Reporting aus der Cloud
29. Oktober 2018
Churn Prevention – Ihr CRM auf dem nächsten Level
20. November 2018

Was ist eigentlich Machine Learning?
Auch dank aktueller Trends, wie der Industrie 4.0, erfährt das Machine Learning eine nie dagewesene Bedeutung und findet zunehmend Einzug in alltägliche industrielle und geschäftliche Anwendungen. Doch was beinhaltet Machine Learning und in welchen Bereichen kann es sinnvoll eingesetzt werden?

Machine Learning umfasst Methoden und Algorithmen, die beim automatisierten Trainieren und Optimieren statistischer Modelle zum Einsatz kommen. Diese Methoden und Algorithmen erkennen Muster in den Daten beispielsweise durch eine bestmögliche Zerlegung in hierarchische Strukturen (Entscheidungsbäume) oder anhand gemeinsamer Charakteristika zwischen den Datensätzen (k-nearest-Neighbour). Im Detail gibt es Dutzende unterschiedliche Verfahren, wobei die algorithmische Umsetzung entweder durch ein überwachtes oder ein unüberwachtes Lernen durchgeführt werden kann.

Überwachtes vs. unüberwachtes Lernen
Während überwachte maschinelle Lernverfahren anhand von Trainingsdaten konkret auf ein Problem abgerichtet werden und dann produktiv auf neue Daten angewandt werden, sind demgegenüber unüberwachte maschinelle Lernverfahren eine Methodik, um in unübersichtlichen Datensätzen Muster und Zusammenhänge zu erkennen. Demnach werden mit den beiden Verfahren zwei vollkommen verschiedene Zwecke verfolgt und umso wichtiger die korrekte Differenzierung.

Überwachtes Lernen

Das überwachte Lernen beginnt mit einer Lernphase. In dieser Phase werden aus der gegebenen Datenmenge zufällige Datensätze ausgewählt und zu einer Teilmenge zusammengefasst. Das Anlernen des Modells setzt voraus, dass jedes Objekt dieser Datenmenge bereits einer Klasse zugewiesen ist. Mit den zusammengestellten Daten kann nun mithilfe eines Klassifikationsverfahrens ein Modell erstellt werden, welches die zugehörige Klasse anhand gegebener Merkmalskombinationen bestimmen kann. Um sicherzustellen, dass dieses Modell verlässliche Ergebnisse für die Gesamtmenge der Daten liefert, wird das Modell in einer weiteren Phase einem Test unterzogen. In dieser Testphase klassifiziert das Modell eine weitere Teilmenge aus der gegeben Datenmenge und die abgeleitete Klasse wird der tatsächlichen Klasse des Objektes gegenübergestellt.

Unüberwachtes Lernen

Beim unüberwachten Lernen haben wir es hingegen nicht mit gekennzeichneten Daten zu tun, die vorab auch keine Aussage über Ergebnisse ermöglichen. Folglich kann der Algorithmus nicht in einer Trainingsphase anhand von historischen Daten trainiert werden. Stattdessen werden entsprechende Algorithmen genutzt, die die Struktur der Daten erkunden und wertvolle Informationen aus der unübersichtlichen Datenmenge bilden. Beispielsweise wird mit dem Clustering versucht Grenzen zwischen Datenmengen aufzuspüren und Objekte mit ähnlichen Merkmalen in einer Gruppe zusammenzufassen.

Deep Learning der zukünftige Standard
Deep Learning ist das am weitesten verbreitete maschinelle Lernverfahren und ist die derzeit erfolgreichste Implementierung eines künstlichen neuronalen Netzes. Künstlich neuronale Netze sind eine etablierte Technik zur Modellierung komplexer Zusammenhänge zwischen Merkmalen und sollen die grundlegenden Lernfähigkeiten biologischer Nervensysteme nachbilden. Solche Netze sollen aus ihren Erfahrungen lernen, indem sie die erhaltenen Informationen verallgemeinern und für die Mustererkennung oder für Vorhersagen nutzen.
Der entscheidende Unterschied zu anderen Verfahren des Machine Learning besteht darin, dass der Mensch hier ausschließlich die Informationen zum Lernen bereitstellt und nicht aktiv in die Analyse der Daten und den Entscheidungsprozess eingreift.

Wo kann Machine Learning eingesetzt werden?
Unser Alltag ist bereits mehr vom maschinellen Lernen beeinflusst, als vielen bewusst ist. Machine Learning Algorithmen sollen uns das Leben erleichtern und kommen beispielsweise bei Musik- oder Filmempfehlungen im privaten Umfeld zum Einsatz. Im geschäftlichen Umfeld können Marketingkampagnen, Logistikrouten oder der Kundenservice mit den entsprechenden Algorithmen optimiert werden. Konkret haben die Machine Learning Verfahren das Potenzial Mustererkennung, Datenexploration und automatisierte Datenverarbeitung in ganz neue Bereiche zu führen, die mit bisherigen Technologien nicht erreichbar sind.

Unternehmen, die maschinelle Lernverfahren nutzen, können personalisierte Werbemaßnahmen schalten und auf individuelle Bedürfnisse von Kunden eingehen. Das verbessert letztlich nicht nur das Kundenerlebnis, sondern erhöht zudem die Kundenbindung. Maschinelles Lernen hilft auch zu erkennen, dass Kunden möglicherweise in nächster Zeit abwandern. Dafür werden diejenigen Merkmale extrahiert, die sie mit bereits abgewanderten Kunden gemeinsam haben. Diese abwanderungswilligen Kunden können dann gezielt umsorgt und im besten Fall von einem Verbleib überzeugt werden.

Schreibe einen Kommentar