Machine Learning

Was ist Machine Learning und wie funktioniert es?

Der Begriff Machine Learning (zu Deutsch: maschinelles Lernen) bezeichnet mathematische Methoden, mit denen Maschinen eigenständig Wissen aus Erfahrungswerten generieren können. Vereinfacht ausgedrückt könnte man auch sagen: Mit Machine Learning können Computer Aktionen ausführen, ohne dass sie vorher dafür programmiert werden müssen. Zuzuordnen ist dieser Ansatz dem Überbegriff „künstliche Intelligenz“.

Aus technischer Sicht verbergen sich hinter Machine Learning nichts anderes als menschengemachte Programme. Die Besonderheit liegt jedoch darin, dass die verwendeten Algorithmen in der Lage sind, Muster in Daten selbstständig zu erkennen. Damit Machine-Learning-Programme funktionieren, müssen sie im ersten Schritt mit umfangreichen Datensätzen versorgt werden, um sie zu „trainieren“. In dieser Anfangsphase werden die Ergebnisse immer wieder vom Entwickler überprüft. Bei Bedarf wird das Machine-Learning-Modell optimiert und angepasst, bis es die gewünschte Genauigkeit erreicht hat. Der Algorithmus lernt also von Datensatz zu Datensatz hinzu, bis er seine Aufgabenstellung ohne menschlichen Eingriff erfüllen kann.

Im Übrigen ist Machine Learning kein neuer Ansatz, sondern bereits seit über 50 Jahren Gegenstand der Forschung. Praxistauglich wurden die Methoden jedoch erst mit gestiegenen (und erschwinglichen) Rechenkapazitäten. Gleichzeitig sind die verfügbaren Datenmengen exponentiell angestiegen. Hierdurch entstand eine hervorragende Grundlage für den wirtschaftlich und strategisch sinnvollen Einsatz von Machine Learning.

Welche Arten von Machine Learning gibt es?

Machine Learning lässt sich anhand der eingesetzten Lernmethode in drei Modellgruppen unterteilen:

• Überwachtes Lernen (Supervised Learning)
• Unüberwachtes Lernen (Unsupervised Learning)
• Bestärkendes Lernen (Reinforcement Learning)

Betrachten wir diese Kategorien des Machine Learning im Folgenden genauer.

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen sind bekannte Daten mit einer bereits bestehenden Logik notwendig. Aus diesen Daten werden zwei Dinge erzeugt:

• ein Trainingsdatenset
• ein Testdatenset

Das Trainingsdatenset ermöglicht es dem Algorithmus, die gewünschte Logik zu erlernen. Anschließend ist er in der Lage, Daten mit einer bestimmten Ähnlichkeit zum Trainingsset mit der erlernten Logik zu klassifizieren. Das Testdatenset wird hingegen benötigt, um die Leistungsfähigkeit des Algorithmus zu überprüfen. Liefern entsprechende Tests Ergebnisse, die als gut bzw. genau genug betrachtet werden können, kann der Trainingsprozess beendet werden. Das „Machine Learning“ war erfolgreich.

Ein Anwendungsbeispiel für Supervised Learning ist die Erkennung von Objekten auf Fotos. So könnte es etwa das Ziel des Machine Learning Prozesses sein, dass Hunde auf Bildern automatisch erkannt werden. Das Trainingsdatenset würde in diesem Fall aus hunderten oder tausenden Fotos bestehen, von denen einige tatsächlich einen Hund zeigen. Bei welchen der Bilder dies zutrifft, muss im Vorfeld natürlich kenntlich gemacht werden. Mit dem Testdatenset kann dann evaluiert werden, mit welcher Genauigkeit die Objekterkennung bereits erfolgt. Bei Bedarf wird der Algorithmus so lange verfeinert, bis er die gewünschte Zielgenauigkeit erreicht hat.

Unüberwachtes Lernen (Unsupervised Learning)

Unüberwachtes Lernen eignet sich für Szenarien, in denen keine bekannten und logisch strukturierten Trainingsdaten für das Machine Learning vorliegen. Entsprechende Algorithmen sind in der Lage, charakteristische Muster in Daten eigenständig zu erkennen und in Gruppen zu unterteilen. Die Rede ist hierbei auch von sogenannten Clustering-Verfahren. Vorstellbar ist es beispielsweise, dass der Algorithmus mit sämtlichen Kundendaten versorgt wird und diese im zweiten Schritt selbstständig in Kundengruppen einteilt. Die Anzahl der gewünschten Segmente kann entweder vorgegeben oder gänzlich dem Algorithmus überlassen werden. In diesem Fall wird das Machine Learning also weniger in eine bestimmte Richtung gelenkt.

