Wo wird Machine Learning eingesetzt?

Auch wenn vielen digital versierten Menschen klar ist, dass Machine Learning einen qualitativen Vorwärtssprung in der Computergeschichte darstellt, lohnt sich ein Blick in die tatsächlichen Einsatzfelder der Methoden. Allgemein lässt sich konstatieren, dass überall, wo viele Daten anfallen, der Einsatz von Machine Learning naheliegt. Hier folgen einige prominente Beispiele:

Selbstfahrende Fahrzeuge

Als der nächste große Wurf in der Transportbranche gelten selbstfahrende Fahrzeuge. Von dieser Art Transportmittel erwarten alle Verkehrsteilnehmer, Hersteller und Versicherungen mehr Effizienz bei gleichzeitig weniger Unfällen. Damit selbstfahrende Fahrzeuge im Massenmarkt ihren Einsatz finden, setzen die Ingenieurinnen und Ingenieure auf Machine Learning.

„Wo wird Machine Learning eingesetzt?“ weiterlesen

Machine Learning bei Spotify: Wie personalisierte Playlists entstehen

Der bekannte Musik-Streaming-Dienst Spotify setzt stark auf maschinelles Lernen, um den Wünschen seiner Kundinnen und Kunden gerecht zu werden. Im Artikel „Spotify’s Discover Weekly: How machine learning finds your new music“geht die Software-Entwicklern Sophia Ciocca auf die zugrundeliegende Technik bei Spotifys Empfehlungen ein, die für die Kundinnen und Kunden wie Magie wirken.

„Machine Learning bei Spotify: Wie personalisierte Playlists entstehen“ weiterlesen

Apple ruft Machine-Learning-Blog ins Leben

Neben den anderen US-Tech-Konzernen schien Apple bezüglich Machine Learning immer ein Schattendasein zu fristen, zumindest wirkte es so. Der Grund lag eher darin, dass Amazon, Facebook, Google und Microsoft mit ihren Versuchen und Erfolgen sehr öffentlich umgehen, während Apple im Verborgenen arbeitet und erst an die Öffentlichkeit geht, wenn sie von ihrem Produkt überzeugt sind.

Hinsichtlich Machine Learning ruft Apple nun eine bemerkenswerte Neuheit ins Leben und veröffentlicht auf einem eigenen Blog namens Apple Machine Learning Journal Beiträge zu Themen wie maschineller Text-, Bild-, Stimmen- und Spracherkennung. Die englischsprachigen Artikel gehen angenehm in die Tiefe und behandeln Ansätze wie Neuronale Netze, gehen aber auch in interdisziplinäre Gebiete wie beispielsweise linguistische Modelle.

Was ist der Turing-Test?

Der Turing-Test ist eine Idee des britischen Mathematikers und Informatikers Alan Turing. 1950 formulierte er eine Möglichkeit, festzustellen, ob eine Maschine genauso gut denken kann, wie ein Mensch.

Testaufbau

Der Test hat folgende Aufstellung: Ein Mensch sitzt vor einem Bildschirm und einer Tastatur. Er oder sie hat keinen sinnlichen Kontakt zu seinem oder ihrem Gesprächspartnerin oder Gesprächspartner. Dabei kann der Gesprächspartner ein Mensch oder eine Maschine sein.

Nun kommunizieren die beiden Gesprächspartner über Bildschirm und Tastatur. Ist einer der beiden Gesprächspartner eine Maschine und der Mensch kann nach einer längeren Zeit der Kommunikation nicht mit Sicherheit sagen kann, ob es sich beim Gegenüber um einen Menschen oder eine Maschine handelt, hat die Maschine den Turing-Test bestanden.

Was sind praktische Probleme von Machine Learning?

Ein gutes Ergebnis auf Basis von Machine-Learning-Modellen steht und fällt mit der Qualität der zur Verfügung stehenden Daten. Im Folgenden finden sich einige praktische Probleme, die im Alltag beim Einsatz von Machine Learning auftreten.

Unvollständige Daten

Es ist weder ungewöhnlich noch unwahrscheinlich, dass bei einer Menge von tausenden Datenerhebungen einige Werte fehlen oder offensichtlich fehlerhaft sind. Beispielsweise lassen manche Teilnehmerinnen und Teilnehmer einer Befragung das Feld für das „Einkommen“ oder das „Alter“ leer. Oder es gibt Missverständnisse beim Ausfüllen eines Befragungsbogens, so dass im Feld „Alter“ beispielsweise „Hannover“ steht, weil die befragte Person beim Ausfüllen in der Zeile verrutscht ist. „Was sind praktische Probleme von Machine Learning?“ weiterlesen

Was sind grundsätzliche Probleme von Machine Learning?

Schauen wir uns einmal das Diagramm oben an.

Die Zahl der Störche steigt, die Zahl der geborenen Kinder ebenfalls. In manchen Jahren fällt die Zahl der gesichteten Störche allerdings und die Zahl der geborenen Kinder sinkt in diesen Zeiträumen proportional.

Schaut man sich die Daten an, so ist alles korrekt: Die Zahlen stimmen, die Zuordnung zu den Jahren ist auch richtig. Kein Zweifel: Unser Diagramm zeigt deutlich einen Zusammenhang zwischen der Zahl der Geburten und der Anzahl der Störche. Stimmt es also doch? Bringen Störche die Kinder? Natürlich nicht. „Was sind grundsätzliche Probleme von Machine Learning?“ weiterlesen

Wozu braucht man Machine Learning?

Viele Herausforderungen sind zu komplex, um sie im Detail im Vorhinein zu programmieren. Menschen und Tiere vollbringen im Alltag Hunderte von Taten, ohne über diese nachzudenken: Gegenstände in ihrer Gänze erkennen, Sprache verstehen, Gefühle interpretieren und vieles mehr. Versucht man, diese so alltäglichen Tätigkeiten von einem Computer erledigen zu lassen, so stößt man mit dem herkömmlichen Ansatz, alle erdenklichen Situationen im Vorhinein zu bedenken und beispielsweise in einer Datenbank zu speichern, an eine nicht zu überwindende Grenze. Denkt man aber etwa an selbstfahrende Autos, so wird recht schnell klar, dass es unmöglich ist, jede Begebenheit unter allen erdenklichen Umständen an jedem Ort der Welt zu jeder Zeit vorauszudenken und dafür eine Lösung zu programmieren, so dass der Bord-Computer des Wagens im Eintreffen eines bestimmten Falles diesen identifizieren und aus der Datenbank abrufen kann. „Wozu braucht man Machine Learning?“ weiterlesen

Der allererste Erfolg beim Machine Learning mit Python

Nichts ist motivierender als ein allererster schneller Erfolg beim Erlernen einer neuen Sache und so ist es auch beim Machine Learning. Sind alle Voraussetzungen zum Start mit dem Erlernen von Machine Learning gegeben, können wir an einem ersten, einfachen Beispiel erfahren, was die Grundprinzipien des maschinellen Lernens sind. „Der allererste Erfolg beim Machine Learning mit Python“ weiterlesen

Amazon Machine Learning für alle auf der AWS re:Invent 2016

Auf der AWS re:Invent 2016 hat Amazon verschiedene Machine-Learning-Services der Öffentlichkeit vorgestellt. Insbesondere drei bisher interne Werkzeuge sollen die Phantasie der Entwicklergemeinde wecken: Rekognition, Polly und Lex. „Amazon Machine Learning für alle auf der AWS re:Invent 2016“ weiterlesen