Reale Anwendungen des Maschinellen Lernens

Wenn Sie in ein neues Land reisen, mussten Sie da schon einmal ein Wort schnell übersetzen? Oder wie sieht es mit automatischen Antworten auf E-Mails, bspw. Gmail-Funktionen passend zum Kontext, aus? Haben Sie schon gemerkt, dass es da Empfehlungen für mögliche Antworten gibt?

Bei den oben genannten Beispielen kommt maschinelles Lernen zum Einsatz. Von computergesteuerten Übersetzern über E-Mail-Empfehlungen und Filmvorschlägen auf Netflix bis hin zu autonomen Autos. All dies ist durch maschinelles Lernen möglich. Aber was ist maschinelles Lernen?

Maschinelles Lernen ist ein Konzept, das in die Kategorie der künstlichen Intelligenz fällt. Es handelt sich um einen Prozess, bei dem Computer die Art und Weise, wie sie Aufgaben ausführen, stetig ändern, indem sie aus neuen Datensätzen lernen. Bei diesem Prozess ahmen Algorithmen die Art und Weise nach, wie Menschen lernen, um ihre Genauigkeit schrittweise zu verbessern.

Dank des technologischen Fortschritts sind wir von Produkten und Dienstleistungen umgeben, die das maschinelle Lernen nutzen. Maschinelles Lernen macht unser Leben einfacher. Es macht Prozesse effizienter, reduziert die manuelle Arbeitszeit, kann für eine Vielzahl von Arbeiten in verschiedenen Branchen eingesetzt werden und verfügt über eine hervorragende Lernfähigkeit bei der Verarbeitung großer Datenmengen.

Maschinelles Lernen kann in zwei Kategorien eingeteilt werden: Überwachtes maschinelles Lernen und Unüberwachtes maschinelles Lernen. Beim überwachten maschinellen Lernen gibt es in der Regel eine Ergebnisvariable, die den Lernprozess steuert. Es ist insbesondere dadurch gekennzeichnet, dass markierte Datensätze verwendet werden, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse genau vorhersagen können. Markierte Datensätze haben die Form von Rohdaten wie Videos und Bilder mit angehängten Beschriftungen, aus denen die Computer anhand des erstellten Modells lernen können. Beim unüberwachten Lernen werden Modelle aus nicht beschrifteten Daten ohne vordefinierte Klassen oder Beispiele erstellt. Es gibt keinen „menschlichen Betreuer“, und das Lernen muss sich auf heuristische Anleitungen stützen, die das System durch die Untersuchung verschiedener Beispieldaten oder der Umgebung generiert.

Sie werden überrascht sein, wo wir diese Anwendungen in der realen Welt überall finden können. Hier sind vier Beispiele für die Anwendung des maschinellen Lernens. Sie werden sehen, wie diese Systeme unser Leben einfacher machen.

1) Google Translate:

Wenn Sie in einem neuen Land die Sprache nicht beherrschen, hatten Sie schon einmal Schwierigkeiten, nach dem Weg zu fragen, weil Sie nicht wussten, wie? Ihr erster Gedanke war wahrscheinlich, Google Translate zu benutzen. Google Translate übersetzt schnell, einfach und effektiv Sätze von einer Sprache in eine andere.

Die Software arbeitet mit maschinellem Lernen, der so genannten „neuronalen maschinellen Übersetzung“. Das System nutzt Techniken des Deep Learning, um Sätze in verschiedene Sprachen zu übersetzen. Google hat kürzlich „Googles neuronales maschinelles Übersetzungssystem (GNMT)“ vorgestellt, das aus „acht Encoder- und acht Decoderschichten“ besteht. Die Verbindung von Kodierer- und Dekodiererschichten ermöglicht eine schnelle Übersetzung „durch Inferenzberechnungen“. Die Inferenzberechnung ist in der Lage, komplexe Wörter und Sätze zu erkennen, indem sie die Wörter in Unterworteinheiten aufteilt.

