Was ist Machine Learning? Ein Überblick über ML

In diesem Leitfaden zu Machine Learning besprechen wir folgende Themen:

• Was ist Machine Learning?
• Wie funktioniert Machine Learning?
• Was sind die vier Kategorien des Machine Learning?
• Wie setzen Unternehmen Machine Learning ein?

Schon seit dem Aufkommen der Mechanisierung in den frühen 1800er-Jahren hat die Menschheit intelligente Maschinen zur Verbesserung unserer Lebensqualität entwickelt. Von der Dampfmaschine bis zum selbstfahrenden Auto ist jede Epoche der Moderne geprägt durch ihre technologischen Fortschritte. Machine Learning (ML) bildet da keine Ausnahme. Das Besondere an Machine Learning ist, dass die Auswirkungen dieser Technologie nicht auf einen einzigen Aspekt des täglichen Lebens beschränkt sind. So liegen Machine Learning-Algorithmen den meisten technologischen Innovationen der letzten fünf Jahre zugrunde.

Vermutlich haben Sie täglich mit ML zu tun – und sind sich dessen vielleicht gar nicht bewusst. Hier sind vier Bereiche, in denen Machine Learning – jenseits von Science Fiction – bereits für bedeutende Veränderungen gesorgt hat:

• Generierung maßgeschneiderter Anwenderempfehlungen auf Plattformen wie Spotify, Netflix und Google
• Identifizierung einer Person oder eines Objekts anhand eines Bildes zur Gesichtserkennung und visuellen Suche
• Spracherkennung und Datenverarbeitung für virtuelle persönliche Assistenten wie Alexa und Siri
• Betrugserkennung bei Finanztransaktionen auf Basis der bisherigen Verhaltensmuster

Bereits 1959 definierte Arthur Samuel, ein früher Pionier der künstlichen Intelligenz (KI), Machine Learning als „Forschungsgebiet, das Computer in die Lage versetzen soll, zu lernen, ohne explizit dafür programmiert zu sein“. Heute, fast 70 Jahre später, lässt sich diese Definition um eine Vielzahl unterschiedlicher Algorithmen und Modelle erweitern. Im Folgenden erfahren Sie, was Machine Learning ist, wie sich diese Technologie von anderen Formen der künstlichen Intelligenz unterscheidet und warum sie für Ihr Unternehmen wichtig ist.

Was ist Machine Learning?

Machine Learning ist ein Teilbereich der künstlichen Intelligenz, der sich mit der Entwicklung von Computern beschäftigt, die auf ähnliche Weise lernen wie Menschen. Durch den Einsatz von Algorithmen, die die menschliche Intelligenz zu imitieren versuchen, ermöglicht Machine Learning der KI, durch Iteration immer bessere Ergebnisse zu erzielen. Diese Fähigkeit, Probleme zu lösen und Vorhersagen ohne explizite Programmierung zu treffen, macht ML äußerst anpassungsfähig.

Durch Machine Learning sind Computer zwar in der Lage, bis zu einem gewissen Grad selbstständig zu lernen, allerdings benötigen sie nach wie vor menschlichen Input. Darum speisen Datenwissenschaftler Trainingsdaten in einen ML-Algorithmus ein, um daraus ein entsprechendes Modell zu entwickeln. Nach dieser Anlernphase wird das Modell um Live-Daten ergänzt, durch die die Anwender dann neue Prognosen erstellen können. Die Ergebnisse dieser Prognosen fungieren auch wiederum als Trainingsdaten, die die Genauigkeit des Modells erhöhen, was als „Flywheel-Effekt“ bezeichnet wird und den Fortschritt beschleunigt.

Machine Learning und künstliche Intelligenz im Vergleich

Künstliche Intelligenz bezeichnet jede Form von Technologie, die es Maschinen ermöglicht, menschliche Intelligenz zu simulieren. KI und Machine Learning haben einen engen Bezug zueinander und verfolgen ähnliche Ziele. KI umfasst jedoch viele Methoden, die über ML hinausgehen, darunter Suchalgorithmen, regelbasierte Systeme und genetische Algorithmen. Aber nicht nur das: KI steht auch in einem breiteren kulturellen Zusammenhang. So werden derzeit zahlreiche Diskussionen und Debatten über theoretische die künftige KI-Entwicklung und -Ausrichtung geführt.

