Was ist maschinelles Lernen?

Maschinelles Lernen (ML) stellt eine Unterkategorie der künstlichen Intelligenz dar. Hier entwickeln Computer Mustererkennungen oder die Fähigkeit, kontinuierlich anhand von Daten zu lernen und darauf basierend Prognosen zu erstellen sowie anschließend Anpassungen vorzunehmen, ohne vorher explizit dafür programmiert worden zu sein. 

Man mag die Vorstellung, dass künstliche neuronale Netze eines Tages möglicherweise ausgefeilt genug sind, um menschliches Bewusstsein nachbilden zu können, gut oder schlecht finden – ohne Zweifel jedoch bieten sie ganz praktische Vorteile:

  • Intelligentes Big Data-Management – Die Masse und Vielfalt an Daten, die generiert werden, wenn Menschen oder andere umgebungsbedingte Faktoren mit Technologie interagieren, könnte man ohne das schnelle und ausgeklügelte Konzept des maschinellen Lernens weder verarbeiten noch Erkenntnisse aus diesen ziehen.
  • Intelligente Geräte – Angefangen von tragbaren Geräten, die Gesundheits- und Fitnessziele nachverfolgen, über selbstfahrende Autos bis hin zu „intelligenten Städten“ mit Infrastrukturen, die automatisch dafür sorgen, dass weniger Zeit und Energie verschwendet werden, verspricht dasInternet der Dinge (IoT)große Vorteile – und maschinelles Lernen kann helfen, diese ständig wachsende Menge an Daten sinnvoll zu nutzen.
  • Optimierte Kundenerfahrungen – Maschinelles Lernen ermöglicht Suchmaschinen, Webanwendungen und anderen Technologien, Ergebnisse anzupassen und Vorschläge basierend auf Benutzervorlieben zu machen, um ein ganz persönliches Benutzererlebnis zu schaffen.

Wie funktioniert maschinelles Lernen?

Maschinelles Lernen ist sehr komplex, und die Funktionsweise hängt von der Aufgabe und dem verwendeten Algorithmus ab. Im Grunde ist ein ML-Modell ein Computer, der Muster in Daten erkennt und diese Erkenntnisse dann verwendet, um die ihm zugewiesene Aufgabe besser zu erfüllen. Jede Aufgabe, die auf einer Reihe von Datenpunkten oder Regeln beruht, kann mithilfe von maschinellem Lernen automatisiert werden – selbst komplexere Aufgaben wie das Beantworten von Kundenserviceanrufen und die Überprüfung von Lebensläufen.

Je nach Situation funktionieren ML-Algorithmen mit mehr oder weniger manuellen Eingriffen durch den Menschen. Die vier wichtigsten Modelle des maschinellen Lernens sind überwachtes Lernen (Supervised Learning), unüberwachtes Lernen (Unsupervised Learning), teilüberwachtes Lernen (Semi-Supervised Learning) und verstärkendes Lernen (Reinforcement Learning).

Beim überwachten Lernen kann der Computer anhand eines gekennzeichneten Datensatzes lernen, wie eine für Menschen vorgesehene Aufgabe ausgeführt wird. Dies ist das einfachste Modell, da es versucht, menschliches Lernen zu replizieren.

Beim unüberwachten Lernen erhält der Computer nicht gekennzeichnete Daten und extrahiert daraus bisher unbekannte Muster/Erkenntnisse. ML-Algorithmen arbeiten auf vielfältige Art und Weise, darunter:

  • Clustering, bei dem der Computer ähnliche Datenpunkte innerhalb eines Datensatzes findet und entsprechend gruppiert (Bildung von „Clustern“).
  • Dichteschätzung, bei der der Computer Erkenntnisse gewinnt, indem er die Verteilung eines Datensatzes untersucht.
  • Anomalieerkennung, bei der der Computer Datenpunkte innerhalb eines Datensatzes identifiziert, die sich deutlich vom Rest der Daten unterscheiden.
  • Hauptkomponentenanalyse (HKA), bei der der Computer einen Datensatz analysiert und zusammenfasst, sodass er für genaue Vorhersagen verwendet werden kann.

 

Beim teilüberwachten Lernen erhält der Computer einen teilweise gekennzeichneten Datensatz und führt seine Aufgabe unter Verwendung der gekennzeichneten Daten aus, um auf diese Weise die Parameter zur Interpretation der nicht gekennzeichneten Daten zu verstehen.

Beim verstärkenden Lernen beobachtet der Computer seine Umgebung und verwendet diese Daten zur Identifizierung des idealen Verhaltens, das das Risiko minimiert oder die Belohnung maximiert. Dies ist ein iterativer Ansatz, der eine Art Bestärkung des Computers erfordert, damit dieser seine beste Aktion besser identifizieren kann.

In welchem Zusammenhang stehen Deep Learning und maschinelles Lernen?