Auch Unsupervised Learning kommt jedoch nicht ohne menschlichen Eingriff aus. Dies liegt schlicht daran, dass der Algorithmus keine Begründung liefert, warum er die Cluster gebildet hat. Das Ergebnis muss also aus fachlicher Sicht interpretiert werden und die Sinnhaftigkeit kritisch hinterfragt werden.

Ein weiterer Anwendungsfall für das unüberwachte Lernen ist die Dimensionsreduktion (auch Hauptkomponentenanalyse genannt). Dieser Ansatz des Machine Learning dient dazu, in existierenden Daten sogenannte Features zu identifizieren. Features sind in diesem Zusammenhang nichts anderes als Merkmale, in denen sich die Daten unterscheiden. Als vereinfachtes Beispiel können an dieser Stelle die Beschreibungen von Textilien herangezogen werden. Ein extrahierbares Feature wäre in diesem Fall etwa die Farbe der Kleidungsstücke. Auch hier ist jedoch fachlich zu hinterfragen, warum der Algorithmus ein bestimmtes Feature als Unterscheidungsmerkmal herangezogen hat.

Bestärkendes Lernen (Reinforcement Learning)

Das bestärkende Lernen orientiert sich an einer Lernform des Menschen und befindet sich noch am Beginn der Entwicklung im Bereich machinelles Lernen. Durch Trial-and-Error bzw. „Belohnung“ und „Bestrafung“ erlernt ein Software-Agent hierbei, wie er in bestimmten Situationen optimal handeln sollte. Im Gegensatz zu den zuvor genannten Machine-Learning-Arten sind im Vorfeld keine Trainingsdaten notwendig. Vielmehr werden diese in zahlreichen Durchläufen innerhalb einer Übungsumgebung generiert. Das Ziel des Vorgangs ist es, die Anzahl der Belohnungen in der Simulationsumgebung des Machine Learnings zu maximieren. Der Agent weiß vorab jedoch nicht, welche Aktion in welcher Situation am besten ist. Letztlich entwickelt er eigenständig eine Strategie.

KI-Forscher sehen enormes Potenzial in Reinforcement Learning, da Maschinen auf diese Weise menschenähnliche Fähigkeiten zur Erfüllung beliebiger intellektueller Aufgaben erreichen könnten. Die Rede ist in diesem Fall von Machine Learning auch von „Artificial General Intelligence“.

Was ist der Unterschied zwischen Machine Learning, Artificial Intelligence und Deep Learning?

Im Kontext von Machine Learning werden immer wieder eine Reihe ähnlicher und verwandter Begriffe genutzt. Für das Grundverständnis ist es jedoch wichtig, diese auseinanderhalten zu können.

Beginnen wir bei Artificial Intelligence (AI). Dieser Begriff ist nichts anderes als die englische Übersetzung von „Künstliche Intelligenz“ (KI). Gleichzeitig ist AI der Sammelbegriff für sämtliche Technologien zur Erbringung von Intelligenzleistungen. Eine dieser Technologien ist wiederum Machine Learning. Noch eine Gliederungsstufe tiefer befindet sich das sogenannte Deep Learning - eine spezielle Ausprägung des maschinellen Lernens. Da Deep Learning ein fortgeschrittener und besonders relevanter Ansatz der künstlichen Intelligenz ist, betrachten wir diesen Bereich nun separat.

Was ist Deep Learning?

Als Teilbereich von Machine Learning orientiert sich die fortgeschrittene Methode Deep Learning an Lernvorgängen des menschlichen Gehirns. Die hohe Effizienz dieses Ansatzes wird durch den Einsatz sogenannter künstlicher neuronaler Netze in Verbindung mit großen Datenmengen erreicht.

Deep-Learning-Algorithmen sind in der Lage, Erlerntes fortlaufend mit neuen Informationen zu verknüpfen. Sie lernen also kontinuierlich dazu. Im Laufe der Zeit ist es der Maschine dann möglich, selbstständig Entscheidungen zu treffen und deren Auswirkungen zu hinterfragen. Wurde kein zufriedenstellendes Ergebnis erzielt, unternimmt der Algorithmus einen neuen Anlauf. In diesen Vorgang greift der Mensch im Regelfall nicht ein. Es handelt sich also um „selbstlernende“ Systeme. Dies ist gleichzeitig der zentrale Unterschied zu den oben skizzierten Standard-Methoden des Machine Learnings.

Machine Learning: Algorithmen

Algorithmen sind eine Disziplin der Mathematik und Informatik, ohne die Machine Learning nicht funktionieren kann. Vereinfacht kann man sich einen Algorithmus wie ein Kochrezept vorstellen, das genau beschreibt, welche Schritte in einer definierten Reihenfolge durchgeführt werden müssen. Übertragen auf die Software-Entwicklung sind diese Schritte Befehle einer Programmiersprache.