Wenn wir KI als das weiter gefasste Konzept betrachten, so lässt sich ML als eine konkrete KI-Anwendung definieren. Alle KI-Methoden verfolgen das gleiche Ziel: Sie sollen eine Maschine in die Lage versetzen, eine komplexe Aufgabe effizient zu erledigen. Als Teilbereich der KI erreicht Machine Learning dieses Ziel durch die Analyse großer Datenmengen. Der Fokus eines ML-Modells ist jedoch enger gefasst, da es in der Regel auf eine bestimmte Aufgabe ausgerichtet ist.

Machine Learning und Deep Learning im Vergleich

Deep Learning ist eine Form des Machine Learning, wobei hier anhand von neuronalen Netzen die Struktur des menschlichen Gehirns auf präzise Weise nachgeahmt wird. Für Deep Learning sind viel mehr Daten und Rechenleistung erforderlich als für Machine Learning, da dabei relativ wenige menschliche Eingriffe erforderlich sind. Durch den Einsatz mehrerer Verarbeitungsebenen neuronaler Netze können Deep-Learning-Modelle umfangreiche unstrukturierte Datensätze analysieren und daraus lernen. Genauso wie künstliche Intelligenz ein übergreifender Begriff ist, lässt sich Machine Learning wiederum als übergeordnete Kategorie erklären, die Deep Learning umfasst.

Der Schlüssel zum Verständnis von Deep Learning liegt in neuronalen Netzen, auch künstliche neuronale Netze (KNN) oder simulierte neuronale Netze (SNN) genannt. Neuronale Netze bestehen aus Tausenden (oder sogar Millionen) einfacher Verarbeitungsknoten, die über eine Struktur mit mehreren Schichten miteinander verbunden sind. Dadurch können sie komplexe nichtlineare Beziehungen zwischen Input- und Output-Daten modellieren und Daten effizienter klassifizieren. Besonders nützlich erweist sich dies bei der Computer Vision: Davon spricht man, wenn Maschinen Bilder auf gleiche Weise dekodieren wie Menschen.

Wie funktioniert Machine Learning?

Machine-Learning-Modelle können viele verschiedene Formen annehmen (mehr dazu weiter unten), die Grundprinzipien sind dabei aber nahezu identisch. Nach Angaben der University of California, Berkeley, bestehen ML-Algorithmen in der Regel aus drei Komponenten:

1. Mustererkennung und Vorhersagen: ML-Modelle werden am häufigsten zur Klassifizierung von Daten oder zur Prognose von Ergebnissen verwendet. So beginnt jeder neue Entscheidungsprozess mit einer ersten Schätzung. Anhand der Input-Daten versucht der Algorithmus, die Art des Musters zu „erraten“, das er finden soll.
2. Fehlerberechnung: Als Nächstes muss der Algorithmus seine Schätzung mit vorhandenen Beispielen abgleichen (sofern diese zur Verfügung gestellt wurden). Je nachdem, für wie genau er seine erste Schätzung hält, kann er die Fehlerwahrscheinlichkeit berechnen.
3. Optimierung: Schließlich analysiert der Algorithmus den Entscheidungsprozess, mit dem er zu seiner Schätzung gelangt ist, und passt ihn für künftige Iterationszyklen an. Durch Anpassung der Gewichtung der einzelnen Parameter verringert er die Abweichungen zwischen den eingespeisten Beispielen und seinen eigenen Schätzungen. Durch diesen ständigen Prozess der Iteration, Evaluierung und Optimierung liefert das finale Modell immer genauere Ergebnisse.

Um beispielsweise ein Bilderkennungssystem zu trainieren, könnten Datenwissenschaftler eine Reihe markierter Hunde- und Katzenbilder in den Algorithmus einspeisen. Anhand dieser Input-Daten studiert der Algorithmus die Unterschiede zwischen Katzen und Hunden. Zu diesen differenzierenden Parametern gehören beispielsweise die Größe und das Profil der einzelnen Tiere, die unterschiedlichen Felltypen und die Gesichtszüge.

