Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Funktionalität, die es Software ermöglicht, eine Aufgabe ohne explizite Programmierung oder Regeln auszuführen. Ursprünglich wurde sie als Unterkategorie künstlicher Intelligenz angesehen, beinhaltet inzwischen aber statistische Methoden wie Deep Learning (oder neuronale Netzwerke), die von Theorien über die Informationsverarbeitung durch das Gehirn inspiriert sind.

Wie funktioniert maschinelles Lernen?

Maschinelles Lernen wird von algorithmischen Methoden bereitgestellt, die dafür trainiert werden, Muster in gesammelten Daten (wie Logs, Sprache, Text oder Bildern) zu erkennen. Dabei ist der Zugang zu umfangreichen Trainingsdaten und Rechenleistung Voraussetzung für den Erfolg. In der Cloud sind Datenspeicherung und Hochleistungs-Computing reichlich vorhanden und können besonders kostengünstig eingesetzt werden, weshalb sie die ideale Plattform für maschinelles Lernen darstellt.

Was sind Beispiele für maschinelles Lernen?

Beispiele für maschinelles Lernen sind im Alltag reichlich vorhanden. Ein einfaches Beispiel ist die automatische Vervollständigung von Namen, Suchbegriffen oder Adressen in Suchfeldern. Dieses Konzept kann aber auch für komplexere Anwendungsfälle in verschiedensten Branchen angewendet werden. Maschinelles Lernen wird beispielsweise eingesetzt, um:

  • Bilder zu kategorisieren (wie MRT-Untersuchungen, Fotos oder Satellitenaufnahmen)
  • In riesigen Mengen an Dokumenten oder E-Mails nach bestimmten Schlagwörtern zu suchen
  • Potenziell betrügerische Transaktionen zu melden
  • Produktempfehlungen auf Basis des Kundenverhaltens zu personalisieren
  • Software zu befähigen, präzise auf Sprachbefehle zu reagieren
  • Das Wettergeschehen oder Klimabedingungen vorherzusagen
  • Sprachen in Text oder Audio zu übersetzen

Mit anderen Worten: Überall wo Software arbeitsintensive Aufgaben ausführt, die über das menschlich Mögliche hinausgehen, kann maschinelles Lernen eingesetzt werden.

Wie wird maschinelles Lernen bei Google eingesetzt?

Maschinelles Lernen stellt seit Jahren einen Grundstein der internen Systeme von Google dar. Hauptsächlich aufgrund der Notwendigkeit, datengestützte Systeme in großem Maßstab zu automatisieren. Durch diese Erfahrung haben wir einzigartige Kenntnisse im Hinblick auf die richtigen Frameworks, Verfahren, Infrastruktur und Daten, die Kunden dabei helfen können, maschinelles Lernen wertschöpfend einzusetzen.

Das Open-Source-Framework TensorFlow beispielsweise, das ursprünglich für den Einsatz innerhalb von Google entwickelt wurde, ist inzwischen zum Standard in der Data-Science-Community geworden und ermöglicht es erfahrenen Nutzern, leistungsstarke Modelle zu erstellen und zu trainieren. Neben dem starken Beitrag, den Hunderte unserer Experten im Bereich maschinelles Lernen für die akademischen und Open-Source-Communities leisten, bringen sie die Funktionalität auch in Google-Produkte (wie die G Suite, Search und Fotos) sowie Googles interne Abläufe ein (z. B. im Rahmen der Automatisierung von Rechenzentren).

Wie kann ich maschinelles Lernen in meiner eigenen Organisation einsetzen?

Ursprünglich gehörte maschinelles Lernen zu exotischen Disziplinen wie Statistik und Data Science. Inzwischen ist diese Fähigkeit in Form von Open-Source-Bibliotheken (TensorFlow) sowie verwalteten Diensten und Cloud APIs allgemein zugänglich. Für Data Scientists, die zukunftsfähige Modelle erstellen wollen, die sich zwischen lokalen Systemen und der Cloud bewegen können, oder Mainstream-Entwickler, die ohne Zugang zu ausreichenden Trainingsdaten ein vordefiniertes/vortrainiertes Modell über eine Cloud API in ihre App einbinden möchten, ist die Nutzung solcher Tools im Rahmen ihrer alltäglichen Arbeit ein realistisches Ziel.

Weitere Informationen:

Hat Ihnen diese Seite weitergeholfen? Teilen Sie uns Ihr Feedback mit: