Drei gängige falsche Vorstellungen über das Machine Learning

Machine Learning (ML) ist ein Teilgebiet der Informatik, bei dem aus Daten Algorithmen und Lernmodelle generiert und „gelernte“ Verallgemeinerungen auf neue Situationen angewendet werden. Dazu gehört auch die Durchführung von Aufgaben ohne direkte Programmierung durch den Menschen. Mit der Zunahme der Anwendungsfälle bei modernen Data Analytics ist es an der Zeit, verbreitete falsche Vorstellungen bezüglich des Machine Learning zu korrigieren, damit das enorme Potenzial von Computern auch wirklich ausgeschöpft wird.

Computer haben es nicht auf Ihren Job abgesehen. In Wirklichkeit sind Machine Learning (ML) und künstliche Intelligenz (KI) eher Hilfsmittel, mit denen Sie Ihre Arbeit noch besser erledigen können. Sie helfen Ihnen, sich mehr auf das Ergebnis und auf die entscheidenden menschlichen Faktoren Ihrer Tätigkeit zu konzentrieren, wie auf Kreativität und strategisches Denken.

ML und AI unterstützen sicherlich viele Anwendungen sinnvoll. Dennoch gibt es viele Bereiche, in denen diese Technologien keinen besonders großen Nutzen haben und in denen vor allem der Einfluss oder der Eingriff bzw. die Übersicht des Menschen gefragt sind. Dazu gehören folgende Bereiche:

• Langfristige Planung
• Abstraktes oder kreatives Denken
• Verstehen von Ursache und Wirkung
• Entscheidungen, bei denen Fach- oder Hintergrundwissen erforderlich ist

Darüber hinaus ist das menschliche Urteilsvermögen unverzichtbar, wenn es darum geht, unvermeidliche Verzerrungen in ML-Algorithmen zu korrigieren. Auch bei anhaltendem technischen Fortschritt werden wir wohl keine perfekten, komplett algorithmischen Lösungen erleben. Erklärbarkeit und Transparenz sind für Menschen wichtige Voraussetzungen, damit sie den Ergebnissen und Empfehlungen von Computern vertrauen. Wir möchten wissen, was innerhalb der „Black Box“ der Computermodelle vor sich geht. Erst wenn wir eine Vorstellung von diesen Vorgängen haben, sind wir bereit, computergestützten Entscheidungen auch wirklich Vertrauen zu schenken und diese in unseren Geschäftsbetrieb, ja in unser Leben aufzunehmen.

Im Gegensatz zu einer weit verbreiteten Meinung hat Machine Learning nichts mit Erfahrung zu tun, sondern in erster Linie mit Daten. Sie können einen Computer nicht einfach aus dem Stand mit der Lösung eines Problems beauftragen. Computer benötigen Daten, von denen sie lernen, und sie müssen Algorithmen erstellen, um künftige Situationen zu antizipieren. Dies beinhaltet Folgendes:

• Eine Methode zur Klassifizierung oder Darstellung der Komponenten des Datenbestands
• Kennzahlen zu Bewertung des Erfolgs
• Optimierung der Modellparameter in Bezug auf die Daten

Dazu gehört die Ermittlung einer verallgemeinerbaren Erklärung zum Datenbestand, z. B. eine allgemeine Story, mit der sich komplexe Muster oder versteckte Gesetzmäßigkeiten formulieren lassen, die ein Mensch nur schwer erfassen kann. In den heutigen Finanzinstituten werden mithilfe von ML Transkationsdaten analysiert, um Unregelmäßigkeiten zu ermitteln und zu kennzeichnen, die auf Betrug hindeuten, oder um Risiken zu bewerten und Empfehlungen für die Kreditvergabe zu geben.

Ein einfacheres Beispiel ist das Einlesen von Donut-Fotos in einen Computer, damit dieser bei künftigen Fotos feststellen kann, ob sie einen Donut enthalten. Als Erstes stellen wir dafür Fotos mit und ohne Donuts bereit und geben für den Bildklassifikator an, welches Foto einen Donut enthält. Damit werden die Daten generiert, mit denen der Computer ein Modell für eine deterministische Vorhersage erstellen kann, die „Donut“ von „Nicht-Donut“ unterscheidet. Anschließend können wir den Computer neues Bild prüfen lassen. Dieser wendet dann sein algorithmisches Modell an und trifft eine Aussage: Zeigt das Foto einen Donut oder nicht?

