Machine Learning – Wunder Maschine?
Machine Learning

Machine Learning – Wunder Maschine?

„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 DataInternet 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.

Lesen Sie auf bigdata-insider.de weiter…