technologie

Dezember 19, 2019

5 Min. lesen

Die Rolle von maschinellem Lernen in der Industrie

Die Rolle von maschinellem Lernen in der Industrie

Alan Turing entwickelte 1950 den „Turing-Test“, um die Frage zu beantworten, ob Maschinen denken können. Seit damals hat sich das maschinelle Lernen von einem rein theoretischen Konzept zu einem Prozess entwickelt, der für einige der größten weltweiten Unternehmen nicht mehr wegzudenken ist.

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz (KI) und beschäftigt sich damit, wie Maschinen selbstständig lernen, Aufgaben durchzuführen, für die sie nicht explizit programmiert worden sind. Das schaffen sie, indem sie aus Erfahrung lernen – indem sie Algorithmen nutzen, in zur Verfügung stehenden Daten Muster erkennen und daraus Erkenntnisse ableiten. Das bedeutet, dass Maschinen nicht für die Ausführung genau definierter Aufgaben immer wieder neu programmiert werden müssen, sondern dass sie selbstständig Fehler in einem Prozess erkennen und korrigieren können.

Maschinelles Lernen wird heute in zahlreichen verschiedenen Branchen verstärkt eingesetzt – laut Prognose des Marktforschungsinstituts „Research and Markets“ soll der Markt für maschinelles Lernen bis 2022 mit einer jährlichen Wachstumsrate von 44,1 Prozent auf einen Wert von 8,81 Milliarden Dollar wachsen. Einer der bedeutendsten Gründe für den Anstieg der Nutzung dieser Technologie ist, dass Unternehmen heute enorme Datenmengen sammeln, und ein effizienter Umgang mit Big Data bedeutet, dass man auch in der Lage sein muss, daraus nützliche und wertvolle Erkenntnisse zu generieren. Maschinelles Lernen ist ein effizienter Weg zur sinnvollen Nutzung solcher Daten, bei denen es sich zum Beispiel um Sensordaten handeln kann, die Informationen über den Zustand von Maschinen in der Werkhalle sammeln.

Im Laufe der Weiterentwicklung und des Wachstums dieses Marktes werden auch neue Arten des maschinellen Lernens entstehen, die wiederum in neuen Anwendungen eingesetzt werden können. Aktuell jedoch fallen viele Beispiele für maschinelles Lernen auf dem heutigen Stand der Technik in zwei Kategorien: überwachtes Lernen und unüberwachtes Lernen.

Überwachtes Lernen

Eine beliebte Form des maschinellen Lernens ist das überwachte Lernen, das typischerweise in Anwendungen eingesetzt wird, in denen historische Daten zur Entwicklung von Trainingsmodellen zur Prognose zukünftiger Ereignisse genutzt werden, wie beispielsweise zum Aufspüren betrügerischer Aktivitäten bei Kreditkartentransaktionen. Bei dieser Form des maschinellen Lernens werden Eingabe und Ausgaben identifiziert und Algorithmen mithilfe von Beispielen trainiert, deren Zielwerte bekannt sind. Das überwachte Lernen nutzt zur Mustererkennung Methoden wie zum Beispiel Klassifikation, Regression, Vorhersage und das so genannte „Gradient Boosting“, bei dem das übliche Boosting-Verfahren der Kombination mehrerer einfacher Prognosemodelle mit einem speziellen Gradienten-Algorithmus kombiniert wird. Dann werden diese Muster als Basis für die Prognose der Zielwerte neuer, unbekannter Daten herangezogen.

Diese Art des maschinellen Lernens wird heute bei der Erforschung und Entwicklung neuer Medikamente in Anwendungen wie der Zielvalidierung, der Identifikation von Biomarkern und der Analyse digitaler Pathologie-Daten in klinischen Studien eingesetzt. Diese Nutzung von maschinellem Lernen fördert die datengetriebene Entscheidungsfindung und kann nicht nur die Entdeckung neuer Medikamente und deren Entwicklungsprozess beschleunigen, sondern auch die Erfolgsraten steigern.

Unüberwachtes Lernen

Anders als beim überwachten Lernen kommen beim unüberwachten Lernen Datenbestände ohne historische Daten zum Einsatz. Stattdessen werden dabei gesammelte Daten untersucht, um Strukturen und Muster darin zu identifizieren. Unüberwachtes maschinelles Lernen wird heute in Produktionsanlagen im Kontext der prädiktiven Instandhaltung genutzt. Maschinen könnten lernen, welche Daten und Algorithmen Fehler im System anzeigen und diese Informationen dann nutzen, um Probleme schon zu identifizieren, bevor sie sich manifestieren.

Diese Art der Nutzung von maschinellem Lernen führt zur Verringerung ungeplanter Stillstandszeiten, da Hersteller dadurch in der Lage sind, Ersatzteile von einem Zulieferer für Automatisierungsausrüstung zu bestellen, noch bevor es tatsächlich zu einem Defekt kommt, was natürlich eine Menge Zeit und Geld spart. Laut einer Umfrage von Deloitte reduziert die Nutzung von Machine-Learning-Technologien in der Fertigungsbranche ungeplante Stillstandszeiten um 15 bis 30 Prozent und senkt die Wartungskosten um 30 Prozent.

Wir Menschen sind also nicht mehr die Einzigen, die selbstständig denken können – auch Maschinen, wie beispielsweise Googles intelligenter Sprachassistent „Duplex“, sind nun in der Lage, den Turing-Test zu bestehen. Hersteller können maschinelles Lernen nutzen, um Instandhaltungsprozesse zu verbessern, sowie als Grundlage, um in Echtzeit intelligente, auf Daten basierende Entscheidungen treffen zu können.

Ähnliche Artikel

[{ "site.code": "de", "general.cookie_message": "Diese Website benutzt Cookies, um sicherzustellen, dass Sie die beste Erfahrung auf unserer Website.", "general.cookie_learnmore": "Mehr Informationen", "general.cookie_dismiss": "Ich habs!" }]