Einige Aktionen lassen sich sehr einfach als Algorithmus formulieren - beispielsweise das Zählen von Datensätzen. Herausfordernder ist dies hingegen bei Aufgaben wie der Handschrifterkennung. In Fällen dieser Art ist es schlicht nicht möglich, sämtliche Eventualitäten manuell in einem Programmcode abzubilden. An dieser Stelle kommen die Verfahren des maschinellen Lernens ins Spiel. Die Rede ist hierbei auch von „lernenden Algorithmen“.

Im Gegensatz zu klassischen Algorithmen, die eine definierte Aufgabe erledigen, besitzen Machine Learning Algorithmen wesentlich mehr Freiheiten. Aus technischer Sicht äußert sich dies durch hunderte, tausende oder gar hunderttausende sogenannter Parameter. Der Lernvorgang besteht darin, dass diese Parameter justiert werden, um am Ende möglichst korrekte und genaue Ergebnisse zu erhalten.

Wie hängen Big Data und Machine Learning zusammen?

Big Data steht für sehr große Datenmengen, die zudem äußerst komplex, schnelllebig und unstrukturiert sind. Im Zusammenhang mit dem Machine Learning hat Big Data in zweierlei Hinsicht eine hohe Bedeutung. Einerseits sind die Daten erforderlich, um Algorithmen zu trainieren. Auf der anderen Seite lässt sich Big Data mit herkömmlichen Methoden der Datenverarbeitung nicht auswerten, weshalb fortgeschrittene Analysen auf Basis künstlicher Intelligenz und maschinellem Lernen eingesetzt werden müssen.

Die Verfügbarkeit der Daten stellt heute keine Herausforderung mehr dar. Längst werden tagtäglich unvorstellbar große Informationsmengen generiert - mit steigender Tendenz. Für das Training von Algorithmen für das Machine Learning ist es jedoch entscheidend, Daten mit einer passenden Qualität zu identifizieren. Unvollständige oder ungenaue Daten führen dazu, dass Machine Learning Modelle keine zufriedenstellenden Ergebnisse liefern können. Noch fataler ist, dass Algorithmen falsch Erlerntes naturgemäß auch falsch anwenden. Die Leistungsfähigkeit von Machine Learning Systemen steht und fällt also mit der zugrunde liegenden Datenqualität.

Welche Branchen setzen bereits Machine-Learning-Technologien ein?

Zahlreiche Unternehmen setzen künstliche Intelligenz hierzulande bereits produktiv ein. Insbesondere die Teildisziplin Machine Learning gilt mittlerweile als bedeutsamer Faktor für die zukünftige Profitabilität und Wettbewerbsfähigkeit. Am weitesten verbreitet ist der Ansatz laut Crisp Research in folgenden Branchen:

• Automotive
• Konsumgüter
• IT
• Telekommunikation
• Media

Chemie, Verkehr und Logistik stehen gemäß der Studie ebenfalls in den Startlöchern und dürften in Kürze aufschließen. Sehen wir uns einige Use Cases an, um die Einsatzmöglichkeiten von Machine Learning in der Praxis zu verdeutlichen.

Einsatz von Machine Learning in der Industrie

In der Industrie existieren mehrere konkrete Anwendungsmöglichkeiten für Machine Learning. Hier dient die Technologie beispielsweise der Auswertung von Daten aus der Produktion. Diese werden überwiegend durch Sensoren erfasst. Aufgrund der gewonnenen Erkenntnisse (Stichwort: Mustererkennung) lassen sich Qualitätsverbesserungen und flexiblere Produktionsabläufe erreichen.

Weiterhin kommt maschinelles Lernen für Predictive Maintenance - die vorausschauende und präventive Wartung - zum Einsatz. Aufgrund von Sensordaten sind Machine Learning Anwendungen hierbei in der Lage, bevorstehende Maschinenausfälle anhand bestimmter Zustandsmuster in Echtzeit zu erkennen. Folglich lässt sich rechtzeitig eine Wartung anfordern.

Einsatz von Machine Learning im Dienstleistungsbereich

Im Dienstleistungssektor hat Machine Learning das Potenzial, Mitarbeiter von standardisierbaren Aufgaben zu entlasten. Weit entwickelt sind beispielsweise Chatbots, die einfache Kundenanfragen automatisiert beantworten oder schwierigere Fälle an den zuständigen Mitarbeiter weiterleiten.

Auch die Automatisierung sämtlicher Inbound-Kanäle ist möglich. So lassen sich Algorithmen mittlerweile nicht nur auf eingehende Briefe, sondern auch auf Social Media Posts und E-Mails anwenden. Selbst handschriftliche Dokumente können einbezogen werden. Die künstliche Intelligenz erkennt neben den Kundenstammdaten insbesondere das Anliegen des Schreibens. Daher kann sie das Dokument innerhalb weniger Sekunden klassifizieren und dem richtigen Ansprechpartner zuordnen.

