Artikel versenden

Machine Learning – Schlüsselwerkzeug für disruptive digitale Transformationen




 

// / /

Die Welt hat sich in den letzten Jahrzehnten durch die Digitalisierung wesentlich und in unglaublichem Tempo verändert und wird dies auch weiter tun. Im Moment werden viele Unternehmen digital transformiert, oder die klugen Köpfe überlegen, wie sie diese Veränderung bei sich starten können.

Wesentliche Faktoren dieser digitalen Transformation sind:

  • Daten stehen digital auf Datenträgern (Stick, CD, SSD, Server, Cloud) zur Verfügung und werden nicht mehr auf Papier, in Köpfen oder gar nicht gespeichert.
  • Daten liegen nicht mehr irgendwo lokal auf einem Computer, sondern es kann durch Netzwerke in Echtzeit ohne Verzögerung auf Daten und Sensoren  zugegriffen werden. Dies erfolgt wesentlich durch das Internet. Durch den 5G Standard für Mobilsysteme wird dies in absehbarer Zukunft auch für bewegliche Objekte wie Autos, Drohnen, Roboter oder Teile in einer Fabrik gelten.
  • Daten können durch Programme verarbeitet werden. Diese Programme werden von Menschen (Software-Engineers) geschrieben – nicht zufällig werden Experten aus diesem Bereich händeringend gesucht.

Durch diese drei Techniken konnten unzählige Probleme gelöst werden, hier nur ein paar Beispiele:

  • Menschen können von zu Hause auf ihr Konto zugreifen.
  • Menschen können Produkte im Laden, aber auch im Internet kaufen.
  • Maschinenparks können statt über Papier und menschliches Rufen durch digitale Systeme gesteuert werden.

Die digitalen Lösungen der Probleme basieren alle darauf, dass Menschen Programme geschrieben haben, die den Umgang mit den Daten für den Menschen (Nutzer) möglich machen und die problemspezifischen Verarbeitungsschritte implementiert haben.

Für den strategischen Denker stellen sich an dieser Stelle zwei offensichtliche Fragen:

  1. Gibt es Probleme, die auf die beschriebene Art nicht lösbar sind?
  2. Gibt es Probleme, die auf andere Art besser gelöst werden könnten?

Ich möchte die Antworten auf diese Fragen an einem Beispiel verdeutlichen:

Nehmen wir an, wir möchten ein Programm schreiben, mit dem wir identifizieren können, ob sich auf einem Foto eine Katze befindet. Diese Software könnte dann gut den Einlass für eine Katzenklappe steuern. Ein von einem Programmierer geschriebenes Programm müsste Anweisungen enthalten der Art „wenn istKatzenAuge(suche_Auge) und abstand(position(suche_Auge), position((suche_Ohr)) < 5 cm“.

Für den Programmierer der Katzenerkennung ergeben sich beispielhaft die folgenden Schwierigkeiten:

  • Die Abstandsabfrage ist nur bei einer bestimmten Größe des Bildes möglich. Man müsste für alle Distanzen der Katze von der Kamera einen eigenen Programmcode schreiben.
  • Ein Hindernis könnte sich vor dem Ohr befinden, etwa ein fliegendes Blatt. Der Programmcode funktioniert dann nicht.
  • Allein die Funktion „sucheAuge“ müsste alle Pixel auf dem Bild durchsuchen. Der Programmierer müsste dabei Programmcode für alle Farbkonstellationen, Licht-und Schattenkonstellationen, Pupillengrößen und Größen des Auges auf dem Bild fest programmieren. Die Menge an Programmcode für dieses Unterfangen wäre riesig.
  • Für Teile der Katze wie Augen, Nase, Maul, Ohren, Körper, Fell, Schwanz müsste für alle Ansichten (vorne, hinten, seitlich) und Bewegungsformen (springend, schleichend, gehend und alle Zwischenformen) geprüft werden, ob die Positionen, Abstände und Größenverhältnisse übereinstimmen.
  • Wie genau könnte man ein Katzenauge in jedem Fall für alle Katzenrassen von einem Rattenauge in einer bestimmten Konstellation unterscheiden?