Der Algorithmus weist dann allen Parametern eine Gewichtung zu, je nachdem, für wie nützlich und relevant er sie für die Unterscheidung hält. Gelingt es ihm, eine Katze zu identifizieren, wird die Gewichtung nicht angepasst. Wenn er aber falsch liegt, werden die Parameter, die zu dieser Schlussfolgerung geführt haben, weniger stark gewichtet. Auf diese Weise verringert das Modell nach und nach seine eigene Fehlerquote.

Was sind die vier Kategorien des Machine Learning?

Machine-Learning-Modelle werden in der Regel danach kategorisiert, wie der jeweilige Algorithmus lernen soll. Die vier häufigsten Kategorien des Machine Learning sind überwachtes Lernen, unüberwachtes Lernen, halbüberwachtes Lernen und bestärkendes Lernen. Sie sind jedoch breit gefächert, und viele Machine Learning-Modelle enthalten Aspekte aller vier Kategorien. Deep-Learning-Modelle zum Beispiel können in jede dieser vier Kategorien fallen.

Die Wahl der richtigen Art von Machine Learning für eine Aufgabe hängt weitgehend von dem spezifischen Ziel und dem Dataset ab, mit denen Datenwissenschaftler arbeiten. So werden Algorithmen oft an die spezifischen Herausforderungen angepasst, mit denen die Teammitglieder (oder die Endanwender) konfrontiert sind. Welches Machine-Learning-Modell für Ihre Bedürfnisse am besten geeignet ist, lässt sich am besten beurteilen, wenn Sie verstehen, wie die einzelnen Algorithmen funktionieren.

Wie funktioniert überwachtes Lernen?

Beim Supervised Machine Learning, auch überwachtes Lernen genannt, werden markierte Trainingsdaten verwendet. Datenwissenschaftler weisen markierten Daten ein oder mehrere Tags zu, um dem Algorithmus einen sinnvollen Kontext zu geben, beispielsweise bestimmte Kategorien oder Zahlenwerte. Verschiedene E-Mails können beispielsweise als „Spam“ und „kein Spam“ markiert werden, sodass der ML-Algorithmus eine strukturierte Anleitung zum Lernen erhält.

Durch eine Analyse der Beziehung zwischen Input (Daten) und Output (Markierung) stellt der Algorithmus einen Bezug zwischen den beiden Werten her. Sobald dieses Training abgeschlossen ist und die Gewichtung entsprechend angepasst wurde, kann das Modell den Output für neue Daten vorhersagen. Aufgrund ihrer relativen Einfachheit ist dies aktuell die häufigste Form des Machine Learning. Hier sind einige Beispiele für überwachte Lerntechniken:

• Lineare Regression: Hierbei wird eine lineare Beziehung zwischen einer abhängigen Variablen (dem Input, z. B. den Werbeausgaben) und einer unabhängigen Variablen (dem Output, z. B. dem Gesamtertrag) hergestellt, um zukünftige Ergebnisse vorherzusagen. Damit lässt sich die Stärke der Beziehung zwischen den Variablen schätzen und der Wert der abhängigen Variablen bei Annahme eines bestimmten Werts der unabhängigen Variable ermitteln. So lässt sich beispielsweise prognostizieren, wie sich das Gehalt auf die Mitarbeiterzufriedenheit auswirkt.
• Logistische Regression: Hierbei wird die Wahrscheinlichkeit eines binären Ergebnisses auf der Grundlage einer oder mehrerer unabhängiger Variablen vorausgesagt. Die Ergebnisse sind immer binär, also „ja/nein“, „1/0“ oder „wahr/falsch“. Dies wird in erster Linie für Prognosen und Klassifizierungsaufgaben verwendet, z. B. zur Ermittlung des Abwanderungsrisikos von Mitarbeitern.
• Entscheidungsbäume: Mit dieser baumartigen Struktur werden zukünftige Ergebnisse und Vorhersagen mithilfe verzweigter Entscheidungen modelliert. Anhand dieser verzweigten Entscheidungssequenzen lassen sich komplexe Datasets kategorisieren und Möglichkeiten zur Gruppierung und Visualisierung der Daten aufzeigen. Dies ist nützlich bei der Strategieplanung, beispielsweise bei der Erstellung eines Budgets oder bei der Bewertung der Auswirkungen des Kaufs einer neuen Lösung.

