Was sind künstliche Intelligenz und Machine Learning?
Künstliche Intelligenz (KI) bezeichnet Lösungen, die eine Intelligenz vermuten lassen, wie sie typischer Weise nur von Menschen zu erwarten ist. Sie lässt sich in schwache und starke KI unterscheiden. Schwache künstliche Intelligenz bedeutet, dass die KI nur einen spezifischen Anwendungsfall meistern kann.
Innerhalb des Bereichs der schwachen KI bezeichnet Machine Learning (ML) wiederum all jene Lernverfahren, die aus vorhandenen Daten lernen, um dieses Wissen auf neue Daten anwenden zu können. Grundsätzlich lässt sich aber auch ein klassischer Algorithmus zur künstlichen Intelligenz zählen, vorausgesetzt er empfindet eine menschliche Intelligenz nach.
Wird menschliche Intelligenz künstlich nachempfunden, dann fällt dies unter den Begriff der künstlichen Intelligenz.
Machine Learning bezeichnet die Anwendung von Lernprozessen, um in bereits vorhandenen Daten Muster zu erkennen und die resultierende Mustererkennung zur Entscheidungsfindung auf neue Daten anzuwenden.
Künstliche neuronale Netze sind das architekturelle Paradigma hinter Deep Learning und vielen anderen Facetten des maschinellen Lernens. Die Inspiration dafür liegt in den Strukturen des biologischen Gehirns.
Buzzword-Factor
Experten prognostizieren, dass Machine Learning in naher Zukunft Bestandteil fast aller Softwarelösungen sein und auch die Gesellschaft verändern wird.
Einstiegshürde
Der Einsatz von Machine Learning setzt große Veränderungen in den Unternehmen voraus, etwa datenorientierte Kultur mit den entsprechenden Rollen und komplexe Infrastruktur zum Sammeln und Verarbeiten dieser Daten.
Mehrwert
Machine Learning schafft Lösungen, die durch reine Spezifikation bisher nicht möglich waren. Die gewonnenen Erkenntnisse und die deutlich verbesserte User Experience gewähren einen entscheidenden Wettbewerbsvorteil.
Welche fachlichen Einsatzgebiete für Machine Learning gibt es?
Vor allem die in der Presse beschriebenen Machine-Learning-Lösungen lassen sich selten in einem Geschäftskontext einsetzen. So sind etwa AlphaGo und AlphaStar spezifisch auf Spielmechanik ausgelegt. Die generischen Use Cases der msg liefern hingegen einen modularen Baukasten. Je nach Geschäftskontext lassen sich so die richtigen Module für den Geschäftsfall identifizieren und kombinieren.
Die Erfahrung zeigt, dass sich Machine Learning in nahezu jedem Prozess oder Touchpoint sinnvoll und mit Mehrwert einsetzen lässt. Meistens ist das Ergebnis eine deutlich gesteigerte User Experience. Es gibt aber auch viele Fälle, in denen bessere Entscheidungen möglich sind und neue Geschäftsmodelle erschlossen werden konnten.
Wichtig bei allen Einsatzgebieten: Der Business Case darf bei aller Faszination für künstliche Intelligenz nicht aus dem Auge verloren gehen. Schließlich gibt es oft auch vorhandene digitale Lösungen, die bereits gut oder sogar besser als künstliche Intelligenz sind. Unter Umständen rechnet sich dann der zusätzliche Aufwand für die Erarbeitung und Einführung einer KI nicht. Bei neuen Geschäftsmodellen oder verbesserten Entscheidungen können aber erhebliche Wettbewerbsvorteile erschlossen werden, die sich schneller amortisieren.
TechDOSSIER: Advanced Machine Learning
Unsere TechDOSSIERs fassen wichtige Themen und Trends produktneutral und kompakt zusammen. Dabei bereiten wir komplexe Technologie-Aspekte entsprechend den Informationsbedürfnissen von Führungskräften und Managern auf, indem wir explizit bestimmte Eigenschaften der Themen und Trends beleuchten. Unter anderem liefern wir Definitionen, beschreiben das Potenzial, nennen äußere Einflussfaktoren, legen ein Anwendungsszenario auf und erläutern die Einstiegshürden.
