das Nachverfolgen des Rufs einer Marke in den sozialen Medien ist ein gutes Beispiel. Die demographischen Daten einzelner Plattformen verschieben sich; neue Plattformen tauchen auf. Änderungen wie diese führen zu Durcheinander und zwingen Marketingfachleute, regelmäßig mithilfe der regelbasierten Analyse neu zu überprüfen, ob die richtigen Ziele mit den richtigen Nachrichten erreicht werden. Im Gegensatz dazu passen sich die Modelle für maschinelles Lernen einfach an, liefern im Laufe der Zeit zuverlässige Ergebnisse und setzen Ressourcen zur Lösung anderer Probleme frei.

Die Lösung variiert von Situation zu Situation: In der Medizin z. B. machen die persönliche oder familiäre Vorgeschichte, das Alter, das Geschlecht, der Lebensstil, Allergien gegen bestimmte Medikamente und viele andere Faktoren jeden Fall anders. Maschinelles Lernen kann all diese Faktoren berücksichtigen, um eine personalisierte Diagnose und Behandlung bei gleichzeitiger Optimierung der Ressourcen im Gesundheitswesen zu ermöglichen.

Die Lösung übertrifft die menschliche Fähigkeit: Menschen können viele Dinge erkennen, wie z. B. Stimmen, Gesichter von Freunden, bestimmte Objekte usw., können aber nicht erklären, warum. Das Problem? Zu viele Variablen. Durch das Ausarbeiten und Kategorisieren von vielen Beispielen kann maschinelles Lernen, bestimmte externe Variablen erkennen und identifizieren, die beispielsweise eine Stimme charakterisieren. (Tonhöhe, Lautstärke, Obertonreihen usw.)

Der Wettbewerbsvorteil entsteht durch die Entwicklung von Maschinen, die sich nicht auf die menschliche Erkennung, Beschreibung, Intervention oder Interaktion verlassen, um eine neue Art von Entscheidungen zu treffen. Diese Funktion eröffnet neue Möglichkeiten für zahlreiche Felder, einschließlich der Medizin (Krebsscreening), Fertigung (Defektermittlung) und Transport (mit Ton als zusätzliches Signal für die Fahrsicherheit).

4. Schneller und kostengünstiger

Im Vergleich zu anderen analytischen Ansätzen bietet maschinelles Lernen verschiedene Vorteile für IT, Datenwissenschaftler, verschiedene Geschäftsbereiche und deren Organisationen.

Maschinelles Lernen geht agil und flexibel mit neuen Daten um. Regelbasierte Systeme eignen sich gut in statischen Situationen, aber maschinelles Lernen kann seine Stärken besonders dann einsetzen, wenn Daten ständig geändert oder hinzugefügt werden. Das liegt daran, dass das System nicht ständig optimiert oder durch neue Regeln ergänzt werden muss, um die gewünschten Ergebnisse zu erzielen. Dies spart Entwicklungszeit und reduziert deutlich die Notwendigkeit größerer Veränderungen.

Die Personalkosten für das maschinelle Lernen sind in der Regel niedriger als bei konventionellen Analysen. Zu Beginn muss das Unternehmen selbstverständlich hochqualifizierte Spezialisten unter anderem aus Bereichen wie Wahrscheinlichkeitsrechnung, Statistik, Maschinenlernalgorithmen und KI-Trainingsmethoden einstellen. Aber sobald das Maschinenlernen aktiv ist, können sich Prognosemodelle selbst anpassen, was bedeutet, dass weniger Menschen zur Optimierung der Genauigkeit und Zuverlässigkeit benötigt werden.

Ein weiterer Vorteil ist die Skalierbarkeit. Algorithmen für maschinelles Lernen sind unter Berücksichtigung von Parallelverarbeitung aufgebaut und sind daher besser skalierbar, was letztendlich zu schnelleren Antworten auf Geschäftsprobleme führt. Systeme, die sich auf menschliche Interaktion verlassen, sind auch nicht sehr gut skalierbar. Maschinelles Lernen minimiert die Notwendigkeit, ständig für Entscheidungen auf Personen zurückzugreifen.

Schließlich kosten Maschinenlernanwendungen unter Umständen weniger als andere Arten von erweiterten Analysemethoden. Viele Maschinenlernmethoden lassen sich einfach auf mehrere Maschinen skalieren, statt auf eine einzige, teure High-End-Plattform.