Wie funktioniert unüberwachtes Lernen?

Unsupervised Machine Learning bzw. unüberwachtes Lernen basiert ausschließlich auf nicht gekennzeichneten Datasets. Unüberwachte ML-Algorithmen analysieren Datasets auf Trends und teilen die Datenpunkte dabei in verschiedene Gruppen ein. Da kaum menschliche Eingriffe erfolgen, lassen sich auf diese Weise oft Muster aufdecken, die anderenfalls verborgen bleiben würden.

Unüberwachtes Lernen wird zwar in erster Linie zum Data-Clustering verwendet, es gibt aber auch viele weitere Bereiche, in denen es sich als nützlich erweisen kann. Zu den üblichen Anwendungsfällen von Algorithmen, die unbeaufsichtigt lernen, zählen wie folgt:

• K-Means-Clustering: Dabei werden Datenpunkte auf der Grundlage ähnlicher Merkmale in Gruppen eingeteilt, sodass zugrunde liegende Muster aufgedeckt werden. K-Means-Clustering-Algorithmen suchen nach einer festen Zielanzahl (K) von Clustern, die von den Datenwissenschaftlern festgelegt wird. Aufgrund der Einfachheit und Effizienz ist dies eine der beliebtesten Formen von Clustering-Algorithmen. Empfehlungsmaschinen, wie sie beispielsweise von Social-Media-Plattformen eingesetzt werden, machen häufig von K-Means-Clustering Gebrauch, um Inhalte auf der Grundlage des vorherigen Verhaltens eines Anwenders vorzuschlagen.
• Assoziationsregel: Hierbei wird die Stärke der Beziehungen zwischen Datenelementen ermittelt. Dazu wird die Häufigkeit des Auftretens der komplementären Elemente bestimmt. Durch das Aufspüren von Assoziationen, die weitaus häufiger auftreten als bei einer Zufallsstichprobe, können Unternehmen eine entsprechende Strategie entwickeln. Dies ist besonders nützlich, um Kauftrends zu ermitteln, z. B. Produkte, die oft zusammen gekauft werden.
• Dimensionsreduktion: Hierbei wird ein Dataset vereinfacht, indem redundante Merkmale und unbereinigte Daten entfernt werden, während relevantere Dimensionen erhalten bleiben. Bei großen Datasets mit spärlichen Rohdaten erleichtert die Reduzierung der Variablenzahl die Analyse auf signifikante Weise. Die Technologie zur Verarbeitung natürlicher Sprache extrahiert zur Spracherkennung beispielsweise häufig nur jene stimmlichen Merkmale, die als relevant erkannt werden.

Wie funktioniert halbüberwachtes Lernen?

Semisupervised Machine Learning bzw. halbüberwachtes Lernen schließt – wie der Name schon sagt – die Lücke zwischen überwachten und unüberwachten Lernmethoden. Während des Trainingsprozesses kommen dabei sowohl markierte als auch unmarkierte Daten zum Einsatz. Wird ein Algorithmus mit kleinen Mengen markierter Daten angelernt, so kann er das Erlernte auf das gesamte unmarkierte Dataset anwenden. Da die Datenmarkierung oft ein langwieriger und kostspieliger Prozess ist, bietet sich das halbüberwachte Lernen als effiziente Lösung an.

Als Mittelweg zwischen den beiden zuvor genannten Methoden bedient diese Technik ähnliche Anwendungen. Hier sind drei Situationen, in denen sich halbüberwachtes Lernen als sinnvoll erweisen kann:

