Angewandtes maschinelles Lernen

Plattformen und Szenarien

Was bedeutet maschinelles Lernen

Maschinelles Lernen ist eine wissenschaftliche Disziplin, die sich mit der Erstellung und Untersuchung von Algorithmen beschäftigt, die aus Daten lernen können. Diese Algorithmen funktionieren so, dass sie ein Modell auf der Grundlage von Eingaben erstellen und dieses Modell dann für Vorhersagen oder Entscheidungen nutzen, anstatt ausschließlich explizit programmierte Anweisungen zu befolgen.

Die Techniken des maschinellen Lernens kommen dort zum Zug, wo die Wissensbasis nicht zum Schreiben von Code ausreicht, wo riesige Datenmengen skaliert werden müssen, wo ein Programm sein Verhalten anpassen muss oder sich die Lösung im Laufe der Zeit ändert.

Es gibt drei Arten von maschinellem Lernen: beaufsichtigtes, unbeaufsichtigtes und Verstärkungslernen.

  • Beaufsichtigtes Lernen ist aufgabengesteuert: Der Algorithmus sagt das Verhalten eines Akteurs vorher und nutzt dazu Erfahrungen aus der Vergangenheit (d. h. Regression/Klassifizierung).
  • Unbeaufsichtigtes Lernen ist datengesteuert: Der Algorithmus entdeckt Ähnlichkeiten und versteckte Strukturen in den Daten (z. B. Clustering).
  • Verstärkungslernen ist umgebungsgesteuert: Der Algorithmus lernt, auf eine Umgebung zu reagieren und sich intelligente Verhaltensweisen zu Eigen zu machen.

Szenario

Maschinelles Lernen entwickelt sich schnell zu einer zuverlässigen und skalierbaren Reihe von Technologien, die in vielen Geschäftsbereichen anwendbar sind. Es bietet die Möglichkeit, Prozesse zu automatisieren und Anwendungen intelligenter zu machen. Unter den verschiedenen Technologien, die Teil des Universums des maschinellen Lernens sind, gewinnt Deep Learning zunehmend an Popularität und sein Anwendungsbereich erweitert sich auf die künstliche Intelligenz. Reply unterstützt Unternehmen dabei, die Vorteile von maschinellem Lernen und künstlicher Intelligenz in tragfähige Lösungen und neue Geschäftsmodelle zu übersetzen. Dazu zählen: Data Robotics, Chatbots, oder Predictive Engines.

Maschinelles Lernen ist eine zentrale Grundlagen-Technologie.

Wie kann ich es sinnvoll einsetzen?

Data Robotics


Data Robotics beschäftigt sich mit Engines, die lernen, bestimmte Aktionen auf der Grundlage von historischen Daten (Lernsatz) und kontinuierlichem Lernen (Feedbacks) auszuführen. Data Robotics als neue Ebene von Prozessautomatisierung (auch bekannt als Robotics Process Automation – RPA) zielen darauf ab, Produktivität und Effizienz zu steigern unter Einsatz von selbstlernenden Technologien und künstlicher Intelligenz. Ein Data Robot ist eine künstliche Intelligenz, die in der Lage ist, Situationen zu analysieren, komplexe Information zu verarbeiten und zu verstehen, zu lernen und zu agieren, um menschliche Aktivitäten zu unterstützen und zu optimieren. Der Data Robot lernt auch aus Fehlern und gewinnt an Erfahrung um Transaktionen auszuarbeiten, Daten zu verarbeiten und die Integration in Systeme zu verbessern.

Recommendation Engines


Empfehlungssysteme (Recommendation Engines) zielen darauf ab, Benutzervorlieben vorherzusagen, indem sie diese aus dem Nutzer- und Communityverhalten ableiten. Solche Systeme finden ihren Einsatz in Form von „Könnte Ihnen auch gefallen“ Empfehlungen im E-Commerce Bereich, in der Online Werbung, wo gezielt Interessen- oder neigungsbasierte Werbung ausgespielt wird oder in populären Video- und Musik Streaming-Plattformen, die basierenden auf den Medienkonsumgewohnheiten und den Nutzungsdaten ähnlicher Nutzer, gezielt weitere Filme, Serien und Musiktitel vorschlagen.

Chatbots


Ein Chatbot ist eine Software die sowohl mit menschlichen Nutzern über natürliche Sprache (Natural Language Processing) als auch mit IT-Systemen interagieren kann. Für Unternehmen sind Chatbots eine innovative Lösung, um einen kundenorientierten Kommunikationskanal aufzubauen. Chatbots, die in die branchenspezifischen Systeme integriert sind und zugleich über individuelle kundenbezogene Informationen verfügen, können auch hochspezialisierte Aufgaben in verschiedenen Szenarien übernehmen: Der Robo Advisor der Bank kann so Finanzprodukte empfehlen, die der Situation und den Ausgabegewohnheiten des Kunden entsprechen oder der Presales Chatbot berät beim Autokauf, und kennt die Vorlieben des Käufers in punkto Farbe ebenso wie dessen Erwartung an das neue Fahrzeug (discover Reply Chatbot für die Automobilindustrie).

Predictive Engines


Predictive Enginesnutzen historische Daten, um Vorhersagemodelle zu erzeugen. Sie kommen z.B. in Business Intelligence Anwendungsszenarien wie Vertriebsprognosen, Nachfrage- und Umsatzprognosen oder bei der Werbeausrichtung, Kundensegmentierung, Preisoptimierung und der Analyse von sozialen Netzwerken zum Einsatz. Predictive Engines dienen im Zusammenspiel mit cyber-physischen Systemen im Kontext von Industrie 4.0 zur Verwirklichung der vorausschauenden Instandhaltung (Predictive Maintenance) mit dem Ziel einer Steigerung des Ausnutzungsgrads von Maschinen und Anlagen (OEE).

Reply: Vertikale Kompetenz in maschinellem Lernen

Reply vereint in seinem Netzwerk umfangreiche Erfahrung und Expertise in allen relevanten Bereichen: von Big Data, User Experience Design, Finanzdienstleistungen, Automobilindustrie, Künstliche Intelligenz bis Industrie 4.0. So stellt Reply sicher, dass neue Technologien für Kunden aus einer großen Vielfalt von Branchen oder Geschäftsszenarien zur Schaffung innovativer Lösung und zur Etablierung neuer Geschäftsmodelle adaptiert werden können.

Die Reply Gruppe verfügt selbst über ein hochspezialisiertes Unternehmen, , das sich auf maschinelles Lernen und künstlicher Intelligenz spezialisiert hat: von Open Source Libraries zu den Plattformen der Big Player, von Deep Learning bis Cognitive Computing, von Data Robotics bis zu Chatbots – Machine Learning Reply überträgt die neuesten Erkenntnisse der künstlichen Intelligenz-Forschung auf reale, branchenspezifischen Anwendungsszenarien.