Was ist Machine Learning?

Machine Learning beschreibt die Fähigkeit bestimmter Algorithmen, mit Hilfe von Mustererkennung aus Daten selbstständig zu lernen.

Machine Learning

Die Menge an Daten steigt unaufhörlich. Behörden, Konzerne und selbst der Sportverein von nebenan erheben, erfassen und verarbeiten heute Daten. Aber was lässt sich mit diesen ungeheuren Datenmengen anfangen? Und wie können Unternehmen die Daten kommerziell nutzen? Die Antwort auf diese Fragen lautet: mit Machine Learning.

Machine Learning (Maschinelles Lernen) ist ein Teilbereich der Künstlichen Intelligenz (engl. Artificial Intelligence oder AI). Die Machine-Learning-basierten Systeme lernen selbstständig, ohne für ihre spätere Aufgabe speziell programmiert worden zu sein.

In den letzten Jahren erlebte das Machine Learning einen Aufschwung.

Zum einen lag das daran, dass die Rechnerkapazitäten enorm gestiegen sind: Computer verarbeiten große Datenmengen immer schneller. Zum anderen hat das Wissen über die Zusammenhänge zugenommen. Der wissenschaftliche Fortschritt war immens.

Mittlerweile kommt die Technologie bereits in vielen Alltagsbereichen zum Einsatz, etwa im Bereich der Suchmaschinen oder Spracherkennung. Und auch produzierende Unternehmen setzen die intelligenten Maschinen bereits ein. Machine Learning hilft in Robotik oder bei der Bilderkennung.

Aktuell stehen wir gerade vor dem Einzug der Technologie auch in produktionsferne Bereiche. Dies gilt beispielsweise für den Bereich des Finanz-und Rechnungswesens. Erste Produkte – wie die Plug-and-Play-Assistenten für AI in SAP der Nooxit – sind marktreif und kommen nun zum Einsatz.

Eine einfache Definition: Machine Learning

Ein Experte für Machine Learning ist Ethem Alpaydín, Professor an der Fakultät für Technische Informatik an der Universität Özyegin in Istanbul. Er definiert Machine Learning so: „Machine Learning bedeutet, Computer so zu programmieren, dass ein Leistungskriterium auf der Basis eines Beispiels oder früherer Erfahrungswerte optimiert wird.“

Machine Learning beschreibt also die Fähigkeit von maschinellen Systemen, aus Beispielen und Daten zu lernen. Die AI-Technologie kann dann eigenständig Rückschlüsse ziehen und Lösungen finden. Spezialisten haben diese Systeme dafür aber nicht – wie herkömmlich in der Softwareentwicklung – eigens programmiert. Programmiert wird nur ein spezieller Algorithmus.

Wie funktioniert Machine Learning?

Ein Computer wird mit Hilfe von Daten trainiert. In großen Datenmengen erkennt er Muster, Abhängigkeiten und Zusammenhänge. Das System generiert eigenes Wissen aufgrund von Erfahrungen und verknüpft Daten „intelligent“. Es lernt also selbstständig dazu und kommt so zu eigenen Ergebnissen.

Diese erkannten Muster und Gesetzmäßigkeiten dienen dem System dann – auf der Basis komplexer mathematischer Berechnungen – zur Vorhersage eines bestimmten Verhaltens oder zur Lösung eines bestimmten Problems.  

Die Funktionsweise von Machine Learning im Überblick:

  •  Zunächst entwickeln Spezialisten AI-Algorithmen für MachineLearning.
  • Die Algorithmen werden mit Hilfe von Daten und Beispielentrainiert.
  • In den Daten erkennen die Algorithmen Muster.
  • Schließlich speisen die Experten das System mit unbekannten Daten.
  • Die Algorithmen analysieren diese Daten und treffen Prognosen undVorhersagen oder entscheiden sogar selbstständig.

Wie unterscheidet sich Machine Learning von Artificial Intelligence und Deep Learning?

