Einige Start-ups bauen bereits jetzt Ihr gesamtes Geschäftsmodell auf Machine Learning auf. Erfahren Sie hier, wie mittelständische Unternehmen einfach und schnell in das Thema Machine Learning eintauchen können.

Machine Learning ist ein wichtiger Bestandteil moderner künstlicher Intelligenz (KI). Es bietet die Möglichkeit, auf Gegebenheiten zu reagieren, die ursprünglich nicht vom Entwicklungsteam bedacht wurden. Ebenfalls kann es Muster in unterschiedlichen Daten erkennen. Auf Basis dieser Muster kann die künstliche Intelligenz neue Verhaltensweisen entwickeln. Somit sorgt Machine Learning dafür, dass die KI flexibel bleibt und sich von klassisch programmierten Applikationen deutlich unterscheidet.

Wo wird Machine Learning eingesetzt?

Verbreitete Einsatzmöglichkeiten sind beispielsweise Predictive Maintenance (vorausschauende Wartung), Betrugsaufdeckung sowie die Optimierung von Betriebsprozessen. Hierbei steht meistens die einfache Benutzung der Machine-Learning-Technologien für Unternehmen im Vordergrund. Amazon bietet dafür den Cloud-Dienst AWS Machine Learning (kurz ML) an. Mit wenigen Klicks können Daten aus den AWS Services S3, RDS oder Redshift bezogen werden und mit QuickSight oder den bevorzugten BI-Tools visualisiert werden. Machine Learning via AWS kann man auf eine bereits bestehende Datenbank anwenden. So ist es möglich, mit dem Großteil der Daten in ein paar Minuten ein Modell dahingehend zu „trainieren“, die Muster in den Daten zu entdecken.

Schwierigkeiten mit dem Modell

Ist das Modell nicht in der Lage, die Bestandsdaten zufriedenstellend zu reproduzieren, müssen eventuell einige Parameter angepasst und ein neues Modell trainiert werden. Schafft es diese Aufgabe jedoch zufriedenstellend, kann der nächste Schritt gemacht werden: neue Daten auswerten und Vorhersagen treffen.

Die möglichen Szenarien sind entweder Regressionen oder binäre / kategorische Klassifikationen, also entweder „Ja“ oder „Nein“ (binär) bzw. eine von mehreren Kategorien. Dabei liefert das Modell keine eindeutige Antwort – stattdessen beinhaltet der Output immer eine mathematische Wahrscheinlichkeit. Um eine Entscheidung treffen zu können, wird ein Grenzwert gesetzt, der vorgibt, auf welche Kategorie verwiesen wird:

Hierbei ist die Wahl des Grenzwertes immer von der jeweiligen Situation abhängig. Wird beispielsweise die Bereitschaft von Kunden, eine kostspielige Investition zu tätigen, modelliert, würde es Ressourcen schonen, nur die Kunden anzusprechen, bei denen die Bereitschaft möglichst hoch ist.

Machine Learning – schnell & einfach

Zuerst ist es wichtig, das Potential Ihrer Daten zu erkunden und erste Modelle mit ihnen zu entwickeln und zu optimieren. In regelmäßigen Abschnitten können Sie aus Ihren Daten neue Modelle trainieren, denn mehr Daten sorgen in der Regel für flexiblere Modelle. Unterm Strich bedeutet das, dass ihre Modelle eine größere Aussagekraft erlangen. Wir empfehlen Ihnen deshalb: Wagen Sie den Schritt in Richtung Machine Learning, um das Potential Ihrer Daten nicht ungenutzt zu lassen – es ist nur ein paar Klicks entfernt.

 

Quelle Titelbild: PhonlamaiPhoto/iStock

Dieser Beitrag basiert in Teilen auf dem Beitrag „Mittelstand goes Digital“ von VINTIN, 23. Nov. 2017