Artikel teilen:

Machine Learning und Data Science haben seit ihrer Entstehung massiv an Bedeutung gewonnen. Obwohl die grundlegenden Forschungsgebiete schon seit den 1940ern existieren, haben diese aber erst nach mehreren Wellen begünstigt durch verschiedene Trends und Innovationen in den letzten Jahren rasant an Fahrt aufgenommen.

Mittlerweile kann man Machine Learning Lösungen in immer mehr Branchen zu finden – Tendenz stark steigend. Was sind aktuell die wichtigsten Anwendungsgebiete und welche Chancen bieten sich für die Zukunft?

Unser Alltag und Geschäftsleben wird schon jetzt teilweise von lernenden Programmen bestimmt, vielleicht ohne dass uns dies bewusst ist. Hinter Spamfiltern für E-Mail Programme, der Gesichtserkennung von Facebook, personalisierter Werbung oder den Empfehlungslisten auf Netflix oder Amazon verbergen sich Machine Learning Algorithmen.

Die bekanntesten Anbieter im Bereich Machine Learning sind Internet- und Technologie-Führer wie Google, Microsoft, IBM, Amazon, Facebook und Apple. Google nutzt Machine Learning Algorithmen beispielsweise für seine Suchmaschinen-Rankings, IBM ist für sein intelligentes System Watson bekannt und Apple verwendet Natural Language Processing für sein Spracherkennungssystem Siri. Darüber hinaus gibt es aber eine Vielzahl von Startups, die mit innovativen Ideen und fokussierten Teams neue Ansätze für verschiedenste Problemstellungen auf den Markt bringen.

Das ist aber nur ein kleiner Ausschnitt aus den vielfältigen Anwendungsmöglichkeiten. Wo überall kann man diese Technologie mittlerweile finden?

Verkehr & Mobilität

Machine Learning Algorithmen werden dazu genutzt, verschiedenste Aufgaben in autonom fahrenden Autos zu erfüllen. Durch das Zusammenführen von Daten aus externen und internen Sensoren wie Radar, Kameras oder Leidar werden Anwendungen wie die Analyse des Fahrerzustands oder der Fahrzeugumgebung möglich. Dazu gehört beispielsweise die Erkennung, Identifikation und Lokalisierung eines Objektes und daraus folgend eine Vorhersage über seine Trajektorie.

Nicht nur in den Autos selbst wird Machine Learning verwendet. In Milton Keynes sollen beispielsweise dieses Jahr noch AI-gesteuerte Ampeln installiert werden, die erkennen können, wo sich Ansammlungen von Fahrzeugen bilden und darauf reagieren, um Staus zu vermindern. Zudem sollen sie Krankenwagen, Busse und Radfahrer erkennen und bevorzugen sowie die Straßen für Fußgänger sicherer machen. Generell können zeitliche Verläufen und Einflussfaktoren von Transportbedarfen sowie Engpässe in Mobilitätssystemen automatisiert vorhergesagt und durch Vorsteuerung die Transportleistung optimiert werden.

Gesundheitswesen

In der Medizin werden täglich Unmengen an Daten produziert. Untersuchungen wie Bluttests, Röntgen oder MRT, Krankenakten, ärztliche Berichte und Behandlungskosten erzeugen eine riesige Menge an heterogenen Daten, die analysiert werden können und damit eine vielversprechende Herausforderung für ML Anwendungen bilden. Diese können dazu genutzt werden, um Kosten für Behandlungen und Verwaltung zu senken, Medikationspläne zu verbessern oder Diagnosen zu verbessern und zu beschleunigen. Beispielsweise kann man mit ML-basierten Ähnlichkeitsanalysen von Patientenakten Muster und Zusammenhänge erkennen, die der menschlichen Analyse vielleicht entgehen, und Ärzten somit helfen, die Behandlungen von neuen Patienten zu optimieren.

