Maschinelles Lernen

Finanzdienstleister

Banken und andere Finanzdienstleister nutzen maschinelles Lernen primär für zwei Zwecke: um aus Daten wichtige Erkenntnisse abzuleiten und für die Betrugsprävention. Anhand der gewonnenen Erkenntnisse lassen sich Investment-Chancen oder die besten Zeitpunkte für Börsengeschäfte erkennen. Darüber hinaus kann man mit Data Mining Risikokunden oder mit Cyber-Überwachung Warnzeichen für Betrug identifizieren.

Government

Bei staatlichen Behörden wie zum Beispiel Sicherheitsbehörden oder Energieversorgern ist der Bedarf im Bereich maschinelles Lernen besonders hoch, denn solchen Institutionen liegen in der Regel mehrere erkenntnisträchtige Datenquellen vor. Die Analyse von Sensordaten zum Beispiel kann Möglichkeiten zur Effizienzsteigerung sowie Einsparpotenziale aufzeigen. Auch gegen Betrug und Identitätsdiebstahl kann man mithilfe des maschinellen Lernens vorgehen.

Gesundheitswesen

Im Gesundheitswesen gehört maschinelles Lernen zu den rasch wachsenden Trends. Grund dafür sind die sogenannten Wearables und sonstigen Sensoren, die den Gesundheitszustand von Patienten in Echtzeit abfragen können. Darüber hinaus eignet sich die Technologie auch als Hilfsmittel für medizinische Fachleute, die es bei der Datenanalyse zur Identifikation von Trends oder Warnzeichen nutzen können, um Diagnostik und Behandlung zu verbessern. 

Marketing und Vertrieb

Auf vielen Websites findet man als Kunde mittlerweile Kaufempfehlungen bzw. Werbung für andere Artikel, an denen man eventuell interessiert sein könnte – abgeleitet aus vorhergehenden Käufen und analysiert mithilfe maschinellen Lernens. In Datenerfassung, Datenanalyse und darauf basierender Personalisierung des Einkaufserlebnisses (oder Durchführung von Marketingkampagnen) liegt die Zukunft des Einzelhandels.

Öl- und Gasindustrie

Suche nach neuen Energiequellen. Analyse von Mineralien im Boden. Vorhersage von Sensorausfällen in Raffinerien. Eine optimierte, sprich effizientere und kosteneffektivere Ölversorgung. Die Einsatzmöglichkeiten für maschinelles Lernen in dieser Industrie sind gewaltig – und täglich werden es mehr.

Transportwesen

Datenanalysen zur Erkennung von Mustern und Trends sind in der Transportbranche ein Schlüssel zum Erfolg, denn diese steigert ihre Rentabilität nicht zuletzt durch Routenoptimierung und die Vorhersage potenzieller Probleme. Daher sind die Datenanalyse- und Modellierungstechniken des maschinellen Lernens wichtige Hilfsmittel für Speditionen, den öffentlichen Nah- und Fernverkehr und andere Transportunternehmen.

Überwachtes Lernen (Supervised Learning) – der Algorithmus trainiert anhand von gegebenen Paaren von Ein- und Ausgaben (Labels). Beispielsweise könnten die Datenpunkte eines Geräteteils mit „F“ (ausgefallen) oder „R“ (läuft) gekennzeichnet sein. Der Lernalgorithmus erhält eine Reihe von Eingaben samt zugehörigen (korrekten) Ausgaben. Er vergleicht seine tatsächliche Ausgabe mit den korrekten Ausgaben, erkennt seine Fehler und lernt auf diese Weise. Dementsprechend modifiziert er anschließend das Modell. Mit Methoden wie Klassifikation, Regression, Prognosen und Gradient Boosting werden beim überwachten Lernen anhand von Mustern die Labels für weitere Daten vorhergesagt, die noch kein Label haben. Überwachtes Lernen kommt meist dann zum Einsatz, wenn sich aus historischen Daten wahrscheinliche künftige Ereignisse ableiten lassen. Beispielsweise kann auf diese Weise vorhergesagt werden, ob Kreditkartentransaktionen wahrscheinlich betrügerisch sind oder welche Versicherungskunden wahrscheinlich Versicherungsleistungen in Anspruch nehmen.

Unüberwachtes Lernen (Unsupervised Learning) wird bei Daten verwendet, für die keine historischen Labels vorliegen. Dem System wird also keine „richtige Antwort“ gegeben. Der Algorithmus muss sich selbst einen Reim auf die vorhandenen Daten machen. Dazu muss er die Daten untersuchen und eine Struktur darin erkennen. Unüberwachtes Lernen funktioniert besonders gut bei Transaktionsdaten. So lassen sich beispielsweise Segmente von Kunden mit ähnlichen Attributen erkennen, die dann im Rahmen von Marketingkampagnen in vergleichbarer Art und Weise angesprochen werden können. Oder der Algorithmus ermittelt die Hauptattribute, die Kundensegmente voneinander unterscheiden. Gängige Anwendungen sind selbstorganisierende Karten, Nearest-Neighbor-Mapping, k-Means-Clustering und Singulärwertzerlegung. Solche Algorithmen werden auch eingesetzt, um Textthemen zu segmentieren, Empfehlungen auszugeben und Ausreißer in Daten zu erkennen.

Teilüberwachtes Lernen (Semisupervised Learning) wird für die gleichen Zwecke eingesetzt wie überwachtes Lernen. Zum Training werden jedoch Daten mit und ohne Label genutzt – in der Regel ein kleiner Bestand an Daten mit Label und ein großer Bestand ohne, denn Daten ohne Label sind weniger kostenintensiv und mit weniger Aufwand zu bekommen. Diese Art des Lernens kann in Verbindung mit Methoden wie Klassifikation, Regression und Prognosen erfolgen. Teilüberwachtes Lernen bietet sich an, wenn die Kosten für das Labeling sämtlicher Daten zu hoch wären. Zu den frühesten Beispielen für diese Technik gehört die Identifikation von Gesichtern in Webcam-Aufnahmen.

Bestärkendes Lernen (Reinforcement Learning) kommt im Zusammenhang mit Robotik, Computerspielen und Navigation zum Einsatz. Beim bestärkenden Lernen erkennt der Algorithmus durch Versuch und Irrtum, welche Aktionen die höchste Belohnung erbringen. An dieser Art des Lernens sind drei Hauptkomponenten beteiligt: der Agent (der Lernende oder Entscheidungsträger), die Umgebung (alles, womit der Agent interagiert) und die Aktionen (das, was der Agent tun kann). Ziel des Agenten ist es, Aktionen zu wählen, die die erwartete Belohnung innerhalb eines bestimmten Zeitraums maximieren. Der Agent erreicht das Ziel viel schneller, wenn er eine geeignete Strategie anwendet. Ziel beim bestärkenden Lernen ist es also, die beste Strategie zu erlernen.