Das Potential von Machine Learning

Können Sie in die Zukunft sehen?

Die meisten Menschen werden diese Frage erstmal mit „Nein“ beantworten.
Tatsächlich können wir aber alle in die Zukunft sehen. Meistens aber nur sehr kurz und nur sehr eingeschränkt. Wenn wir die im Bild dargestellte Szene mit den Blättern vor uns sehen, dann können wir intuitiv erahnen was sich dort in den nächsten Momenten abspielen wird. Vielleicht wissen wir noch nicht ganz genau wo welches Blatt landen wird, aber wir wissen: Alle Blätter werden in Richtung Boden segeln und dort schlussendlich liegen bleiben. Je Näher die Blätter dem Boden kommen, desto sicherer können wir vorhersagen wo welches Blatt liegen bleiben wird. Das konnten wir auch schon als wir erst 3 Jahre alt waren. Ganz sicher hat uns da niemand erklärt wie der Blätterflug durch Schwerkraft, Luftwiderstand und andere Kräfte beeinflusst wird und wie diese Dinge zu berechnen sind. Auch im Erwachsenenalter können die meisten Menschen vermutlich nicht erklären wie sie diese Schlüsse genau ziehen.

Wir Menschen besitzen die unglaublich gut ausgeprägte Fähigkeit aus Beobachtung und Erfahrung zu lernen und dieses Wissen zu generalisieren. Genau die Blätter von genau diesem Baum mit genau diesen Umgebungsbedingungen haben wir noch nie fallen gesehen. Aber wir haben schon oft verschiedenste Dinge fallen gesehen. Wir haben das Konzept von „fallen“ gelernt. Wenn etwas nicht gehalten wird, dann fällt es nach unten. Wir schaffen es den Flug von Eichenblättern auch auf Ahornblätter oder Papierschnippsel zu übertragen. Das alles können wir ohne selbst bewusst zu wissen wie wir das tun. Das Lernen solcher Abstraktionen nachzubilden ist das Ziel von Machine Learning Algorithmen.

Algorithmen lernen aus konkreten Beispielen

Einem Algorithmus etwas beizubringen gestaltet sich leider signifikant schwieriger, als es bei Menschen ist. Aber auch die dafür erforderliche Methodik kennen wir vermutlich alle noch aus unserer Kindheit. Irgendwann in unserem Leben waren unsere Eltern mal der Meinung es sei an der Zeit zu lernen was eigentlich Katzen sind. Wie wurde uns das beigebracht? Sicherlich nicht durch ausschweifende Erklärungen. Man hat uns eine Katze – oder vielleicht auch nur ein Bild einer Katze – präsentiert, darauf gezeigt und gesagt „Katze!“. Das ist nicht nur einmal mit einer Katze passiert, sondern vermutlich mit mehreren unterschiedlichen Katzen. Schnell waren wir dann in der Lage auch uns bisher unbekannte Katzen als solche zu identifizieren. Auch hier wissen wir nicht bewusst wie wir diese Aufgabe erledigen. Wir sehen ein Bild vor uns und wissen einfach, dass es sich bei dem dargestellten Tier um eine Katze handelt, weil wir das abstrakte Konzept „Katze“ irgendwann in unserem Leben gelernt haben.

Im Moment findet ein Paradigmenwechsel statt

In der klassischen Softwareentwicklung hat man Daten und weiß in der Regel auch was man damit tun möchte und wie diese Dinge zu tun sind. Man schreibt die Anweisungen dafür in einem Programm auf. Dieses Programm übergibt man zusammen mit den Daten an einen Computer, der dann damit das gewünschte Ergebnis produziert.

Will man Probleme mit Machine Learning lösen, so ist der Weg genau umgekehrt. Man startet mit den Daten und man kennt das Ergebnis, das man gern hätte. Ein Datum kann z.B. ein Bild sein und das Ergebnis wäre die Aussage, ob auf dem Bild eine Katze zu sehen ist oder eben nicht. Der wichtige Punkt dabei ist, dass der Algorithmus nicht nur aus Daten lernen kann. Er benötigt die zusätzliche Information, ob eine Katze auf dem Bild ist oder nicht, sonst hat er keine Chance den zu Grunde liegenden Zusammenhang zu lernen. Die Zusatzinformationen nennt man bei einem solchen Problem ein „Label“. Kann man ausreichend Beispielbilder zusammen mit dem zugehörigen Label liefern, so kann man diese Informationen gemeinsam an einen Machine Learning Algorithmus übergeben. Der Lernalgorithmus erstellt dann ein Programm, bzw. ein Modell, das das „Wie“ zwischen Daten und Ergebnis gelernt hat und auf neue und unbekannte Daten übertragen kann.