• Betrugserkennung: Verfügt ein Team im Finanzbereich nur über eine Handvoll bestätigter Beispiele für betrügerische Aktivitäten, können halbüberwacht lernende Systeme anhand des kleineren Datasets trainiert werden. Da Betrug sowohl eine Anomalie als auch schwer aufzudecken ist, erspart diese Methode den Buchhaltern das Durchsuchen Tausender von Transaktionen.
• Klassifizierung von Inhalten: Menschen kostet es teilweise sehr viel Zeit, umfangreiche Informationsmengen durchzulesen und zu annotieren. Beim halbüberwachten Lernen muss hingegen nur eine kleine Auswahl an manuell gekennzeichneten Beispielen zusammengestellt werden. So lassen sich etwa Webseiten für Suchmaschinen und eingehende E-Mails für E-Mail-Clients klassifizieren – neben vielen weiteren Anwendungsfällen.
• Spracherkennung: Die Erfassung menschlicher Sprache in all ihrer Vielfalt und Komplexität – einschließlich der Akzente und stimmlichen Varianzen – ist keine leichte Aufgabe. Beim halbüberwachten Lernen verarbeitet das Modell eine kleine Trainingsmenge an von Menschen annotierten Audiodaten, bevor es selbständig lernt. Bei den Selbstlerntests von Meta sank die Wortfehlerquote dabei um 33,9 %.

Wie funktioniert bestärkendes Lernen?

Reinforcement Machine Learning bzw. bestärkendes Lernen arbeitet anhand der Trial-and-Error-Methode (Versuch und Irrtum). Anders als bei anderen Methoden wird der Algorithmus beim bestärkenden Lernen mit einem bestimmten Ziel und klaren Regeln programmiert, denen er folgen soll. Außerdem werden die Ergebnisse anhand eines Punktesystems bewertet: Bei positivem Output werden Punkte zum Ergebnis addiert und im negativem Fall davon subtrahiert. Diese Feedbackschleife dient dazu, die Ergebnisse mit der Zeit zu verbessern.

Die Algorithmen, die auf diese Weise trainiert werden, eignen sich am besten für sequenzielle entscheidungsbasierte Szenarien wie Spiele, Robotik oder Projektmanagement. Da es Anreize zur Identifizierung des effizientesten Wegs maximaler Belohnung liefert, kann das bestärkende Lernen ein mächtiges Entscheidungsinstrument sein.

Wie setzen Unternehmen Machine Learning ein?

In der digitalen Arbeitswelt erweisen sich Daten als das wertvollste Gut eines Unternehmens. Machine Learning stellt eine Chance für Unternehmen dar, mithilfe historischer Daten bessere Strategien für die Zukunft zu entwickeln. Unternehmen, die sich immer noch auf manuelle Prozesse verlassen und ihre Daten nicht in vollem Umfang nutzen, werden ins Hintertreffen geraten, da die KI-gestützte Belegschaft zunehmend zur Norm wird.

Laut einer Workday-Studie sind 80 % der Entscheidungsträger der Meinung, dass KI für die Wettbewerbsfähigkeit ihres Unternehmens unerlässlich ist. Dennoch glauben 76 %, dass sie ihre Kenntnisse im Bereich KI- und ML-Anwendungen vertiefen müssen. Um erfolgreich zu sein, müssen Führungskräfte verstehen, in welchen Bereichen Machine Learning den größten Nutzen für ihr Unternehmen bringen kann.

Im Folgenden finden Sie einige Beispiele dafür, wie Workday-Kunden unsere eingebetteten ML-Funktionen schon heute nutzen:

• Optimierte Personalbeschaffung: Die manuelle Auswertung großer Mengen von Bewerbungen ist mitunter eine Mammutaufgabe. Mithilfe von Machine Learning können Recruiter jedoch ihre Personalanforderungen schnell mit potenziellen Kandidaten abgleichen und diese je nach Eignung in Gruppen einteilen. Ein großer multinationaler Automobilhersteller konnte durch den Einsatz von HiredScore AI for Recruiting die Effizienz der Bewerberauswahl um 70 % steigern*. 
• Identifizieren und Verfolgen von Skills und Kompetenzen: Es ist nicht leicht, die gesamte Bandbreite und Tiefe der Talente in Ihrer Belegschaft zu erfassen. Anstatt sich auf einen Grundkatalog an Skills und Kompetenzen zu verlassen, können Sie sich mit Machine Learning einen mehrdimensionalen Überblick verschaffen. Ganz gleich, ob Sie Einblicke in Kompetenzdefizite gewinnen oder Skills und Kompetenzen nach Branche, Region und Fachgebiet gruppieren möchten – ML ist für die Entwicklung einer kompetenzorientierten Talentstrategie von entscheidender Bedeutung.
• Förderung der internen Mobilität: Wenn Ihre Talente nicht regelmäßig die Chance erhalten, sich weiterzuentwickeln und zu wachsen, besteht ein Fluktuationsrisiko. Machine Learning kann maßgeschneiderte Lernempfehlungen und Stellenangebote auf der Grundlage der Kompetenzen, Rolle und Betriebszugehörigkeit einer Person ausgeben. Durch den Einsatz unserer ML-generierten Stellenempfehlungen gelang es einem großen globalen Immobilienunternehmen, die interne Mobilität um 10 % zu steigern. 
• Verbesserung der Prozesseffizienz für Manager: People Leader verbringen viel wertvolle Zeit mit manuellen Prozessen. Mit ML können sie die Zeitplanung optimieren, anhand von Mitarbeiter-Feedback wichtige Einblicke gewinnen und Zeitanomalien auf den Grund gehen. Auf diese Weise erzielte ein Corporate-Venture-Unternehmen eine Manager-Selfservice-Quote von 50 % bei HR-Prozessen, wodurch eine weitaus bessere Regulierung und Verantwortlichkeit gewährleistet werden konnte. 
• Intelligente Finanzautomatisierung: Die Automatisierung hat zwar viele Bereiche des Finanzwesens erfasst, doch noch immer werden zu viele Prozesse manuell erledigt. Mithilfe von Automatisierungsfunktionen auf ML-Basis ist es möglich, Lieferantenrechnungen zu prüfen, Spesenbelege einzuscannen und Kundenzahlungen abzugleichen.
• Erkennung von Datenanomalien: Die Güte eines Unternehmens bemisst sich an der Qualität seiner Finanzdaten. Mit Machine Learning kann man Anomalien im Hauptbuch frühzeitig erkennen und die Prognosegenauigkeit verbessern, sodass sich die Finanzfachleute auf noch strategischere und nützlichere Aufgaben konzentrieren können.

Mit Workday den nächsten Schritt wagen

Einer globalen Workday-Studie unter Führungskräften zufolge glauben 98 % der CEOs, dass die Implementierung von KI und ML mit einem unmittelbaren geschäftlichen Nutzen einhergeht. Doch nur 1 % der Befragten bezeichnet ihre Anwendung von KI als „ausgereift“. Dementsprechend groß ist der potenzielle Wettbewerbsvorteil für Unternehmen, die KI in ihre Abläufe integrieren.

Eines der größten Hindernisse für Führungskräfte ist mangelndes Vertrauen. Wir bei Workday glauben an verantwortungsvolle KI, die sich durch Transparenz, Erklärbarkeit, Datenschutz und Sicherheit auszeichnet. Alle KI-Technologien, die wir unseren Kunden an die Hand geben, wurden nach Maßgabe einer verantwortungsvollen KI-Praxis designt. Wir dokumentieren unsere Einhaltung bestehender und neuartiger Vorschriften und Best Practices und stellen unseren Kunden Datenblätter zur Verfügung, in denen erläutert wird, wie unsere Lösungen entwickelt, beurteilt und verwaltet werden.

Darüber hinaus ist Workday AI in den Kern unserer Plattform integriert, sodass wir schnell neue KI-Funktionen zum Einsatz bringen können, die unseren Kunden einen echten Mehrwert bieten. Unsere KI wird anhand des branchenweit größten und reinsten Bestands an Finanz- und Personaldaten trainiert, sodass sie stets auf Fakten basiert. Über 65 Millionen Anwender nutzen dieselbe Version von Workday. Damit verfügen unsere Kunden über jene exklusiven, vertrauenswürdigen Daten, die notwendig sind, um mit Machine Learning fit für die Zukunft zu werden.

Wenn Sie mehr darüber erfahren möchten, wie Workday Ihre KI- und ML-Transformation unterstützt, dann besuchen Sie unsere Technologieseite.

* HiredScore ist ein Tochterunternehmen von Workday.