Ein Nachteil der Verwendung von Google Translate ist jedoch, dass es nicht immer zuverlässig ist. Einige Bedeutungen können in der Übersetzung verloren gehen, weil eine wortwörtliche Übersetzung von einer Sprache in eine andere Sprache möglicherweise keinen Sinn ergibt. Die Übersetzungen geben oft nicht das wahre Wesen des Satzes wieder und können daher von einer anderen Person falsch interpretiert werden.

Außerdem kann die Übersetzungswebsite zwar einfache Sätze übersetzen, aber bei der Übersetzung komplizierter Wörter und Wendungen können doch Fehler auftreten. Deshalb sollte ein Mensch die finalen Texte immer überprüfen.

2) Gmail-Empfehlungen:

Gmail kann Antwortempfehlungen, Betreff-Empfehlungen und E-Mail-Abschlüsse erstellen. Gmail schlägt Antworten vor, die Nutzer durch den Prozess der „Smart Composition Personalization“ auf E-Mails geben können. Zum Beispiel gibt es Vorschläge, wie eine Person eine E-Mail beginnen und beenden kann. Die Empfehlungen werden aus früheren Datensätzen der Nutzer generiert, um intelligente Antworten auf E-Mails vorzuschlagen.

Gmail schlägt auch Ideen vor, was der Nutzer in den Text der E-Mail schreiben kann, indem Gmail etwa drei Empfehlungen zur Auswahl vorschlägt. Google kombiniert effektiv die Sprachgenerierungsmodelle neuronale Bag of Words (BoW), Recurrent Neural Network-based Language Model (RNN-LM), (RNN) und ngram, um schnelle Empfehlungen zu erstellen. Google erstellt diese auf der Grundlage der Kombination von Informationen aus der Betreffzeile und früheren E-Mail-Ketten.

Der Vorteil des intelligenten Personalisierungsprozesses beim Verfassen von E-Mails besteht darin, dass die Nutzer dem Absender schnell eine Antwort schicken können. Ein Nachteil ist jedoch, dass automatisch generierte Antworten den Eindruck erwecken können, dass man sich nicht viele Gedanken über die E-Mail gemacht hat. Daher wird empfohlen, das Personalisierungstool vor allem zur Ideengenerierung zu verwenden.

3) Netflix-Empfehlungen:

Sie sitzen am Abend zusammen und schauen sich die verschiedenen Optionen von Netflix an. Aber wie schafft es Netflix, diese Empfehlungen zu generieren? Durch maschinelles Lernen natürlich! Die Technologie des maschinellen Lernens, die Netflix einsetzt, um seinen Nutzern Sendungen zu empfehlen, wird „Recommender“ genannt.

Der Netflix-Recommender verwendet die historischen Daten, die auf der Grundlage Ihrer jüngsten Aktivitäten und der Aktivitäten anderer Nutzer, die Ihnen ähnlich sind, zusammengestellt wurden, um Filme und Fernsehsendungen entsprechend zu empfehlen.

Auf diese Weise kann Netflix Sendungen auf der Grundlage von Genre, Schauspielern und Regisseuren empfehlen, die Ihnen gefallen könnten. Die Empfehlung von Fernsehsendungen und Filmen, die den Nutzern gefallen könnten, führt dazu, dass sie sich länger auf der Website aufhalten.

Allerdings kann auch ein „Recommender“ nicht immer garantieren, dass jeder Vorschlag ein Treffer ist. Eine Person, die einen Film eines bestimmten Regisseurs mag, muss nicht zwangsläufig einen anderen Film desselben Regisseurs mögen. Doch eine hohe Wahrscheinlichkeit ist durchaus gegeben.

4) Die autonomen Autos von Tesla:

Das Unternehmen Tesla nutzt maschinelles Lernen für autonome Autos, um intelligente Entscheidungen zu treffen. Die gesammelten Daten basieren auf den Bewegungen der Fahrzeuge auf der Straße durch sog. „Imitationslernen“. Das heißt, die Reaktionen der Fahrer werden gesammelt, um ein Gesamtbild davon zu erhalten, wie man sich auf der Straße verhalten sollte. Die Sensoren erfassen die Bewegungen der Fahrer in Bezug auf die Betätigung des Lenkrads, des Gaspedals, der Bremsen und des Blinkers.