Neuronale Netze (NN) sind mittlerweile in der Lage, basierend auf bildgebenden Verfahren mit einer höheren Genauigkeit als Menschen Vorstufen von Krebszellen zu erkennen und können somit bei der Früherkennung helfen. Auf dem ersten Machine Learning Meetup Niedersachsen zeigte eine Gruppe Mediziner von der MHH die überdurchschnittliche Erkennung von Herzfunktionsstörungen mittels NN. IBMs Watson ist schon in mehreren Krankenhäusern als Diagnose-Assistent angestellt. Startups wie BenevolentAI nutzen Machinen Learning und NVIDIA’s DGX-1 Deep Learning Supercomputer, um Forschungsprozesse für neue Medikamente zu verbessern. Dafür analysieren sie große Mengen an biomedizinische Informationen aus wissenschaftlichen Artikeln und klinischen Studien.

Recht und Verwaltung (Legaltech)

Machine Learning Anwendungen sind in inzwischen der Lage, große und heterogene Dokumenten- und Datenmengen durch lernende Algorithmen kontinuierlich besser zu klassifizieren, deren Inhalte zu verstehen und diese miteinander in Verbindung zu setzen. Dabei entwickeln die Maschinen bereits ein grobes semantisches Verständnis der Inhalte.

Dies wird zum Beispiel genutzt, um Informationen aus großen Dokumentenbeständen zur Unterlegung von Klagen zu extrahieren, um komplexe Rechtsdokumente auf bestimmte Rechtsnormen hin zu analysieren oder elektronische Akten automatisch aus Posteingängen zu generieren  – Hierdurch können viele Routineaufgaben beschleunigt, aber auch die Informationsgewinnung verbessert werden. Unsere Schwesterfirma inserve ist auf diesen Bereich spezialisiert.

 

Commerce, Marketing und Sales

Ein weiteres Anwendungsgebiet ist die Steigerung der Automation und Intelligenz in der Kundenkommunikation. Die Fähigkeit, basierend auf vorherigen Verhalten Voraussagungen zu treffen, ist grundlegend für erfolgreiches Marketing. Mithilfe von ML können Unternehmen ihre Markenbotschaft ausgehend vom aktuellen Kundenverhalten anpassen. Indem sie ML Algorithmen die Entscheidungen über den Inhalt von Calls to Action und Event Designs treffen lassen, werden Marketingprozesse automatisiert und personalisiert.

Firmen wie DataFox entwickeln beispielsweise Software, die ML nutzt, um effizientere Marktforschung zu betreiben oder personalisierte Kundenkommunikation zu den richtigen Zeitpunkten zu führen. Darüber hinaus kann ML auch dazu genutzt werden, um Zielgruppen zu segmentieren und dabei Teilsegmente basierend auf Verhaltensmustern zu finden, die herkömmlichen Methoden entgehen.

Zu diesem Anwendungsfeld gehört auch das automatisierte Product Information Management, d.h. die Verarbeitung und Organisation großer Mengen von Bildern, Videos und Metainformationen zu Produkten zur Verwendung in verschiedenen Kommunikationskanälen, insbesondere für Online Shops. Die Automatisierung der Zuordnung von Produkt Kategorien, Schlagwörtern und Eigenschaften sowie der Freistellung von Objekten auf Hintergründen kann hier erhebliche Einsparungen und Qualitätsverbesserungen bewirken. – Dies ist einer der Schwerpunkte von AIM.

IT Security

Einer der wichtigsten Treiber von ML Technologie ist der Security Sektor. Hier wird ML für die automatisierte Erkennung externer und interne Risiken und Angreifer genutzt. ABI Research zufolge werden ML Lösungen bald der Standard für Security Information und Event Management sein und in den nächsten fünf Jahren sogar große Teile der traditionellen Methoden wie Signature-Based-Systems ersetzen.

Die Firma Darktrace nutzt ML Algorithmen beispielsweise, um den Netzwerkverkehr zu beobachten und nach Anomalien zu durchsuchen, die auf Angriffe hindeuten. An der Carnegie Mellon University wurden neuronale Netzwerke entwickelt, die selbst gewählte Passwörter erraten können und zwar präziser als herkömmliche Ansätze wie Markov Models. Diese werden dazu genutzt, um Checks für Passwortsicherheit akkurater und effektiver zu gestalten als zuvor.