Maschinelles Lernen bezeichnet die übergeordnete Kategorie von Algorithmen, die anhand eines Datensatzes Muster erkennen, Erkenntnisse gewinnen und/oder Prognosen erstellen können. Deep Learning ist ein besonderer Zweig des maschinellen Lernens, der die ML-Funktionalitäten über ihre eigentlichen Möglichkeiten hinaus erweitert.

Im Allgemeinen ist der Mensch beim maschinellen Lernen insofern involviert, als dass Ingenieure die Ergebnisse eines Algorithmus überprüfen und ihn basierend auf ihrer Genauigkeit anpassen können. Beim Deep Learning entfällt diese Überprüfung. Stattdessen verwendet ein Deep Learning-Algorithmus ein eigenes neuronales Netz, um die Genauigkeit seiner Ergebnisse zu überprüfen und dann daraus zu lernen.

Das neuronale Netz eines Deep Learning-Algorithmus ist eine Struktur von mehrschichtigen Algorithmen, die die Struktur des menschlichen Gehirns nachbilden sollen. Dementsprechend lernt das neuronale Netz im Laufe der Zeit, wie es eine Aufgabe besser durchführen kann, ohne das Ingenieure ihm Feedback geben müssen.

Die zwei wichtigsten Phasen bei der Entwicklung neuronaler Netzwerke sind Training und Inferenz. Das Training stellt die erste Phase dar. Hier werden der Deep Learning-Algorithmus sowie ein Datenbestand bereitgestellt, um zu verstehen, was dieser Datenbestand repräsentiert. Ingenieure geben dem neuronalen Netz dann Feedback über die Genauigkeit seiner Interpretation und es passt sich entsprechend an. Es sind zahlreiche Iterationen diese Prozesses möglich. Inferenz beschreibt die Implementierung eines neuronalen Netzwerks und dessen Fähigkeit, anhand eines unbekannten Datenbestands genaue Vorhersagen darüber zu treffen, was dieser darstellt.

Wie Unternehmensanwendungen durch MLOps von den Vorteilen des maschinellem Lernens profitieren

Maschinelles Lernen ist der Katalysator für ein starkes, flexibles und widerstandsfähiges Unternehmen. Smart agierende Unternehmen setzen auf ML, um das Wachstum, die Mitarbeiterproduktivität und Kundenzufriedenheit signifikant zu steigern.

Viele Unternehmen erzielen bereits mit wenigen ML-Anwendungsfällen Erfolge, doch ist dies erst der Anfang. Das Experimentieren mit ML steht vielleicht an erster Stelle, jedoch müssen ML-Modelle in Geschäftsanwendungen und -prozesse integriert werden, damit sie im gesamten Unternehmen skaliert werden können.

Vielen Unternehmen fehlen die notwendigen Kenntnisse, Prozesse und Tools für diese unternehmensweite Integration. Um mit ML in großem Maßstab Erfolg zu erzielen, sollten Unternehmen die Investition in MLOps in Erwägung ziehen, das die Prozesse, Tools und Technologien umfasst, die jede Phase des ML-Lebenszyklus – von der Modellentwicklung bis zur Operationalisierung – optimieren und standardisieren. ML Ops ist ein neues Konzept, das für Agilität und Schnelligkeit im ML-Lebenszyklus sorgen soll. Es ist vergleichbar mit DevOps im Softwareentwicklungszyklus.

Um von der ML-Experimentierphase zur ML-Operationalisierung zu gelangen, benötigen Unternehmen starke MLOps-Prozesse. MLOps verschafft einem Unternehmen nicht nur einen Wettbewerbsvorteil, sondern ermöglicht es dem Unternehmen auch, andere Anwendungsfälle für maschinelles Lernen zu implementieren. Dies führt zu weiteren Vorteilen, wie die Weiterentwicklung der Mitarbeiter durch Ausbau der Kenntnisse und ein kollaborativeres Umfeld sowie eine höhere Rentabilität, ein besseres Kundenerlebnis und ein höheres Umsatzwachstum.%3Ca%20href%3D%22https%3A%2F%2Fwww.hpe.com%2Fat%2Fde%2Fresources%2Fsolutions%2Fforrester-ops-ml.html%3FparentPage%3D%2Fat%2Fde%2Fwhat-is%2Fmachine-learning%22%20data-analytics-uaid%3D%22024ebc98-7f28-4f5c-a9b8-75567d9e7e21%22%20data-analytics-assetgated%3D%22true%22%20data-analytics-action%3D%22resource-click%22%20data-analytics-pub-id%3D%22a00100642dee%22%20data-analytics-assetname%3D%22Operationalize%20Machine%20Learning%22%20data-analytics-assettype%3D%22analyst%20report%22%20data-analytics-assetid%3D%22a00100642dee%22%20data-analytics-region-id%3D%22footnote_tip%7Clink_click%22%3EOperationalisierung%20des%20maschinellen%20Lernens%3B%3C%2Fa%3E%26nbsp%3BEine%20von%20HPE%20und%20Intel%20beauftragte%20Innovationsstudie%20von%20Forrester%20Consulting%2C%20Juni%202020.

