Machine Learning

Die Genauigkeit und Effizienz von Prognosen steigern

25. Oktober 2019, 13:54 Uhr | Autor: Uwe Müller / Redaktion: Diana Künstler

Das Interesse an AI, ML und DL wächst stetig. Was steckt hinter Machine Learning? Wie grenzen sich Machine und Deep Learning von Artificial Intelligence ab? Welche Anwendungsfälle gibt es und welche Voraussetzungen müssen gegeben sein, um diese neuen Technologien einsetzen zu können?

Die Basis von Artificial Intelligence (AI), Machine Learning (ML) und Deep Learning (DL) bilden statistische Modelle, die im Gegensatz zu einer rein algorithmischen Verarbeitung auch Aussagen zulassen, wie zum Beispiel „das Bild stellt mit einer Wahrscheinlichkeit von 85 Prozent eine Katze dar“. Die Abkehr von einer rein algorithmischen Verarbeitung hin zur Einbeziehung von stochastischen Komponenten eröffnete letztendlich Anwendungsbereiche, die bis dato nicht erfolgreich verarbeitet werden konnten, etwa die Bild- und Spracherkennung.

Wie bei jedem klassischen statistischen Modell werden auch für die Modelle einer ML- und DL-Anwendung immer die drei Phasen Learning, Prediction (Anwendung) und Monitoring unterschieden. In der Lernphase wird das Modell trainiert, das heißt, es wird bestmöglich an historische Daten angepasst; die zu prognostizierende Größe muss bekannt sein. In der Anwendungs-Phase werden mit dem trainierten Modell und neuen Daten Prognosen erstellt. Die zu prognostizierende Größe ist dabei natürlich nicht bekannt. Das Monitoring überprüft dann die Prognosen mit den tatsächlich eingetretenen Werten.

Unterschiede zwischen AI, ML und DL
AI bildet den Rahmen um die ML- und DL-Modelle. Neben den ML- und DL-Modellen enthalten AI-Applikationen auch eine Regelbasis. Aus der korrekten Kombination und Interpretation der Modellergebnisse werden sinnvolle Ergebnisse und Entscheidungen erzeugt. Beispiele für AI-Anwendungen sind die Assistenzsysteme von Amazon, Apple, Microsoft und Google, bei denen die Spracherkennung über ein DL-Modell erfolgt.

Machine Learning unterscheidet sich von der klassischen Statistik dadurch, dass nach einer initialen manuellen Phase alle notwendigen Schritte innerhalb eines voll automatisierten Workflows ablaufen können. Im Regelbetrieb sollten also keine manuellen Eingriffe mehr nötig sein. Ein Machine Learning Workflow sollte auch ein Retraining der Modelle vorsehen – falls dies die Problemstellung zulässt – so dass die Modelle immer auf dem aktuellsten Datenstand gehalten werden können. In den letzten Jahren wurden etliche neue Methoden entwickelt, die diesen Ansatz unterstützen. Beispiele hierfür sind Random Forest, Gradient Boosting und Support Vector Machine.

Deep Learning ist ein Teilbereich von ML. Nach gängiger Auffassung unterscheiden sich DL-Anwendungen dadurch, dass Neuronale Netze mit einer tiefen und verschachtelten Struktur (Hidden Layers) eingesetzt werden, um hochkomplexe Problemstellungen ausreichend bearbeiten zu können. Beispiele dafür sind Sprach- und Bilderkennung, die für die Entwicklung von Assistenzsystemen erforderlich sind.