Das maschinelle Lernmodell von Tesla verwendet neuronale Netze, um aus den fehlerhaften Bewegungen einiger Fahrer zu lernen, was falsch gelaufen ist. Von den fehlerhaften Handlungen werden Bilder gespeichert, um zu verhindern, dass dieselben Fehler in Zukunft erneut auftreten.

Ein möglicher Vorteil autonomer Autos ist, dass das Einparken weniger mühsam wird. Dies gilt vor allem dann, wenn die Fahrzeuge auf engem Raum geparkt werden müssen, was für einige Menschen ein Problem darstellt. Außerdem können mit autonomen Autos menschliche Fehler vermieden werden. Menschen fahren oft, während sie telefonieren, was gefährlich sein kann. Mit selbstfahrenden Fahrzeugen gäbe es weniger Ablenkungen, was zu weniger Unfällen im Straßenverkehr führen würde.

Es ist jedoch möglich, dass bei autonomen Fahrzeugen unerwartete Störungen durch die Sensoren auftreten, was ein Risiko für die Sicherheit der Fahrgäste darstellt. Das liegt daran, dass Maschinen manchmal nicht unterscheiden können, was richtig und was falsch ist. Daher kann es für Maschinen schwierig sein, intelligente Entscheidungen zu treffen. Tesla stand in der Vergangenheit vor dem Problem, dass unerwartete Autounfälle gemeldet wurden, weil sich die Fahrer nicht vollständig bewusst waren, was vor ihnen auf der Straße passierte. Es hat auch Fälle gegeben, in denen Fahrer auf dem Rücksitz statt auf dem Vordersitz sitzen, wenn sie autonome, selbstfahrende Autos fahren, was ein Risiko für die Sicherheit anderer Verkehrsteilnehmer und für sie selbst darstellt.

Aufgrund dieser Schwierigkeiten arbeitet Tesla weiter an der Verfeinerung seiner Modelle für das Imitationslernen. Das bedeutet, die Software muss genauere Entscheidungen treffen können. Tesla hat demnach noch einige Tests und Entwicklungszeit für seine autonomen Autos vor sich.

 
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
 

Reale Anwendungen des maschinellen Lernens – Fazit.

Insgesamt hat das maschinelle Lernen dazu beigetragen, lästige Aufgaben im Alltag effizienter zu gestalten. Es ist jedoch wichtig zu beachten, dass der Mensch immer noch eingreifen muss, um sicherzustellen, dass die Aufgaben auf einem hohen Qualitätsniveau erledigt werden.

Aufgrund des maschinellen Lernens verändern sich viele Aufgaben und Verantwortlichkeiten der Menschen. Man konzentriert sich mehr auf die Entwicklung von Fähigkeiten zur Überwachung von Aktivitäten, um Fehler in Maschinen zu erkennen, was zu mehr Arbeitsplätzen führt, bei denen der Schwerpunkt auf der Überwachung durch den Menschen liegt, anstatt dass sich der Mensch ausschließlich auf die zu erledigende Aufgabe konzentriert.

Literaturnachweis:

TechVidvan: Exploring the Advantages and Disadvantages of Machine Learning

Pratibha Roy: Examples of Machine Learning Applications in Real World

Pavan Vadapalli: How Netflix Uses Machine Learning & AI For Better Recommendation?

Bernard Marr: How Tesla Is Using Artificial Intelligence to Create The Autonomous Cars Of The Future

Laurie Clarke: How self-driving cars got stuck in the slow lane

Rebecca Heilweil: Elon Musk’s problematic plan for “full self-driving” Teslas

Natt Garun: How to enable and use Gmail’s AI-powered Smart Reply and Smart Compose tools

Yonghui Wu: Smart Compose: Using Neural Networks to Help Write Emails