Machine Learning
Computer nehmen uns bereits viele Aufgaben ab und erleichtern so unsere tägliche Arbeit. Künftig werden die Systeme noch leistungsfähiger, denn lernfähige Algorithmen helfen dabei, dass sich Maschinen selbst überwachen und steuern können. Der Fachbegriff hierfür lautet Machine Learning, meint aber auch, dass Computersysteme intelligenter werden. Wie dies genau funktioniert, zeigen wir anhand anschaulicher Beispiele.
Wie Maschinen eigenständig Entscheidungen treffen
Wird über innovative Technologien gesprochen, ist das Thema Künstliche Intelligenz (KI) meist nicht weit entfernt. Eine zentrale Komponente vieler KI-Projekte ist eine Software für Machine Learning , die Wissen und Erfahrung aus Daten extrahiert. Es gibt verschiedene Ansätze, wie Entwickler einem Computer neues Wissen vermitteln können.
Eine Möglichkeit ist das Supervised Learning bzw. überwachtes Lernen. Um zum Beispiel Gegenstände zu erkennen, kann ein Computer mit Beispielen trainieren und so lernen, welche Eigenschaften ein Objekt hat, um zum Beispiel als Tier klassifiziert zu werden. Eine weitere Möglichkeit ist das Reinforcement Learning , auch bestärkendes Lernen genannt. Hierbei muss der Computer von Beginn an selbstständig Objekte in Kategorien einordnen. Da dem Rechner keine Analysen von Vorlagen zur Verfügung stehen, geschieht diese Kategorisierung zunächst nach dem Zufallsprinzip. Jedoch erhält das System nach jeder Entscheidung die Information, ob sie richtig oder falsch war – dies ist der Kern von Reinforcement Learning. Anhand der Analyse dieses Feedbacks ist der Computer in der Lage, seine Entscheidungsfindung kontinuierlich zu optimieren. Die Rückmeldung muss nicht zwingend von einem Menschen kommen. So kann beispielsweise eine kürzere Durchlaufzeit eines Prozesses als ein positives Feedback gewertet werden. Insgesamt lässt sich dieser Learning-Ansatz parallel zu Supervised und Unsupervised Learning nutzen und hilft auch bei bereits trainierten Systemen, die Genauigkeit zu verbessern.
Ein weiterer Ansatz ist das Unsupervised Learning. Bei diesem unüberwachten Lernen werden große Datenmengen in einen Rechner eingespeist. In der Folge analysiert das System diese Daten, identifiziert Gemeinsamkeiten und Unterschiede und ordnet bzw. clustert sie anschließend in verschiedene Kategorien.
Den richtigen Ansatz für den jeweiligen Anwendungsfall wählen
Welche Methode am effektivsten funktioniert, unterscheidet sich von Fall zu Fall. Es werden jedoch zunächst ausreichend Datensätze benötigt, die ein Rechner überhaupt analysieren kann. Im nächsten Schritt muss der Berater gemeinsam mit dem Kunden das Ziel definieren: Soll das System diese Daten kategorisieren oder eine Quantität (z. B. eine Zeitreihe) voraussagen? Zudem ist zu prüfen, ob vorklassifizierte Beispieldatensätze vorhanden sind. Existieren solche Datensätze, kann ein Supervised Learning-Ansatz angewendet werden. Eine Kategorisierung nach dem Supervised Learning-Ansatz wird als Klassifikation bezeichnet. Sind keine vorklassifizierten Datensätze vorhanden und soll das System selbstständig Kategorien in den Daten erkennen, kann Clustering zum Einsatz kommen. Hierbei handelt es sich um einen Unsupervised Learning-Ansatz.