AI ist ein Teilgebiet der Informatik. Die Künstliche Intelligenz beschäftigt sich grundlegend sich mit der Frage, wie sich intelligentes menschliches Verhalten mit Hilfe von Computern nachahmen und automatisieren lässt. Mit ausgefeilten Methoden simuliert die AI das menschliche Verhalten.

Machine Learning ist ein Teilgebiet der AI. Hierbei stehen die Mustererkennung und das Lernen aus großen Datenmengen im Vordergrund.

Bei dem Begriff Deep Learning wiederum handelt es sich um einen Spezialfall, einen fortgeschrittenen Bereich des Machine Learnings. Hier nutzen Experten die sogenannten „tiefen“ neuronalen Netze. Diese Netze können Informationen selbstständig klassifizieren und können enorme Datenmengen verarbeiten. DeepLearning eignet sich für besonders komplexe Aufgaben und führt hier zu signifikant besseren Ergebnissen als reines Machine Learning.

Wie lernen Machine-Learning-Algorithmen?

Ein Computer kann lernen, bestimmte Muster zu erkennen und Objekte oder auch Personen bestimmten Kategorien zuzuordnen. Um dies zu schaffen, müssen Programmierer zunächst einen geeigneten Algorithmus entwickeln. Anschließend muss der Computer  mit Daten und Beispielen trainiert und „gefüttert“ werden.

Machine-Learning-Algorithmen nutzen mathematische und statistische Modelle und Methoden. Der Unterschied zu herkömmlichen Programmen ist, dass der selbstlernende Algorithmus neue Lösungen finden kann. Das System verallgemeinert das Gelernte und zieht seine eigenen Schlüsse.

Der Algorithmus generiert neues Wissen aus Erfahrung und kann damit also auch neue Anfragen mit einer hohen Trefferquote richtig lösen – etwa die Zuordnung eines Bildes einer bisher unbekannten Person in eine bestimmte Kategorie.

Grundsätzlich lassen sich im Machine Learning symbolische und subsymbolische Ansätze unterscheiden: Die symbolischen Ansätze geben noch einen Aufschluss über das erlernte Wissen und die Regeln. Die subsymbolischen Ansätze (basierend auf neuronalen Netzen) erlauben hingegen keinen Einblick in die Lösungswege.  

Beim Lernprozess selbst wird in zwei Arten des Lernens unterschieden. Es gibt den Prozess des überwachten („supervised“) und unüberwachten („unsupervised“) Lernens. Überwachtes Lernen bedeutet, dass die Künstliche Intelligenz Gesetzmäßigkeiten auf der Basis von vorgegeben Werten nachbildet. Das System wird mit bekannten Eingabe- und Ausgabedaten trainiert. Beim unüberwachten Lernen hingegen bildet das System selbstständig entsprechende Kategorien. DieAusgangsdaten sind nicht bereits im Vorfeld klassifiziert.

Welche Einsatzgebiete für Machine Learning gibt es?

Einer Studie der Lufthansa Industry Solutions zufolge, kommen Machine-Learning-Technologien aktuell in vielen Unternehmen im Bereich der Bilderkennung, der Sprach- und Textanalyse sowie beim Übersetzen von Texten zumEinsatz.

In größeren Unternehmen stehen Themen wie die maschinelle Erfassung großer Dokumentenbestände oder die Aufwertung von Planungssystemen im Vordergrund. Für die Unternehmen des Mittelstands hingegen ist Machine Learning vor allem ein Werkzeug, mit dem sich die Kundenorientierung und der Kundenservice verbessern lässt.

In vielen Bereichen des Alltags kommt Maschinelles Lernen (oft als Deep Learning) bereits ebenfalls zur Anwendung.

Konzerne wie Google, Apple, Facebook oder Amazon nutzen die Technologie, um Gesichter zu erkennen oder Kaufempfehlungen zu unterbreiten. Auch intelligente Lautsprecher wie Alexa basieren auf Maschinellem Lernen.  

Machine Learning kann dabei helfen, die Bedürfnisse von Kunden besser zu verstehen – etwa auf der Basis ihres Einkaufverhaltens. Im Finanzsektor hilft die Technologie außerdem bei der Analyse von Aktienmärkten, im Automobilbereich bei der Entwicklung selbstfahrender Autos, in der Medizintechnik beim Erkennen von Krebszellen.