 

Wie Unternehmen maschinelles Lernen nutzen

In den unterschiedlichsten Branchen werden ML-Technologien und -Techniken erfolgreich bereitgestellt und liefern Unternehmen konkrete, reale Ergebnisse.

In der Finanzdienstleistungsbranche nutzen Banken beispielsweise ML-Vorhersagemodelle, die eine enorme Bandbreite von miteinander verbundenen Messgrößen überblicken, um Kundenbedürfnisse besser zu verstehen und zu erfüllen. ML-Vorhersagemodelle sind auch in der Lage, Risiken aufzudecken und zu begrenzen. Banken können dadurch Cyberbedrohungen erkennen, betrügerisches Verhalten von Kunden erfassen und dokumentieren und die für neue Produkte bestehenden Risiken besser vorhersagen. Zu den wichtigsten Anwendungsfällen für ML im Bankwesen zählen Betrugserkennung und -bekämpfung, persönliche Finanzberatungsservices sowie die Prüfung der Kreditwürdigkeit und die Kreditanalyse.

In der Fertigungsbranche setzen Unternehmen auf die Automatisierung und instrumentieren nun sowohl Geräte als auch Prozesse. Sie verwenden ML-Modellierung, um die Produktion so zu organisieren und zu optimieren, dass sie sowohl auf die aktuelle Nachfrage als auch auf zukünftige Veränderungen reagieren können. Das Endergebnis ist ein Fertigungsprozess, der auf Anhieb agil und ausfallsicher ist. Zu den drei wichtigsten ML-Anwendungsfällen in der Fertigungsbranche zählen Ertragsverbesserungen, Ursachenanalyse sowie Lieferketten- und Bestandsmanagement.%26nbsp%3B%3Ca%20href%3D%22%2Fat%2Fde%2Fcollaterals%2Fcollateral.a00108395.The-Industrialization-of-AI-business-white-paper.html%3Frpv%3Dcpf%26amp%3BparentPage%3D%2Fat%2Fde%2Fwhat-is%2Fmachine-learning%22%20data-analytics-uaid%3D%22b829922f-c21a-4457-9944-08a128efb342%22%20data-analytics-assetgated%3D%22false%22%20data-analytics-action%3D%22resource-click%22%20data-analytics-pub-id%3D%22a00108395dee%22%20data-analytics-assetname%3D%22The%20Industrialization%20of%20AI%20business%20white%20paper%22%20data-analytics-assettype%3D%22analyst%20report%22%20data-analytics-assetid%3D%22a00108395dee%22%20data-analytics-region-id%3D%22footnote_tip%7Clink_click%22%3EDie%20Industrialisierung%20von%20KI%3C%2Fa%3E%3B%20Omdia%20in%20Zusammenarbeit%20mit%20Hewlett%20Packard%20Enterprise%20und%20NVIDA%3B%202020

HPE Lösungen für maschinelles Lernen vom Unternehmensrechenzentrum bis zum Edge

Maschinelles Lernen von HPE bewältigt komplexe Strukturen und ermöglicht End-to-End-Lösungen – vom zentralen Unternehmensrechenzentrum bis zum Intelligent Edge.

Das HPE Apollo Gen10 System bietet eine Enterprise-Plattform für Deep Learning und maschinelles Lernen mit branchenführenden Beschleunigern, die eine außergewöhnliche Leistung für schnellere Informationen liefern.

Die HPE Ezmeral Softwareplattform wurde entwickelt, um die unternehmensweite digitale Transformation zu beschleunigen. Die Plattform ermöglicht es Unternehmen, die Agilität und Effizienz zu steigern, Erkenntnisse zu gewinnen und geschäftliche Innovationen zu verwirklichen. Das gesamte Portfolio umfasst künstliche Intelligenz, maschinelles Lernen und Datenanalyse sowie Container-Orchestrierung und -Management, Kostenkontrolle, IT-Automatisierung, KI-gesteuerte Prozesse und Sicherheit.

Die HPE Ezmeral ML Ops Softwarelösung erweitert die Funktionalität der HPE Ezmeral Container Plattform, um den gesamten Lebenszyklus des maschinellen Lernens zu unterstützen und DevOps-ähnliche Prozesse für die Standardisierung der Machine-Learning-Workflows zu implementieren.

Mit den HPE Pointnext Advisory and Professional Services gelangen Unternehmen in kürzester Zeit von Machbarkeitsstudien zur Produktionsumgebung – dank der Expertise und Services, die für die Realisierung von ML-Projekten benötigt werden. Mit der Erfahrung aus der Durchführung von Hunderten Workshops und Projekten weltweit bieten Ihnen die Experten von HPE Pointnext das Know-how, um Projektimplementierungen von Jahren auf Monate und Wochen zu beschleunigen.