Soll ein Rechner eine Quantität vorhersagen, wie es beispielsweise bei Predictive Maintenance (vorausschauende Wartung) der Fall ist, kann eine Regressionsanalyse helfen. Diese hat das Ziel, Zusammenhänge zwischen abhängigen oder unabhängigen Variablen zu modellieren. Ein Beispiel aus dem Alltag: Wer sich ein neues Fahrrad kaufen möchte, sollte zunächst die Rahmengröße ermitteln. Dafür gibt es Rechner, die anhand der Körpergröße die passenden Maße vorschlagen. Zwar hängt dieser Wert im Wesentlichen nicht von der Körpergröße ab, sondern eher von der Beinlänge. Durch eine Regressionsanalyse basierend auf großen Datenmengen kann ein System jedoch die typischen Beinlängen für Menschen mit bestimmten Körpergrößen schätzen. So lässt sich die passende Größe zumindest grob einschätzen.
Will sich ein Berater einen Überblick über bestehende Daten verschaffen, kann er eine sogenannte Dimensionsreduktion durchführen. Dies ist besonders für sehr große Datenbestände geeignet, die aufgrund ihrer Größe kaum erfasst werden können. Hierbei fasst die Software Daten anhand bestimmter Merkmale zusammen. Der Mensch kann dann beispielsweise Zusammenhänge oder inhaltliche Schwerpunkte in großen Datensätzen besser identifizieren.
Machine Learning eröffnet neue Geschäftsmöglichkeiten
Die bisherigen Beispiele geben erste Einblicke in den praktischen Einsatz. Darüber hinaus ist Machine Learning ein wichtiger Antriebsfaktor für digitale Geschäftsmodelle und wird heute beispielsweise schon häufig im Bereich der Logistik und Predictive Maintenance eingesetzt. Hier kommen vor allem Regressionen, Klassifikationen und Clustering zur Anwendung.
Zum Beispiel erzeugen Maschinen kontinuierlich Betriebsdaten wie Temperaturen, Vibrationen und weitere Details. Unternehmen können diese Daten auswerten und so Basisparameter bestimmen, die einen regulären Betrieb der Maschinen abbilden. Verändern sich die Standardwerte, kann dies auf eine bevorstehende Störung hinweisen und ein Techniker kann die betroffenen Teile vor dem Ausfall der Maschine austauschen.
Über reine Verfügbarkeitsszenarien hinaus können Hersteller von Maschinen mithilfe ihrer Daten neue digitale Geschäftsmodelle entwickeln. Die Überwachung von Maschinen muss nicht unbedingt der Kunde übernehmen, dies kann auch der Hersteller als kostenpflichtigen Service anbieten. Auf Basis der ermittelten Daten und einer vorausschauenden Wartung kann sogar eine bestimmte Verfügbarkeit garantiert werden. Damit können sich Hersteller von Maschinen von ihrem Wettbewerb abgrenzen.
In einem aktuellen IoT-Projekt von Maternawerden zum Beispiel die Daten von Kühlschränken, Öfen und Spülmaschinen aus professionellen Großküchen erfasst. Dadurch will der Hersteller der Geräte verstehen, welche Fehlerzustände häufig auftreten, ob die Geräte wie geplant funktionieren oder welche Spülprogramme von den Kunden am meisten genutzt werden. Auf Basis dieser Daten können im nächsten Schritt mithilfe von Predictive Maintenance die Serviceprozesse optimiert werden. Die hierbei eingesetzte Komponente für Machine Learning lernt im Laufe der Zeit, wie Kunden in Großküchen zum Beispiel die Spülmaschinen nutzen und kann daraus ein Muster entwickeln. Besonders spannend werden diese Muster, wenn sie auf Basis von Nutzungsdaten entstehen, die über mehrere Jahre gesammelt wurden. Dann sind beispielsweise saisonale Peaks erkennbar, wie sie in Ferien oder zu Feiertagen auftreten. Machine Learning kann daher eine langfristige Investition sein und die gewonnenen Daten werden von Jahr zu Jahr wertvoller. Es lohnt sich also, möglichst rasch in das Thema einzusteigen.
