Machine Learning

Machine Learning, auf Deutsch maschinelles Lernen, bezeichnet einen Teilbereich der künstlichen Intelligenz, bei dem Computer aus Daten lernen, statt durch starre Regeln programmiert zu werden. Ein Algorithmus analysiert dabei grosse Mengen an Beispielen, erkennt darin wiederkehrende Muster und nutzt diese, um Vorhersagen zu treffen oder Entscheidungen vorzuschlagen. Je mehr passende Daten zur Verfügung stehen, desto genauer wird das Ergebnis in der Regel.

Technisch unterscheidet man typischerweise drei Lernarten. Beim überwachten Lernen bekommt das System bereits beschriftete Beispiele, etwa Rechnungen mit der Information "bezahlt" oder "offen", und lernt daraus, neue Rechnungen einzuordnen. Beim unüberwachten Lernen sucht der Algorithmus selbst nach Strukturen in den Daten, zum Beispiel um Kundengruppen mit ähnlichem Kaufverhalten zu finden. Beim bestärkenden Lernen lernt das System durch Versuch und Irrtum mit Belohnungssignalen, was häufig in der Robotik oder bei Steuerungsaufgaben zum Einsatz kommt. Eingesetzt werden diese Verfahren in der Spracherkennung, Bildanalyse, Betrugserkennung, Wartungsplanung und in praktisch jeder Form von Empfehlungssystem.

Für kleine und mittlere Unternehmen ist maschinelles Lernen heute oft schon im Einsatz, ohne dass es so genannt wird. Der Spamfilter im Postfach, die Texterkennung beim Einscannen von Belegen, die Umsatzprognose in der Buchhaltungssoftware oder die Produktempfehlung im eigenen Onlineshop basieren typischerweise auf ML-Modellen. Wer eigene Daten sinnvoll nutzen will, etwa Verkaufszahlen, Lagerbestände oder Servicetickets, kann mit maschinellem Lernen Nachfrage vorhersagen, Ausschuss reduzieren oder Kundenanfragen automatisch vorsortieren. In den meisten Fällen kommt die Technik über fertige Werkzeuge ins Unternehmen, ein eigenes Modell muss selten von Grund auf entwickelt werden.

Die Chancen liegen in Effizienzgewinnen und besseren Entscheidungen auf Basis der eigenen Datenlage. Grenzen ergeben sich dort, wo Daten unvollständig, verzerrt oder zu wenig vorhanden sind, denn ein Modell ist immer nur so gut wie das Material, mit dem es trainiert wurde. Verwandt sind Begriffe wie Deep Learning, neuronale Netze und Predictive Analytics.