E-Book von BigData-Insider Wie Maschinen selbst lernen

Autor / Redakteur: Michael Matzer / Nico Litzel

Das E-Book „Wie Maschinen selbst lernen“ stellt Methoden, Technologien und Produkte vor, mit denen Unternehmen Machine-Learning-Modelle und Algorithmen für nutzbringende Anwendungsfälle verwenden können. Die Technologie um Machine Learning und Deep Learning, allgemein „Künstliche Intelligenz“ (KI) genannt, hat in den vergangenen Jahren einen rasanten Aufschwung erlebt. Es gibt kaum noch einen Anwendungsbereich, in dem noch keine Algorithmen in den Prozessen werkeln, ober in der Fabrik oder im Weltall.

Firmen zum Thema

Ab sofort steht das E-Book „Wie Maschinen selbst lernen“ kostenlos für registrierte Leserinnen und Leser von BigData-Insider zum Download bereit.
Ab sofort steht das E-Book „Wie Maschinen selbst lernen“ kostenlos für registrierte Leserinnen und Leser von BigData-Insider zum Download bereit.
(Bild: Vogel IT-Medien)

Gerade in Zeiten der Corona-Pandemie ist die Menschheit auf Innovationen angewiesen, die in den Bereichen Gesundheit, Prävention und Medizin zu Durchbrüchen verhelfen. Bis 2022 werden nach Vorhersagen der Gartner Group drei Viertel aller Unternehmen bzw. Organisationen KI-Modelle einsetzen. Das wird bis 2024 zu enormen Verwerfungen in der IT-Infrastruktur und in der Menge von Streaming-Daten führen. Letztere werde sich verfünffachen, so die Gartner-Auguren. Die logische Folge: Solche Datenmengen lassen sich am kostengünstigsten in der Cloud speichern und verarbeiten. Große deutsche Unternehmen speichern ihre Daten mittlerweile bei Anbietern von Public Cloud Services.

Herausforderungen

Die Nachfrage ist enorm, die Einsatzgebiete schier unerschöpflich. Eine Auswahl der Use Cases findet sich in Kapitel 2 dieses E-Books. Doch es gibt auch zahlreiche Herausforderungen und Voraussetzungen, die für die Nutzung und das Verständnis von Machine Learning benötigt werden. Das Know-how sollte nicht nur bei den Spezialisten, vor allem Data Scientists, vorhanden sein, sondern auch bei den Nutzern in den Fachbereichen. Denn in deren Prozesse werden die Algorithmen und Modelle letzten Endes eingebaut.

Das Besondere an Machine Learning und Deep Learning bzw. Natural Language Processing (NLP) sind nicht nur der IT-Aufwand, sondern die besondere Arbeitsweise, die zu Ergebnissen in der Vorhersage, bei Entscheidungen und den zahlreichen Arten der Mustererkennung (Sprache, Gesicht, Gesten, Umgebung) führt. Die mathematisch-statistische Methode ist nicht mehr linear wie noch in der Statistik, sondern nicht-linear, weil ein Modell erstellt, trainiert und zum Lernen immer wieder ausgeführt werden muss. Das E-Book „Wie Maschinen selbst lernen“ beschreibt, wo heute überwachtes bzw. nicht überwachtes Lernen genutzt wird und geht auf Reinforcement Learning (RL) ein, das eine Größenordnung anspruchsvoller ist (etwa für Simulationen).

Die Resultate eines ML-Modells sind nur so gut wie seine Informationen und der Aufbau seines Modells. In einem Modell können Millionen von Parametern verarbeitet werden, und die Faktoren müssen alle gewichtet werden. Leicht kann es da mal zu Verzerrungen kommen. Der Nutzer sollte sich der ethischen Tragweite einer auf Algorithmen und der ML-Modelle basierten Entscheidungen und Aussagen bewusst sein. Eine Black Box ist weder im Interesse des Kunden noch in dem des Dienstleisters, sei es Bank, Versicherung oder Mediziner bzw. Krankenhaus. Einzelne KI-Anbieter bieten hierbei Abhilfe, um Transparenz herzustellen.

Die Zukunft

Solange das Vertrauen der Anwender aufrechterhalten bleibt, sieht die Zukunft für Machine Learning rosig aus. Nicht nur die IT-Infrastrukturen werden vor allem in der Cloud kostengünstiger, performanter und leichter zu handhaben. Auch die Software-Plattformen und -Werkzeuge selbst breiten sich in alle gewünschten Richtungen aus, sei es im Gesundheitswesen oder im IoT-Bereich. Noch wird Machine Learning in Deutschland vor allem zur Prozessoptimierung genutzt, sei es in der Logistik oder in der Computersicherheit. Dabei bestehen, wie IBM Watson zeigt, noch viel größere Chancen in der Aufarbeitung bestehenden Wissens, das sich aus Forschungspublikationen herausziehen ließe.

Aber es gibt bereits erste disruptive Geschäftsmodelle wie etwa in der Außendienstwartung von Geräten (IBM) oder in der sofortigen Schadensschätzung bei Fahrzeugen (SAS, Autoglass u. a.). Die Wettervorhersage ist mittlerweile genauer und längerfristiger gültig geworden. An der Entwicklung von personalisierten Medikamenten, etwa in der Krebstherapie, wird fleißig geforscht. Eines der Ergebnisse dieser Forschung ist ein Impfstoff gegen CoViD-19.

Artikelfiles und Artikellinks

(ID:47004257)

Über den Autor