Wie Maschinen lernen | KPMG | AT
close
Share with your friends
Dimensionen - Schwerpunkt Digitalisierung - Der Weg zur Künstlichen Intelligenz

Wie Maschinen lernen

Wie Maschinen lernen

Machine Learning (ML) ist ein Begriff, der in der Debatte rund um Künstliche Intelligenz (KI) immer wieder fällt. Doch wie gestaltet sich die Umsetzung in Unternehmen? Ein Praxisbeispiel aus dem Retail-Bereich veranschaulicht die Thematik.

Die neuesten Fortschritte und Entwicklungen im Bereich des maschinellen Lernens führen derzeit zu einem medialen Hype rund um das Thema Künstliche Intelligenz (KI). Die Berichte konzentrieren sich dabei allerdings auf wenige Technologiefirmen. Es geht um autonom fahrende Autos, um Computer, die Menschen in komplexen Spielen schlagen oder um Algorithmen, die Gemälde produzieren, die aussehen, als wären sie von Menschen geschaffen. Allen voran stehen Internetgiganten, die mit Leuchtturmprojekten aufwarten, in denen mittlerweile intelligente Maschinen voneinander Schach spielen lernen, wobei auch die besten menschlichen Spieler nicht mehr mithalten können.

In der Praxis

Die unmittelbaren und großen wirtschaftlichen Veränderungen werden allerdings nicht von diesen Prestigeprojekten getrieben, sondern durch die Anwendung intelligenter Systeme auf langweilige und täglich wiederholende Tätigkeiten. Diese Entwicklung wird zu drastischen Effizienzverbesserungen führen – gerade in Zeiten von zunehmender Vernetzung und jährlich wachsender, mittlerweile für Menschen unüberblickbarer Datenmengen. Tatsächlich können wir die Auswirkungen bereits jetzt beobachten: Erste Krankenhäuser in Frankreich setzen Machine Learning-Systeme ein, um für eine bessere Planbarkeit die Aufnahmezahlen von Patienten in den nächsten Tagen vorherzusagen. Die Komponenten komplexer Maschinen werden mittels Sensoren beobachtet und intelligente Systeme entscheiden, wann Teile ausgetauscht werden müssen, noch bevor sie brechen. Alle Anwendungsfelder haben eines gemeinsam: Eine Vielzahl an Einflussfaktoren, die in komplexer Weise interagieren und berücksichtigt werden müssen.

Die Kunst der Vorhersage

Die Grundkonzepte von maschinellem Lernen sind seit vielen Jahren bekannt. Bereits im Jahr 1959 führte Arthur Samuel, einer der führenden Köpfe im Bereich Künstlicher Intelligenz, den Begriff „Machine Learning“ ein: Als die Entwicklung von Algorithmen, die von Daten lernen und auf Basis des Gelernten Vorhersagen machen. Dieses allgemeine Konzept ist am natürlichen Lernprozess höherer Lebewesen wie uns Menschen angelehnt: Wir nehmen über unsere Sinne Eindrücke aus der Umwelt auf, lernen  aus ihnen und agieren auf deren Basis.

Samuels Definition setzt allerdings keine Vorgaben über die Art der zu Grunde liegenden Machine Learning-Algorithmen. So wurde schon früh, seit Mitte des letzten Jahrhunderts, eine Vielzahl von Verfahren entwickelt, die aber erst in jüngster Zeit durch die rasant steigenden Rechnerkapazitäten und die Verfügbarkeit riesiger Datenpools ihre volle Leistungsfähigkeit entfalten können.

Am weitesten bekannt sind neuronale Netze, wohl weil sie einen Versuch darstellen, die grundlegende Funktionsweise des menschlichen Gehirns nachzubilden. Daneben gibt es allerdings auch andere Verfahren, die ebenfalls aus Daten lernen um Vorhersagen zu treffen, aber einen gänzlich anderen Aufbau als ein Gehirn haben. Die Aufgabe und Kunst eines Machine Learning-Spezialisten ist es, diese unterschiedlichen Algorithmen zusammenzuführen und für eine gestellte Herausforderung die beste Vorhersagequalität zu erreichen.

Im Einsatz

Folgendes Beispiel aus dem Retail-Bereich gibt einen Einblick in den Lernprozess eines neuronalen Netzes. Die Fragestellung ist eine einfache: Wie groß ist das tägliche Kundenaufkommen und wie hoch der Umsatz in den nächsten Wochen in allen Filialen?

An erster Stelle steht die Auswahl der Daten, auf deren Basis das neuronale Netz trainiert werden soll. Einer der wichtigsten Punkte dabei ist eine umfassende Datenbasis. Damit ist vor allem eine lange Datenhistorie für das Training des Netzes gemeint. Grundsätzlich ist es positiv, viele potentielle Einflussgrößen miteinzubeziehen, es gilt allerdings auch der Grundsatz: „Weniger ist mehr“. Es ist die Aufgabe des Spezialisten, als Trainer des Netzes den richtigen Mix an Einflussgrößen zu bestimmen. Im aktuellen Beispiel wurden neben den historischen Aufzeichnungen zu Umsatz und Kundenzahlen auch Kalenderdaten wie Feier- und Ferientage, Rabattaktionen sowie geöffnete Tage herangezogen. Die Aufzeichnungen umfassten Daten von über 1.000 Filialen über drei Jahre hinweg.

Wie ein Kind, das von seinen Eltern beim Lernen Feedback bekommt und das Erlernte außerhalb des Elternhauses ohne Rückmeldungen anwendet, ist es Best Practice, auch während der Lernphase des neuronalen Netzes die Trainingsdaten aufzuteilen: in eine tatsächliche Trainingsmenge und eine Testmenge. Auf der Trainingsmenge lernt das neuronale Netz durch Feedback, auf der Testmenge wird die Qualität der Vorhersagen überprüft.

Wenn der Machine Learning-Algorithmus schließlich während des Trainings zu guten Ergebnissen führt, folgt der tatsächliche Live-Test auf aktuellen Daten. Im genannten Beispiel konnte für die Vorhersage der täglichen Umsätze und Kundenzahlen eine respektable Genauigkeit von rund zehn Prozent erreicht werden.


Autor

Manfred Herbst

Verwandte Inhalte