5. Erste Schritte im maschinellen Lernen

Der Erfolg beim Einstieg in maschinelles Lernen beginnt mit der Identifizierung eines Geschäftsproblems, bei dem die Technologie klare, messbare Auswirkungen haben kann. Sobald ein geeignetes Projekt gefunden ist, müssen Unternehmen Spezialisten bereitstellen und eine geeignete Technik auswählen, um Systemen beizubringen, wie sie „denken“ und reagieren sollen. Dazu zählen:

Überwachtes Lernen: Das System erhält Beispieleingaben und -ausgaben und muss so allgemeine Verhaltensregeln erstellen. Beispiel: Die Empfehlungssysteme der meisten großen Marken verwenden das überwachte Lernen, um die Relevanz von Vorschlägen und somit auch den Umsatz zu steigern.

Halbüberwachtes Lernen: Das System wird in der Regel mit einer kleinen Menge an beschrifteten Daten (mit der „richtigen Antwort“) und einer wesentlich größeren Menge an unbeschrifteten Daten versorgt. Dieser Modus hat dieselben Anwendungsfälle wie das überwachte Lernen, ist jedoch aufgrund der geringeren Datenkosten weniger kostenintensiv. Er ist meist die beste Wahl, wenn zu erwarten ist, dass sich die Eingabedaten im Lauf der Zeit ändern, wie z. B. beim Handel mit Rohstoffen, in sozialen Medien oder bei wetterbedingten Situationen.

Unüberwachtes Lernen: Hier untersucht das System die Daten auf Strukturen und Muster. Dieser Modus kann verwendet werden, um Muster zu ermitteln, die andernfalls nicht erkannt werden würden, wie z. B. das Kaufverhalten im Geschäft, das umsatzsteigernde Änderungen der Produktplatzierung bewirken könnte.

Verstärkungslernen: Bei diesem Ansatz wird das System in einer interaktiven, sich verändernden Umgebung platziert, mit einer Aufgabe versehen und mit Feedback in Form von „Strafen“ und „Lob“ versorgt. Diese Technik ist mit großem Erfolg zum Schulen von Werksrobotern in der Identifizierung von Objekten eingesetzt worden.

Unabhängig von Ihrem Projekt hängt der Fortschritt eines Unternehmens in der effektiven Nutzung maschinellen Lernens zur Analyse von der Beherrschung dieser grundlegenden Verfahren ab.

6. Intel: leistungsstarke Prozessoren sind erst der Anfang

Intel unterstützt Unternehmen dabei, maschinelles Lernen in realistischen Anwendungen zu integrieren, die eine äußerst schnelle Leistung erfordern. Dies geschieht mit einem Systemkonzept, das Prozessoren, optimierte Software und Unterstützung für Entwickler sowie ein großes Technologieumfeld mit Partnern der Branche umfasst.

Für maschinelles Lernen ist eine hohe Rechenleistung erforderlich. Intel® Xeon® Prozessoren bieten eine skalierbare Baseline, und der Intel® Xeon Phi™ Prozessor wurde speziell für die hochparallelen Workloads, die typisch für maschinelles Lernen sind, sowie für die Anforderungen des maschinellen Lernens an den Arbeitsspeicher und die Fabric (Netzwerk) entwickelt. Intels Hardwaretechnik umfasst auch programmierbare Beschleuniger und solche mit fester Funktion, System- und Massenspeicher sowie Netzwerktechnik.

Darüber hinaus bietet Intel den Softwaresupport, mit dem IT-Organisationen effektiv und effizient von Geschäftsproblemen auf die Lösung umsteigen können. Dieser Support umfasst:

  • Bibliotheken und Sprachen mit auf Intel Xeon Prozessoren optimierten Bausteinen. Dazu gehören die Intel® Math Kernel Library (Intel MKL) und Intel® Data Analytics Acceleration Library (Intel® DAAL) sowie die Intel® Distribution für Python*.
  • Optimierte Frameworks zur Vereinfachung der Entwicklung, einschließlich Apache Spark*, Caffe*, Torch* und TensorFlow*. Intel unterstützt sowohl Open-Source- als auch kommerzielle Software, mit der Unternehmen die neuesten Prozessoren und Systemfunktionen nutzen können, sobald sie im Handel erhältlich sind.
  • Software Development Kits (SDKs), einschließlich Intel® Nervana™ Technik, TAP und Intel® Deep-Learning-SDK. Hiermit wird eine Reihe an Anwendungsschnittstellen bereitgestellt, sodass der Entwickler sofort die besten Lernalgorithmen der Maschine nutzen kann.

Bei der Optimierung verfolgt Intel mehrere Ansätze. Dazu gehören das Coaching von Kunden und Vertriebspartnern, wie sie ihren Code für maschinelles Lernen auf Intel Hardware schneller betreiben können, und auch die Umsetzung einiger Lernfunktionen in Silizium, was immer schneller ist.

Die Techniker von Intel sind ständig im Außendienst tätig und sprechen mit IT- und Geschäftsbereichsmanagern, um Einblicke darüber zu gewinnen, wie vorausschauende Analysen auf Grundlage von maschinellem Lernen reale Geschäftsprobleme lösen können.