Digitale Assistenten

Unternehmen investieren, um ihr Management so effizient und effektiv wie möglich zu machen. Dabei kann ML in Form von digitalen Assistenten helfen. Beinahe jeder der Technologieführer auf dem Gebiet ML hat eigene virtuelle Assistenz-Systeme entwickelt. Apples Siri, Microsofts Cortana oder Googles Allo sind Beispiele dafür, wie ML genutzt werden kann, um den Arbeitsalltag zu erleichtern und zu verbessern. ML übernimmt dabei Funktionen wie Spracherkennung, Datenanalyse, Muster- und Verhaltenserkennung.

Entsprechende ML Systeme werden basierend auf ihren Erfahrungen mit den Usern trainiert und sind so nach kurzer Zeit in der Lage, präzise und personalisierte Vorhersagen zu treffen. Die chinesische Suchmaschine Baidu hat ein neuronales Netzwerk namens Deep Voice entwickelt, dass vollkommen synthetische Stimmen erzeugen kann, die nicht mehr von menschlichen zu unterscheiden sind. Deep Voice könnte verschiedenste Anwendungen wie Stimmsuche, Echtzeit Übersetzungen und Biometric Security unterstützen.

Predictive Maintenance

Heutzutage sind wir so abhängig von Maschinen und künstlichen Systemen wie nie zuvor. Ausfälle können unseren Alltag stark behindern oder sogar lebensgefährlich werden. Durch den Übergang von präventiver und reaktiver zu vorausschauender Wartung und Instandhaltung können zugleich Kosten gesenkt und Verfügbarkeiten erhöht werden.

Auch hier kommt ML basierend auf zunehmend verfügbaren IoT Daten zum Einsatz. Dazu wird das System, wie beispielsweise ein Flugzeug, zunächst beobachtet und über entsprechenden Sensoren sowie von Technikereinsätzen Daten über seine Operationen eingesammelt. Diese Daten werden mit ML Algorithmen verarbeitet, die entweder nach einem Classification Approach vorhersagen können, ob in n Schritten die Möglichkeit eines Versagen besteht oder im Regression Approach vorhersagen, wie viel Zeit übrig ist vor dem nächsten Versagen. Erfahren Sie mehr dazu in unserem Predictive Maintenance Web-Seminar.

Predictive Logistics

Interne und externe Logistikprozesse müssen zunehmende Anforderungen an Flexibilität, Just In Time Lieferung und Kostenoptimierung durch Senkung von Lagerbeständen und Aufwänden erfüllen. Gleichzeitig gilt es, die Arbeitsbedingungen für Mitarbeiter möglichst gut zu gestalten, indem z.B. häufige Aufgabenwechsel und Überlastungen vermieden werden.

ML Lösungen können hierbei helfen, indem sie zu verarbeitende Lasten (z.B. Vertriebs- oder Transportaufträge) vorhersagen (z.B. mit Long Short Term Memory Netzen). Aus den Vergangenheitsdaten können die Aktionen menschlicher Disponenten erlernt und weiter verbessert werden, z.B. Engpässe vorausschauend vermieden und der Durchfluss gleichmäßig auf optimalem Niveau gehalten werden. In diesem Bereich bietet AIM ebenfalls eine Lösung an.

Schlussfolgerungen

Neben vielen, hier nur auszugsweise wiedergegebenen positiven Auswirkungen der Machine Learning Technologie gibt es natürlich auch Gefahren. Durch die Industrialisierung wurde Handarbeit durch Maschinen ersetzt. Es liegt auf der Hand, dass diese nun auch zunehmend kognitive Aufgaben übernehmen – Routineaufgaben, aber auch solche, die die Interpretation komplexer Datenmengen erfordern. Laut einer aktuellen Studie der University of Oxford werden in den nächsten 25 Jahren 47% herkömmlicher Jobs in den USA verschwinden.

Kaum ein Unternehmen oder eine Organisation wird sich im internationalen Wettbewerb den Potentialen des Machine Learning verwehren können. Es wird allerdings gesellschaftlich sicherlich notwendig werden, die entstehenden Produktivitätsgewinne angemessen – unter Umständen auf andere Art und Weise als bisher – zu verteilen.

Von: Berenike Radeck, Arvin Arora

Diese Artikel könnten Sie auch interessieren:

Consent Management Platform von Real Cookie Banner