Machine Learning Catalogue: Modularer Baukasten für Machine-Learning-Lösungen
Der Machine Learning Catalogue fasst die Bausteine für Machine-Learning-Lösungen strukturiert zusammen. Er listet die gängigen und erfolgreichen Algorithmen auf, nennt Anwendungsfälle, führt unterstütztende Techniken auf, ordnet sie den typischen Aufgabengebieten sowie verschiedenen Eingangs- und Ausgangsdaten zu. Damit ist es möglich, schnell zu entscheiden, welche Bausteine überhaupt in einem bestimmten Szenario sinnvoll, möglich und kombinierbar sind.
Welche Schulungs- und Weiterbildungsmöglichkeiten für Machine Learning bestehen?
Wir bieten Ihnen sowohl bereits geplante und erprobte Schulungen zu Machine Learning sowie Deep Learning an, als auch individuelle Coachings und Workshops zugeschnitten auf Ihre Bedürfnisse. Kontaktieren Sie uns!
- Zielgruppe: Fachexperten, Business Analysts, angehende Data Analysts, Führungskräfte
- Dauer: 0,5 Tage (4 Stunden)
- Lernziel: Nutzen und Grenzen von Machine Learning verstehen, typische Einsatzszenarien von Machine Learning kennen, Einsatzszenarien im Kundenkontext identifizieren und integrieren
- Inhalte: Einleitung und Motivation, Einsatzgebiete und Grenzen, Überblick über ML-Funktionen und Funktionsweise von ML-Lösungen, generische Use Cases sowie deren Funktion und Nutzen, Einsatzgebiete und Grenzen, Übung zur Erarbeitung von innovativen und auf Machine Learning basierenden Lösungen in einem individuellen Kontext
- Voraussetzungen: keine
- Zielgruppe: angehende Data Scientists, angehende Data Engineers, Entwickler, technisch Interessiert
- Dauer: 2 Tage (16 Stunden)
- Lernziel: theoretische Grundlagen des maschinellen Lernens verstehen, Machine Learning anhand von Beispielen in der Praxis einsetzen
- Inhalte: Einleitung und Motivation, Einsatzgebiete und Grenzen, Lernverfahren von supervised über unsupervised bis active Learning, Functional Building Blocks von Wertvorhersagen über Klassifizierung bis Merkmalerkennung und andere, Verfahren und Algorithmen von Linear Regression über Nearest Neighbour zu Support Vector Machines und Deep Neural Networks, Machine-Learning-Pipeline und Data Science, Überblick über beispielhafte Technology Stacks, Übungen für die relevantesten Functional Building Blocks und Verfahren unter Einsatz eines Technology Stacks, Überblick über aktuelle Trends wie TPU und SoC aber auch Universal Neural Networks und Marktplätze für Modelle
- Voraussetzungen: keine
- Zielgruppe: angehende Data Scientists, angehende Data Engineers, Entwickler, technisch Interessiert
- Dauer: 2 Tage (16 Stunden)
- Lernziel: theoretische Grundlagen des maschinellen Lernens verstehen, Machine Learning anhand von Beispielen in der Praxis einsetzen
- Inhalte: Einführung in die Funktion neuronaler Netze, Deep Learning und Netzarchitekturen, Reinforcement Learning mit neuronalen Netzen, Convolutional Neural Networks
- Voraussetzungen: Machine Learning - Foundation
Was ist Natural Language Processing?
Natürliche Sprache ist für uns die intuitivste Schnittstelle, um Informationen auszutauschen. Computer zwängen uns meist eine sehr strukturierte Art des Informationsaustausches über Eingabemasken auf. Das Natural Language Processing versucht dies wieder zu ändern. Aber nicht nur als Schnittstelle zwischen Mensch und Maschine spielt es eine Rolle, dann es sorgt auch dafür, dass wir damit eine große Menge an Daten zugänglich machen können, die nur in natürlicher Sprache vorliegt. NLP Lösungen bestehen aus einer oder mehrerer der folgenden Funktionen, die eine NLP-Pipeline ergeben.