Diese Aufgabe möchte man keinem Programmierer zumuten, eine schier unendliche Menge von Programmcode könnte die Aufgabe vielleicht näherungsweise lösen, wäre aber sehr fehleranfällig. Irgendeine Konstellation wäre im Programm mit den festen Abfragen bestimmt nicht berücksichtigt.

Mit Machine Learning geht man ganz anders vor. Was eine Katze ist, was sie ausmacht, wird nicht durch Programmcode beschrieben. Kein Programmierer ist am Werke, sondern eine Maschine, die lernt. Kein Programmierer legt Unterscheidungen wie Maul, Auge oder Katzenöhrchen fest. Auch die Unterscheidung Abstand, Position, Licht, Farbe, Größe gibt es für die Maschine zunächst einmal nicht.

Stattdessen trainiert man die Machine mit einer Million Katzenbildern (und sagt der Maschine: da ist eine Katze drauf) und einer weiteren Million Bildern, auf denen Hunde, Ratten, Vögel oder auch andere Dinge abgebildet sind (und sagt der Maschine: da ist keine Katze drauf). Der Supervised Learning Algorithmus bildet autonom, ohne Vorgabe durch einen Menschen, Muster und Unterscheidungen heraus, die ihm helfen, Katzen auf Bildern ähnlich gut zu erkennen wie ein Mensch (menschenähnliche Performance). Die Erkennungskriterien können der menschlichen Wahrnehmung ähneln (z.B. Umrisse, Farben, ..), müssen es aber nicht. Fester Programmcode wird durch Wahrscheinlichkeitsmuster ersetzt.

Nun zurück zu den Fragen und den dazu gehörigen Antworten für den strategischen Denker:

  1. Ja, es gibt Probleme, die nicht mit dem üblichen Programmieren gelöst werden können, dafür aber durch Machine Learning Ansätze.
  2. Ja, es gibt Probleme, die bisher konventionell mit Programmieren gelöst wurden, aber mit Machine Learning Ansätzen besser gelöst werden können.

Für die zweite Antwort erinnern wir uns an die scheinbar künstlich intelligenten Expertensysteme der 1980er Jahre. Hier waren die Expertenantworten nach Regeln fest programmiert. Entsprechend limitiert war auch der Ansatz. Auch Chatlösungen waren ursprünglich fest programmiert und limitiert, heutige Chatbots, die aus den richtigen Trainingsdaten Antworten finden, sind um Klassen besser, weil die „intelligenteste“ Antwort nicht hart codiert, sondern aus statistischen Mustern ermittelt wird.

Wir können also mit Hilfe von Machine Learning Ansätzen neue Probleme lösen und einige Probleme besser lösen als durch konventionelle Programmierung. Wir müssen nicht mehr programmieren, um zu Lösungen zu kommen, die Algorithmen programmieren sich selbst. Für die Produktverantwortlichen dieser Welt steht also ein ähnlich mächtiges Werkzeug zur Verfügung wie dereinst beim Aufkommen des Internet. Für mich ist Machine Learning deshalb das Schlüsselwerkzeug für weitere disruptive digitale Transformationen, und es wird die Geschwindigkeit der Veränderung weiter erhöhen.

Ich würde gerne jedem auf der guten Seite der Macht helfen, dieses mächtige Werkzeug an den richtigen Stellen einzusetzen und die (neuen) Probleme und Lösungen zu finden. Sprechen Sie mich gerne an, auch dafür gibt es neue Werkzeuge, um

  • umfassend derzeit bekannte Anwendungsszenarien von Machine Learning zu verstehen.
  • strategisch Usecases für eigene Einsatzgebiete daraus abzuleiten.
  • ausgewählte Ansätze fokussiert auszuarbeiten (Prototyping) und mit Kollegen und Kunden zu validieren.

Ich wünsche Ihnen weiter viel Freude bei Ihrem Einstieg in die Welt des Machine Learning. Anregungen und Kommentare sind herzlich willkommen.

Auch interessant:

 

Quelle Foto: @ pixabay – pexels.com

 

 

| Keine Kommentare

 
Top | Impressum | Datenschutz