Maschinelles Lernen (Machine Learning - ML) ist eine Anwendung der Künstlichen Intelligenz (KI). Computersysteme lernen automatisch Muster und Zusammenhänge aus Daten und verbessern sich selbst, ohne explizit programmiert zu werden. Machine Learning unterstützt uns seit vielen Jahren erfolgreich in Wirtschaft, Forschung und Entwicklung.
ML kann automatisiert Wissen generieren, Algorithmen trainieren, Zusammenhänge identifizieren und unbekannte Muster erkennen. Diese identifizierten Muster und Beziehungen können auf einen neuen, unbekannten Datensatz angewendet werden, um Vorhersagen zu treffen und Prozesse zu optimieren.
Überwachtes Lernen (Supervised Learning)
Überwachtes maschinelles Lernen (Supervised Machine Learning) nutzt bekannte Daten, um Muster und Zusammenhänge zu erkennen. Der Algorithmus lernt die Muster anhand eines Trainingsdatensatzes (Beispieldaten). Beim überwachten Lernen wird immer in Bezug auf eine Zielvariable gelernt und der Algorithmus versucht, diese richtig vorherzusagen. Die Zielvariable kann eine Klasse (z. B. Kündigung ja/nein) oder ein numerischer Wert (z.B. Umsatz für den nächsten Monat) sein.
Anhand eines erfolgreichen Lernprozesses werden verlässliche Vorhersagen für zukünftige oder unbekannte Daten getroffen. Im Marketing wird überwachtes Lernen häufig für die Klassifikation von Kundendaten eingesetzt.
Vestärkendes Lernen (Reinforcement Learning)
Verstärkendes Lernen (Reinforcement Learning) oder auch bestärkendes Lernen ist eine besondere Form des maschinellen Lernens. Diese Algorithmen interagieren mit der Umgebung und werden durch eine Kostenfunktion oder ein Belohnungssystem bewertet, um so selbständig eine Strategie zur Lösung des Problems zu erlernen und die Belohnung zu maximieren.
Beim Reinforcement Learning wird dem Algorithmus nicht vorgegeben, welche Aktion oder Handlung in welcher Situation die Richtige ist, sondern der Algorithmus erhält über die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Anhand dieser wird dann abgeschätzt, welche Aktion zu welchem Zeitpunkt die richtige ist. Auf diese Weise lernt das System „bestärkend“, die Belohnungsfunktion durch Lob oder Bestrafung zu maximieren.
Der entscheidende Unterschied zwischen überwachtem und unüberwachtem Lernen ist, dass bestärkendes Lernen keine vorherigen Beispieldaten benötigt. Der Algorithmus kann hier seine eigene Strategie in vielen iterativen Schritten in einer Simulationsumgebung entwickeln.
Unüberwachtes Lernen (Unsupervised Learning)
Beim unüberwachten maschinellen Lernen (Unsupervised Machine Learning) erhält der Algorithmus keine Beispieldaten, sondern Daten, aus denen der Algorithmus selbstständig interessante, verborgene Gruppen und Muster erkennen soll.
Bei dem Unsupervised Machine Learning geht es nicht darum, Vorhersagen für eine bekannte Zielvariable zu treffen, wie es beim Supervised Machine Learning der Fall ist. Stattdessen werden Muster und Strukturen in den Daten entdeckt, ohne dass es eine vorgegebene Antwort gibt. Machine Learning Algorithmen im Bereich des Unsupervised Learning werden genutzt, um Daten zu clustern oder zu segmentieren. Die Bewertung der Ergebnisse erfolgt durch den Data Scientist anhand "weicher" Faktoren, um zu beurteilen, wie gut die Ergebnisse zur Geschäftsanforderung passen. Solche Machine Learning Verfahren sind besonders nützlich, wenn man versteckte Muster in großen Datenmengen aufdecken möchte.
Teilüberwachtes Lernen (Semi-Supervised Learning)
Teilüberwachtes Lernen (Semi-supervised Machine Learning) nutzt sowohl Beispieldaten mit konkreten Zielvariablen, als auch unbekannte Daten und ist somit eine Mischung aus überwachtem und unüberwachtem Lernen. Die Einsatzgebiete von teilüberwachtem Lernen sind im Grunde die gleichen wie bei dem überwachten Lernen.
Der Unterschied besteht darin, dass für den Lernprozess nur eine kleine Datenmenge mit einer bekannten Zielvariablen verwendet wird und eine große Datenmenge, für die diese Zielvariable noch nicht vorliegt. Dies hat den Vorteil, dass bereits mit einer geringeren Menge bekannter Daten trainiert werden kann. Die Beschaffung von bekannten Beispieldaten ist oft sehr aufwendig und kostenintensiv, da diese Daten häufig durch Menschen in manuellen Prozessen erstellt werden müssen (z. B. manuelle Beschriftung von Bildern).
Machine Learning Verfahren wie Semi-Supervised Learning werden häufig in der Bild- oder Objekterkennung verwendet. Dabei erstellt man zunächst einen kleinen, gelabelten Datensatz, oft von Menschen. Danach wird ein künstliches neuronales Netz zur Klassifikation trainiert und auf die restlichen Daten angewendet. So können die unbekannten Daten schneller und effizienter korrekt gelabelt werden.
Ein Machine Learning Prozess in der Praxis sieht so aus:
1. Problemdefinition, Zieldefinition und Wissensaustausch. Die Ziele und der Einsatzzweck des maschinellen Lernens müssen im Vorfeld klar definiert werden. Was soll durch maschinelles Lernen optimiert werden?
2. Datenbeschaffung, Transformation und Merkmalsextraktion. Dies ist in der Regel der zeitaufwendigste Schritt, da es wichtig ist, qualitativ hochwertige Daten zu verwenden. Hier kann z.B. ein ML Feature Store hohe Effizienz bringen.
3. Lernphase. In diesem Schritt findet das maschinelle Lernen statt. Der maschinelle Lernalgorithmus wird trainiert.
4. Interpretation der Ergebnisse. Die Interpretation der Ergebnisse und des Modells ist für den Prozess essentiell. Ein wichtiger Schritt, um auch Akzeptanz für maschinelles Lernen im Fachbereich zu schaffen. Der Mensch will verstehen, was im Algorithmus passiert.
5. Produktiver Einsatz. Machine Learning nur in Innovation Labs zu entwickeln und dann nicht in realen Prozessen einzusetzen, bringt keinen Mehrwert. Die technischen Anforderungen an das maschinelle Lernen sind komplex, daher ist der produktive Einsatz nicht immer einfach.
Quelle: Laurenz Wuttke, Datasolut GmbH