Der Vorteil von Machine Learning

Mit Hilfe von Machine Learning lassen sich viele Probleme lösen, für die keine menschlichen Erfahrungswerte zur Verfügung stehen oder für die aufgrund der Komplexität nicht unmittelbar ein passendes Computerprogramm geschrieben werden kann. Es sind Aufgaben, für die herkömmliche Software nicht ausreicht.

Vorteile von Machine Learning für Unternehmen

Für Unternehmen bietet Machine Learning eine ganze Reihe von Vorteilen. Die Technologie ermöglicht es, den vorhandenen Datensatz („BigData“) besser oder sogar erstmalig zu nutzen.

Die Daten allein sind im Grunde ohne Wert – erst ihre Auswertung mit Hilfe geeigneter Software macht sie kommerziell verwertbar.

Algorithmen, die durch maschinelles Lernen trainiert wurden, reduzieren die Zahl von Fehlern, nehmen Menschen monotone Tätigkeiten ab und erledigen hochkomplexe Aufgaben, die Menschen nicht in der gleichen Qualität erledigen können – etwa bei der Erkennung von möglichen Schäden in der Fertigung (Predictive Maintenance) oder in der medizinischen Diagnostik.

Insgesamt liegen die Vorteile des Machine Learning vor allem in der Verbesserung von Prozessen und in einer generellen Steigerung der Wettbewerbsfähigkeit.

Mit Hilfe von AI lassen sich neue Geschäftsmodelle entwickeln. Aufgrund einer besseren Datenbasis können Unternehmen bessere Entscheidungen treffen. Zudem können Unternehmen die Beziehungen zu Kunden verbessern, die Kosten senken und ihre Effizienz steigern.

Besonders da, wo Menschen Fehler machen (etwa bei der manuellen Eingabe von Daten), liegt ein enormes Potenzial. Intelligente Assistenten überwachen die Eingaben, senken die Zahl der Fehler und verbessern so die Qualität der Arbeit. Das spart Zeit und Kosten.

Wie kommen AI und Machine-Learning bei SAP zum Einsatz?

Mit SAP Leonardo hat SAP eine Plattform geschaffen, auf der alle Aktivitäten für digitale Innovationen gebündelt werden – vom Maschinellen Lernen bis zu Blockchain und Analytik. SAP spricht von einem „Digital Innovation System“.

SAP bietet seinen Kunden AI- und Machine-Learning-Technologien bereits in vielen Bereichen an.

Dazu gehört zum Beispiel der Einsatz von AI in der robotergesteuerten Prozessautomatisierung. Mit Hilfe der Automatisierung und Machine Learning können Unternehmen den Anteil manueller Tätigkeiten reduzieren.

Weitere Einsatzgebiete von AI in SAP sind sprachgesteuerte Chatbots. Auch im Bereich SAP Cash Application (Automatisierung des Forderungsabgleichs) kommt künstliche Intelligenz zur Anwendung.

So nutzen wir Machine Learning bei Nooxit

Auch die Plug-and-Play-AI-Assistenten nutzen Machine-Learning-Technologien.

Der Storno-Assistent zum Beispiel wird mit Millionen von historischen Finanz- und Materialbuchungen aus SAP-Quellsystemen gefüttert, die er analysiert und verarbeitet.

Auf diese Weise erkennt die AI für SAP Muster und Gesetzmäßigkeiten. Je mehr Daten ihm dabei zur Verfügung stehen, desto besser und desto mehr lernt er über die Wahrscheinlichkeit von Fehlbuchungen.

Das erworbene Wissen kann der Storno-Assistent dann auf neue Daten anwenden – und erkennt schon bei der Eingabe eines Belegs, ob eine fehlerhafte Buchung wahrscheinlich ist.

Unsere anderen SAP-Assistenten basieren ebenfalls auf Machine-Learning-Technologie.

Noch Fragen? Nehmen sie gern Kontakt mit uns auf.
Kontakt