Wie lässt sich Sprachverarbeitung bei Machine Learning vereinfachen?
Mit Holmes stellen wir eine in Python entwickelte Open-Source-Bibliothek für die Analyse deutscher und englischer Texte bereit. Holmes vergleicht Textstellen miteinander und sucht nach Aussagen mit gleichem oder ähnlichem Sinn. Sätze, die für einen menschlichen Leser ganz offensichtlich dasselbe bedeuten, können einerseits über völlig unterschiedliche oberflächliche grammatikalische Strukturen verfügen und andererseits verschiedene Begriffe für ähnliche Ideen benutzen.
Holmes stellt ein allgemeines Toolkit dar, um den Herausforderungen einer semantischen Textanalyse zu begegnen. Es unterstützt Anwendungsfälle, die dadurch überhaupt erst möglich werden. So eignet sich Holmes einerseits hervorragend, um die Konfiguration von Chatbots zu vereinfachen, lässt sich aber andererseits genauso gut als Grundlange für eine intelligente, semnatische Suche oder für die überwachte Dokumentenklassifizierung einsetzen.
Wie funktioniert Projektmanagement bei Machine-Learning-Projekten?
Machine-Learning-Projekte unterscheiden sich in ihrem Vorgehen von klassischen Projekten. Anstatt fachliche Algorithmen und Funktionen zu spezifizieren, müssen diejenigen Lerndaten identifiziert werden, die die entscheidenden Informationen zur Lösung eines Problems enthalten. Durch den konkreten Einsatz von Machine Learning lässt sich dann ermitteln, ob ein fachlich verwendbarer Output aus diesen Daten generiert werden kann.
Dies fordert ein sehr datengetriebenes Vorgehen und einen iterativen Prozess, in dem die Machine-Learning-Lösung nach und nach verfeinert wird. Anders als beim klassischen Programmieren ist die Wahl der Technik und der Algorithmen anfangs nämlich nicht eindeutig, sondern muss durch erfahrenes Ausprobieren gefunden werden. Dies kann zu Sackgassen und unvorhersehbaren Aufwänden führen, auch unserer modularer Machine Learning Catalogue diesen Schritt bereits sehr gut unterstützt.
Dafür bietet unser E3-Vorgehen eine einfache, verständliche und verlässliche Basis. Wir gehen dabei in den drei Phasen vor: Explore, Evaluate, Execute. Der Business Case beibt immer im Blick und wir arbeiten uns stringent bis zum Ziel vor. Dabei lässt das Vorgehen sowohl in agilen, hybridn und auch plangetriebenen Projektorganisationen einsetzen.
Ist das Machine-Learning-Szenario anhand der Daten möglich?
- Wie steht es um Bedarf und Verfügbarkeit der Daten?
- Welche Aussagen lassen sich zu Qualität, Struktur und Labels der Daten treffen?
- Sind Quantität und Variabilität gegeben?
- Verhindern gesetzliche Vorgaben wie die DSGVO die Verwendung der Daten?
Ist eine Integration und Nutzung des Machine-Learning-Szenarios fachlich umsetzbar?
- Wie lassen sich Erfolg und Qualität messen?
- Welche Qualität wird benötigt?
- Wie hoch sind die Kosten von false-negative und false-positive?
- Wie steht es um Sensitivität und Spezifität?
- Bietet die Prognose einen fachlichen Mehrwert?
- Wie kann eine Integration der Prognose in Abläufe und Anwendungen aussehen?
- Welche Architektur und Technologie ist die Richtige?
- Wie sieht das Design der Machine-Learning-Pipeline aus?
- Steht Online- gegen Batch-Learning?
- Steht Development- gegen Runtime-Technologie?
- Wie lassen sich die Datenquellen anbinden?
- Wie erfolgt die Integration in bestehende Anwendungslandschaft?
Wie erfolgen die Umsetzung und Integration?
- Wie lässt sich das Machine-Learning-Modell perfektionieren?
- Wie lässt sich die Machine-Learning-Pipeline implementieren?
- Wie lassen sich Modell und Pipeline in Anwendungen und Prozesse integrieren?
- Wie lässt sich eine automatische Datenversorgung sicherstellen?