Viele Herausforderungen aus der Industrie zu denen es bislang nur hieß „das geht nicht“ lassen sich mit modernen Machine Learning Ansätzen mittlerweile eben doch umsetzen. Wenn man in der Lage ist ausreichend Beispieldatenpunkte mit den dazugehörigen Labels zu liefern, dann kann man Machine Learning zur Lösung der Aufgabe heranziehen.

Welche Herausforderungen kann man mit Machine Learning angehen?

Alle möglichen Anwendungsfälle aufzuzählen würde hier sicherlich den Rahmen für diesen Artikel sprengen, daher beschränken wir uns im Folgenden auf einige kurz gehaltene Anregungen. In folgenden Artikeln hier im Blog werden wir in Zukunft konkrete Use Cases noch ausführlicher beleuchten.

Eine große Kategorie von Ansatzpunkten ist die Vorhersage zukünftiger Ereignisse auf Basis historischer Daten. Die Vorhersage von Aktienkursen ist z.B. eine Anwendung, die den meisten von uns schon mal untergekommen ist. Logistikprozesse lassen sich durch die Vorhersage von zukünftigen Bedarfen verbessern. Das verhalten von Maschinen unter gewissen Bedingungen kann basierend auf dem Verhalten in ähnlichen Situationen vorhergesagt werden, um schon vor dem Eintritt kritischer Ereignisse reagieren und gegensteuern zu können.

Das Gebiet der Klassifikation ist ebenfalls sehr vielversprechend. Klassifikation bezeichnet die Einordnung in vorgegebene Kategorien. Weiter oben haben wir schon das Beispiel mit den Katzenbildern kennengelernt. Ein Bild soll in die Kategorien „zeigt eine Katze“ und „zeigt keine Katze“ eingeordnet werden. Mit ähnlichen technologischen Bausteinen kann man aber z.B. auch ein soeben produziertes Produkt anhand von Fotos in die Kategorien „fehlerhaft“ und „in Ordnung“ einordnen. So lässt sich oft ohne aufwändige Inspektion verhindern, dass fehlerhafte Produkte unnötigerweise weiter durch die Produktionskette laufen oder sogar an Kunden ausgeliefert werden. Ein weiteres Beispiel ist die Erkennung fehlerhafter Maschinenzustände anhand von Audiosignalen. Sehr erfahrene Maschinenoperator können oft rein an den Geräuschen, die eine Maschine macht erkennen, ob die Maschine noch in Ordnung ist oder nicht. In vielen Fällen steht aber vielleicht kein erfahrener Operator zur Verfügung oder die Nuancen in den Maschinengeräuschen sind viel zu fein für das menschliche Ohr. Algorithmen können in solchen Fällen aber oft auch schon sehr feine Unterschiede feststellen und so ohne aufwändiges Interfacing proprietärer Schnittstellen rein anhand der mit einem Mikrofon aufgezeichneten Audiosignale Informationen über den Maschinenzustand liefern.

Generell gilt, dass moderne Machine Learning Algorithmen wie Deep Neural Networks in der Lage sind wahrnehmungsbasierte Aufgaben in vielen Fällen zuverlässiger zu lösen, als es Menschen können. Solche Aufgaben können die Interpretation von Audiosignalen, Fotos, Röntgenbildern oder Laserscans sein. In diesen Bereichen ist es extrem kompliziert auf Regeln basierende Programme zu schreiben, viele Beispiele zu sammeln und mit Labels zu versehen hingegen ist durchaus oft machbar und ermöglicht damit den Einsatz von Machine Learning Algorithmen.

Takeaways

  • Machine Learning Algorithmen können sehr komplexe Zusammenhänge erlernen und so Aufgaben übernehmen, die bisher von Computern durch klassische Programmierung nicht erfüllt werden konnten.
  • Um einem Algorithmus etwas beizubringen benötigt man in der Regel nicht nur Eingabedaten, sondern auch das dazu erwünschte Ergebnis als Label, damit der Algorithmus den Weg dazwischen erlernen kann.
  • Es gibt zahlreiche Anwendungsfälle mit echten Mehrwerten, die darauf warten gefunden zu werden! Dazu mehr in folgenden Blogartikeln.

Diesen Beitrag teilen

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on email