Machine Learning: Schneller zu sinnvollen Geschäftsentscheidungen[Advertorial]

Wunder-Maschine?

| Autor: Dr. Andreas Becks, Manager Business Analytics, SAS DACH

(Bild: iStockphoto/Henrik5000)

Bereitgestellt von

„Machine Learning“ verspricht viel. Aber die Erwartungen liegen oft noch höher. Fest steht: Machine Learning erkennt Muster in Daten, kann Prozesse verbessern – und ist keinesfalls ein neues Wundermittel.

Die Idee ist nicht neu. Genau genommen sogar uralt: Der Grundstein für Lernen aus Beispielen wurde schon 1763 mit dem berühmten Bayes-Theorem gelegt. Warum also ist Machine Learning gerade jetzt ein solch heißes Thema? Zunächst einmal sind Daten in großem Umfang verfügbar (nicht zuletzt dank neuer Technologien wie Big Data, Internet of Things oder Social Media). Zudem ist Rechenleistung so günstig und parallelisierbar geworden, dass Lernalgorithmen jetzt auch auf diese großen Datenmengen angewandt werden können. Nicht zuletzt hat sich auch die Forschung inzwischen darauf konzentriert, vorhandene Algorithmen zu verbessern und neue Varianten zu entwickeln, beispielsweise solche, die auch aus deutlich weniger Beispielen robuste Ableitungen treffen können.

Im Wesentlichen steckt hinter Machine Learning eine Klasse von Verfahren, die Muster in Daten erkennt, verallgemeinert und auf neue Daten anwendet. Solche analytischen Modelle werden anhand von Beispieldaten trainiert. Dies geschieht überwacht, wenn zu Beispielen der gewünschte Output präsentiert wird (etwa die Risikoklasse eines anhand von Stamm-, Demografie- und Transaktionsdaten beschriebenen Bankkunden oder die Fehlerkategorie, die hinter einem Wartungsbericht steckt). Nicht überwachte Lernverfahren hingegen finden bisher unbekannte Muster in Daten und lernen etwa, Gruppierungen zu beschreiben.

Wie funktioniert Machine Learning in der Praxis?

Anwendungsbeispiele ziehen sich durch sämtliche Branchen und verändern Geschäftsprozesse nachhaltig. Sei es in Form von Predictive Maintenance in der Fertigungsindustrie, Risikoanalyse und Regulatorik bei Finanzdienstleistern, Recommendation Engines im Handel, Bildauswertung in der Versicherung oder Smart-Grid-Management im Energiesektor.

Wichtig ist, dass Machine-Learning-Verfahren nicht um ihrer selbst willen angewandt, sondern in Geschäftsprozesse integriert werden. Nicht der coolste Algorithmus ist entscheidend – es muss eine Operationalisierung der analytischen Verfahren erfolgen. Hier sind gute Modelle ebenso erforderlich wie die Verknüpfung mit Geschäftsregeln. Denn so werden analytische Vorhersagen mit Handlungsempfehlungen zusammengebracht und können bei Entscheidungen helfen.

Was beachtet werden sollte, um Machine Learning erfolgreich für analytische Anwendungsfälle in der Unternehmenspraxis einzusetzen, lässt sich anhand des Beispiels prädiktiver Wartung von medizinischen Großgeräten wie Computertomografen veranschaulichen.

Gute Modelle entwickeln. Diese bilden die Voraussetzung, um aufgrund von Sensordaten und Eventcodes die Ausfallwahrscheinlichkeit einer Komponente (beispielsweise die Röntgeneinheit, die Kühlung oder der Patiententisch) mit hoher Trefferquote und geringer Anzahl von Fehlalarmen vorherzusagen.

Modelle in die Produktion bringen. Dazu werden Geschäftsregeln benötigt, die analytische Vorhersagen mit Handlungsempfehlungen zusammenbringen und bei Entscheidungen helfen. Konkret könnten folgende Fragen eine Rolle spielen: Was mache ich, wenn die Ausfallwahrscheinlichkeit hoch ist? Wie schnell muss ich reagieren, wenn der Kunde einen Premium-Servicevertrag hat? Inwiefern unterscheidet sich die Vorgehensweise, wenn sich das Gerät in einem Krankenhaus oder in der Radiologie-Praxis befindet?

Modelle und Regeln dorthin bringen, wo die Daten entstehen oder hingeleitet werden. Zum Beispiel in ein Hadoop-Cluster, direkt in einen Datenstrom oder über eine Datenbank in ein operatives Dispatching-System, das dem Gerätetechniker sagt, welche Ersatzteile und Werkzeuge er in sein Fahrzeug packen, welche Kliniken er in welcher Reihenfolge anfahren und welche Komponenten er warten muss.

Anwendung der Modelle und Regeln kontinuierlich überwachen. Erforderlich ist eine Model Governance, die die Effizienz bei der Registrierung von Modellen und die Auditierbarkeit sicherstellt. Zudem ermöglicht sie die automatische Prüfung der statistischen Modelle auf ihre Vorhersagekraft, wobei ein Alarm ausgelöst wird, falls ein analytisches Modell ausgetauscht werden muss.

Fazit: Machine Learning ist weder eine komplett neue Erfindung noch ein Wundermittel. Notwendig: eine professionelle Integration in die Geschäftsprozesse, eine Operationalisierung von Analytics. Machine Learning funktioniert am besten als Ergänzung und nicht als Ersatz für herkömmliche analytische Methoden.

Mit Machine Learning zum „besten Ort der Welt“

Ein anschauliches Beispiel, was Machine Learning gerade im B2C-Bereich leisten kann, ist das Projekt „Paradise Found“. Mit Hilfe von Big Data Analytics und Machine Learning ermittelt SAS aus rund 150.000 Locations weltweit und anhand von 69 Kriterien den „besten Ort der Welt“. Vorgestellt werden das Projekt und das Ergebnis auf dem SAS Forum Deutschland, das am 29. Juni im World Conference Center in Bonn stattfindet. Auf der wichtigsten Konferenz rund um Analytics im deutschsprachigen Raum, zu der weit über 1.000 Besucher erwartet werden, stehen Trends wie Artificial Intelligence, Edge Computing oder Machine Learning, aber auch konkrete Umsetzungsmethoden wie Cloud Analytics, Open Source oder Big Data Labs im Mittelpunkt der Diskussion.

Einblicke in neue Trends und Entwicklungen bei Technologien wie Machine Learning und Big Data Analytics gibt SAS auch auf seiner internationalen Konferenz Analytics Experience 2017 vom 16. bis 18. Oktober in Amsterdam.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44743071 / Künstliche Intelligenz)