Künstliche Intelligenz (KI) und das Machine Learning (ML) unterscheiden sich, beruhen aber auf verwandten Konzepten. Um das Verhältnis von KI und ML auf einfache Weise zu veranschaulichen, kann man sich die KI als ein Problem vorstellen und das ML als Lösung zu dessen Behebung. Wenn als Endziel ein Computer ein Problem mit den kognitiven Fähigkeiten von (menschlicher) Intelligenz lösen soll, dann ist die Entwicklung von Algorithmen über Daten zur Anwendung auf neue und komplexere Situationen eine denkbare Methode für dieses Ziel.

Noch deutlicher wird der Unterschied, wenn man sich vor Augen hält, dass die KI Probleme behandelt, die für Menschen einfach, für Computertechniken, wie z. B. Computer Vision, hingegen schwierig zu bewältigen sind. Wir erweitern nun unser Donut-Beispiel mit einer neuen Aufgabe für den Computer: Er soll lernen, Bagels von Donuts zu unterscheiden. Das ist für einen Menschen eine sehr einfache, für einen Computer aber eine eher schwierige Aufgabe. In diesem Fall kann der Computer mithilfe der KI den Unterschied zwischen Bagels und Donuts ermitteln (das Problem), während er durch ML lernt, eine Entscheidung bei der Auswertung eines neuen Fotos zu treffen (die Lösung).

Umgekehrt bewährt sich das ML oft in Situationen, die für Computer einfacher zu bewältigen sind als für Menschen. Dazu gehört z. B. die Ausführung komplexer mathematischer Algorithmen oder die Anwendung von probabilistischen Berechnungen. Durch die Rechenkapazität von Computern lassen sich mehr anspruchsvolle Aufgaben schneller durchführen oder Muster erkennen, die einem Menschen verborgen bleiben.

Viele Unternehmen verwenden ML in Ihren Data Analytics, um damit verborgene Erkenntnisse sichtbar zu machen und um intelligentere Empfehlungen zur Unterstützung von Geschäftsentscheidungen abgeben zu können. Dies ist vor allem hilfreich für Analytics von Big Data und bei der Verarbeitung zunehmend großer wie komplexer Datenbestände. Mit Machine Learning lassen sich auch Verhaltenstrends innerhalb eines Unternehmens ermitteln, um damit Benutzern mit ähnlichen Aufgaben entsprechende Vorschläge zu machen. Dazu gehören z. B. Empfehlungen für Datenquellen für die Datenvorbereitung oder Analyse oder für analytische Inhalte, mit denen sich eine bestimmte Frage beantworten lässt.

Andere Felder für eine kontinuierliche Weiterentwicklung sind fortgeschrittene und prädiktive Analytics. Das Machine Learning kann zur Automatisierung fortgeschrittener statistischer Analysen und zur automatischen Zuordnung von Modellen mit höchster Zuverlässigkeit verwendet werden, damit auch weniger fortgeschrittene Benutzer die Möglichkeit haben, die Vorteile komplexer Modelle zu nutzen. Gleichzeitig können fortgeschrittenere Benutzer Berechnungen untersuchen und ändern. Das erhöht nicht nur Vertrauen und Transparenz, sondern ermöglicht auch das Testen unterschiedlicher „Was-wäre-wenn“-Szenarien.

Das Machine Learning wird für Analytics auch eingesetzt, damit Benutzer ihre Daten mit der natürlichen Sprache abfragen können. Das bedeutet im Grunde genommen, dass Computer lernen müssen, die menschliche Absicht und die Semantik hinter den Fragen zu interpretieren und Anfragen in eine strukturierte Abfragesprache zu übersetzen. Durch die Fortschritte in der Erkennung der natürlichen Sprache und durch andere über KI und ML unterstützte Smart Analytics-Funktionen können Anwender auch ohne klassische Datenkompetenz in neuer und aufregender Weise Erkenntnisse aus Daten gewinnen.