Machine Learning
Machine Learning (ML) ist ein Teilgebiet der künstlichen Intelligenz. Durch ML werden IT-Systeme in die Lage versetzt, auf Basis von vorhandenen Datenbeständen und Ergebnisbeispielen Muster und Gesetzmäßigkeiten (Algorithmen) selbstständig zu erkennen und Lösungen zu entwickeln. Die gewonnenen Erkenntnisse lassen sich verallgemeinern und für die Analyse von bisher unbekannten Daten verwenden. Je nach Anwendungsfall werden verschiedene Lernkategorien des ML angewandt. Diese lauten: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen. Die dem menschlichen Lernen am ähnlichsten kommende Art des ML ist das verstärkende Lernen. Das verstärkende Lernen basiert auf Belohnung und Bestrafung.
Bereiche des Maschinellen Lernens (ML) in einer Übersicht dargestellt© Eigene Darstellung
Beispiele für ML-Lernkategorien
Unüberwachtes Lernen
Ein einfach zu verstehendes Beispiel ist die Clusteranalyse. Clustern bedeutet dabei das Zusammenfassen von Daten zu Gruppen.
Die Daten müssen dabei nicht gelabelt sein. Im Gegensatz zur Klassifizierung beim überwachten Lernen findet das unüberwachte Lernen die Gruppen durch die räumliche Ähnlichkeit der betrachteten Datenpunkte. Dies findet beispielsweise in der Kundensegmentierung Anwendung. Durch die Aufteilung von Kunden in bestimmte Gruppen können diese deutlich effektiver beworben werden.
Überwachtes Lernen
Ein typisches Beispiel für das überwachte Lernen ist die Klassifikation von Objekten. Die Objekterkennung kannst du auf deinem Smartphone mit der App "Google Lens" testen. Für diese Art des Maschinellen Lernens werden im Gegensatz zum unüberwachten Lernen gelabelte Daten benötigt. Das bedeutet, dass beispielsweise ein Foto eines Hundes mit dem Label "Hund" versehen werden muss. Durch viele gelabelte Bilder von Hunden kann ein Model trainiert werden, welches auch aus neuen ungelabelten Bilder Hunde zuverlässig erkennen kann. Ein regionales Beispiel für solch eine Anwendung findest du hier:
https://siwalusoftware.com/de/
Verstärkendes Lernen
Auch hier soll wieder ein einfach zu verstehendes Beispiel gewählt werden. Du kennst vielleicht Industrieroboter, welche sich ähnlich bewegen wie ein menschlicher Arm. Zumeist werden diese Roboter für einen Arbeitsschritt programmiert, bei welchem ein definierter Weg abgefahren wird bzw. an einer definierten Stelle etwas gegriffen wird. Doch wie kann ein Roboter beispielsweise selbstständig lernen, aus einem Behälter mit wahrlos angeordneten Objekten das richtige Objekt zu greifen (Bin picking)?
Anders als bei den anderen ML-Arten werden keine speziellen Trainingsdaten benötigt. Der Roboter lernt in unserem Beispiel durch Belohnung und Bestrafung. Greift ein Roboter ein Teil korrekt (Zieldefinition), erhält er eine "Belohnung", greift er das Teil nicht richtig, eine "Bestrafung". Ziel des Systems ist es, die Anzahl der richtigen Griffe zu maximieren. Bis solch ein Roboter das Ziel des selbstständigen Greifens erlernt hat, müssen sehr viele Greifvorgänge durchgespielt werden. Das ML-Model verbessert sich dann mit der Nutzung selbstständig.
Das Beispielprojekt DeepGrasping des Frauenhofer IPA ist ein gelungenes Beispiel dieser Lernkategorie.
Machine Learning nachhaltig etablieren
1. Aufbereitung und Vorbereitung der Daten
Je nachdem, ob ein bereits vortrainiertes ML-Modell vorliegt, oder ob es sich um ein benutzerdefiniertes ML-Modell handelt, werden unterschiedliche Datenmengen zum Training dieses Modells benötigt. Im Allgemeinen kann man jedoch festhalten, dass historische Daten benötigt werden, um zukünftige Ereignisse zu Prognostizieren.
2. Einsatzgebiet identifizieren
Starte mit der Implementierung von einzelnen kleineren Anwendungen in ausgewählten Einsatzgebieten. Das Mittelstand 4.0 Kompetenzzentrum bietet Interessenten eine kostenlose Möglichkeit Anwendungsfälle im eigenen Unternehmen durch KI-Trainer zu identifizieren.
3. Machine-Learning-Kultur schaffen
Eine Einstellung, die offen dafür ist, sämtliche Prozesse im Unternehmen durch maschinelles Lernen zu verbessern und die Möglichkeiten dafür im laufenden Betrieb zu erkennen und zu untersuchen.
4. Teams weiterentwickeln
Sensibilisierung von Ingenieuren und Entscheidern für das Thema Machine Learning.