Wie kann Machine Learning wirtschaftlich genutzt werden?

Selbstverständlich muss die Einführung von Machine Learning Technologien wirtschaftlich sein. Da es sich für zahlreiche Unternehmen jedoch um ein völlig neues Technologiefeld handelt, ist der Nutzen oftmals nicht konkret zu bewerten. Es bietet sich daher ein Start in kleinen Schritten an. Ein guter Ausgangspunkt ist ein überschaubares Pilotprojekt im Bereich Machine Learning. Vor Beginn sollten mindestens folgende Fragestellungen geklärt sein:

• Welches Anwendungsgebiet ist für das Unternehmen besonders gut geeignet?
• Wie kann das notwendige Know-how zu Machine Learning im Unternehmen aufgebaut werden?
• Welche externe Unterstützung ist notwendig?
• Welche Modelle bzw. Modellgruppen des maschinellen Lernens sind für das Projekt relevant?
• Liegen Daten in ausreichender Menge und Qualität vor?
• Wer trägt die Verantwortung, wenn Entscheidungen an die Maschine delegiert werden?

All diese Aspekte müssen umfassend und mit Expertise untersucht werden. Insbesondere gilt es, die Relevanz, den Investitionsbedarf und die Risiken professionell zu bewerten. Trotz vieler Fragestellungen sollten Unternehmen jedoch nicht zögern. Es ist durchaus wichtig, zeitnah einen Einstieg in den Themenbereich Machine Learning zu finden.

Was hat Machine Learning mit SAP zu tun?

Für ERP-Anbieter wie SAP haben Artificial Intelligence und insbesondere Machine Learning Methoden hohe Relevanz. Immerhin gelten ERP-Systeme als Herzstück intelligenter, automatisierter Prozesse. Doch auch im Analytics-Bereich setzt der Walldorfer Softwarekonzern SAP stark auf künstliche Intelligenz.

Bei der Betrachtung des aktuellen SAP-Portfolios wird schnell deutlich, dass bereits zahlreiche KI-Lösungsbausteine verfügbar sind. Im Kundensupport greift beispielsweise „SAP Conversational AI“, eine Bot-Plattform, die natürliche Sprache versteht. Ein weiteres Anwendungsgebiet ist „SAP Intelligent Robotic Process Automation“. Hier sorgen metadatenbasierte Bots dafür, dass Standardprozesse automatisch durchlaufen werden.

Weitere Beispiele für Machine Learning aus der SAP-Welt sind:

• SAP Cash Application: automatischer Abgleich von offenen Forderungen und Zahlungseingängen
• SAP Predictive Analytics: Erstellung von Vorhersagen hinsichtlich zukünftiger Geschäftsergebnisse
• SAP Service Ticket Intelligence: automatische Klassifizierung und Weiterleitung von Kunden-Tickets inkl. Ermittlung möglicher Lösungen und Antworten
• SAP Customer Retention: Prognose des Kundenverhaltens

Was ist die SAP Leonardo Machine Learning Foundation?

Eine exponierte Stellung im Machine Learning Bereich nimmt bei SAP die sogenannte „SAP Leonardo Machine Learning Foundation“ bei. Es handelt sich hierbei um eine Plattform, mit der selbstlernende Anwendungen entwickelt, betrieben und genutzt werden können. Die Erstellung der Algorithmen erfordert keine speziellen IT-Kenntnisse. SAP Leonardo Machine Learning Foundation ist cloud-basiert, lässt sich nahtlos in SAP-Systeme integrieren und enthält mehrere Web Services. Mögliche Einsatzszenarien sind beispielsweise:

• Bildklassifizierung (z. B. Identifizierung einer Fahrzeugkategorie anhand von Fotos)
• Objekterkennung auf Fotos (z. B. Fokussierung auf bestimmte Bildinhalte, etwa bei der Validierung von Ausweisdokumenten)
• Texterkennung innerhalb von Bildern (z. B. zum Ablesen von Materialnummern auf Fotos oder Scans von Etiketten)
• Textklassifizierung (z. B. Identifikation von positiven und kritischen Stimmungen in Social-Media-Texten)
• Erkennung der Landessprache eines Textes mit Übersetzung

Vorteilhaft ist, dass Unternehmen bei Bedarf auf bereits bestehende Modelle im Bereich Machine Learning zurückgreifen können. Diese müssen dann nur noch anhand eigener Daten angepasst werden. Insbesondere für den Einstieg in das Thema maschinelles Lernen ist dies ein empfehlenswerter Weg.