Ist maschinelles Lernen so komplex zu verstehen?

Heutzutage stößt man beim Surfen im Internet auf viele akademische Definitionen des maschinellen Lernens (ML). Nehmen wir als Beispiel eine typische Erklärung aus Stanford.

“Maschinelles Lernen ist die Wissenschaft, die Computer dazu bringt, zu handeln, ohne explizit programmiert zu werden”.

Im Einzelnen geht es um die Wissenschaft, Computer dazu zu bringen, auf der Grundlage der Daten und Informationen, die wir Menschen ihnen zur Verfügung stellen, zu lernen und ihr Lernen mit der Zeit zu verbessern. Während das eigentliche Ziel der KI darin besteht, die menschliche Intelligenz künstlich nachzubilden oder zu imitieren, wurde das maschinelle Lernen entwickelt, um Vorhersagemodelle für bestimmte Aufgaben zu erstellen. Es handelt sich um eine Untergruppe der KI-Technologien, bei der Computer die Fähigkeit erhalten, zu lernen, ohne ausdrücklich programmiert zu werden. Im Bereich des maschinellen Lernens wird auch häufig der Begriff Deep Learning verwendet. Hierbei handelt es sich um eine Teilmenge von ML, bei der mehrschichtige neuronale Netze aus großen Datenmengen lernen und sich anpassen.

Aber ignorieren Sie diese akademischen Definitionen… maschinelles Lernen ist in unser tägliches Leben eingetaucht und so allgegenwärtig geworden, dass Sie jeden Tag mit seiner Anwendung konfrontiert werden, ohne es zu bemerken. Zweifeln Sie daran? Lassen Sie uns einige Beispiele nennen.

Haben Sie sich jemals gefragt, wie Siri auf Ihrem iPhone Ihre Stimme erkennt, sobald Sie “Hey Siri!” sagen? Waren Sie schon einmal neugierig, wie Spotify Ihnen auf einfache Weise Songs vorschlagen kann, die perfekt auf Ihre Vorlieben abgestimmt sind? Haben Sie genug von selbstfahrenden Autos gehört? All dies sind typische Anwendungen des maschinellen Lernens. Kommt Ihnen das eher bekannt vor?

Schauen wir uns den Mechanismus der vorgeschlagenen Wiedergabelisten von Spotify genauer an. Angenommen, Spotify möchte vorhersagen, welche neuen Songs einem bestimmten Nutzer gefallen würden. Bevor eine Vorhersage getroffen werden kann, muss die Musikstreaming-Plattform wahrscheinlich erst einmal die vorhandene Bibliothek der Nutzer untersuchen. Es muss eine Studie über die von den Nutzern gehörten, wiederholten und “beliebten” Lieder durchgeführt werden. Die Maschine analysiert dann die Merkmale der Lieder, wie akustische Elemente, Genre, Tempo usw. Hier kommt das maschinelle Lernen zum Einsatz, da eine solche Analyse mit neuronalen Netzen durchgeführt werden kann, den Netzen, die normalerweise im Bereich der KI und des maschinellen Lernens verwendet und eingesetzt werden. Auf der Grundlage der Analyse macht die Maschine dann eine Vorhersage über die Lieder, die wahrscheinlich zu den Vorlieben der Nutzer passen. Wenn die Nutzer die vorgeschlagenen Titel anhören und mögen oder nicht mögen, können diese neuen Daten konsolidiert und in dieselben Modelle eingegeben werden, um die Vorhersageliste zu aktualisieren und zu verbessern.

Wo liegt der Wert des maschinellen Lernens?

Muster werden erkannt und mit der Zeit verbessert

Eines der wichtigsten Alleinstellungsmerkmale des maschinellen Lernens ist die Fähigkeit, große Datenmengen schnell und genau zu überprüfen. Maschinen werden aus den Daten lernen und in kurzer Zeit Muster und Trends erkennen, um dann Vorhersagen zu treffen. Im Laufe der Zeit wird der Algorithmus aufgrund des sich ständig ändernden Datenvolumens und der ständigen Aktualisierung mehr Erfahrung sammeln, so dass er bessere Vorhersagen mit höherer Genauigkeit machen kann.

Es handelt sich jedoch nicht nur um eine Ein-Mann-Show mit Daten. Die Schönheit des maschinellen Lernens beruht auf zwei wesentlichen Elementen: Datensatz und Algorithmus. Ohne einen guten Datensatz kann der Algorithmus noch so gut und umfangreich sein, das Ergebnis wird nicht optimal sein. Umgekehrt werden auch bei einem faszinierenden Datensatz ohne den Einsatz eines geeigneten Algorithmus und dessen Art die Ergebnisse beeinträchtigt.

Ein typisches Beispiel hierfür sind Wettervorhersagemodelle, bei denen die Vorhersage auf der Grundlage von Wettermustern und Ereignissen in der Vergangenheit getroffen wird. Je größer und detaillierter der Datensatz ist, und je besser der Algorithmus ist, desto höher ist die Genauigkeit der Vorhersagen.

Anpassungsfähigkeit bei minimalem menschlichen Eingriff

Einer der Hauptvorteile des maschinellen Lernens ist die sofortige Anpassung bei minimalem menschlichen Eingreifen. Dies ist bei Antivirenprogrammen zu erkennen. Maschinelles Lernen wird in Verbindung mit KI eingesetzt, um Analysen durchzuführen und auf neue Bedrohungen zu reagieren. Während das maschinelle Lernen dazu dient, potenzielle Bedrohungen zu erkennen, wird die KI eingesetzt, um angemessene Reaktionen auf diese Bedrohungen zu entwickeln. Dies ist auch die Aufgabe von Microsofts Windows Defender, der mehrere Ebenen des maschinellen Lernens einsetzt, um wahrgenommene Bedrohungen zu erkennen und zu blockieren, um den Nutzern ein sicheres und geschütztes Surferlebnis zu bieten.

Außerdem trägt die Automatisierung des maschinellen Lernens zur Zeit- und Kostenreduzierung bei, da die Mitarbeiter von manuellen Aufgaben entlastet werden. Der Mensch greift nur dann ein, wenn es notwendig ist, die von der Maschine ausgegebenen Daten zu validieren und zu überwachen, um sicherzustellen, dass sie korrekt und anwendbar sind.

Kann in einem breiten Spektrum von Sektoren eingesetzt werden

Wie jede andere Technologie ist auch das maschinelle Lernen nicht für jedes Unternehmen und jeden Sektor geeignet, da es auf die geschäftlichen Anforderungen und Ziele abgestimmt werden muss. Dank der enormen Vorteile des maschinellen Lernens und verwandter Technologien wie KI oder prädiktive Analysen kann es jedoch in einer Vielzahl von Sektoren eingesetzt werden.

So hat beispielsweise ein Krankenhaus in den USA mit einem gemeinnützigen Technologie- und Analyseunternehmen zusammengearbeitet, um ein auf maschinelles Lernen gestütztes Modell zur Vorhersage des COVID-19-Risikos einer Person zu entwickeln. Die Vorhersagen werden auf der Grundlage der Bevölkerungsdichte und der Nähe zu positiven Fällen getroffen. Später, nach der Validierung und Überwachung der von der Maschine gelieferten Ergebnisse, werden die Gesundheitsinstitute für jeden einzelnen Fall angemessene Unterstützung bereitstellen.

Maschinelles Lernen und künstliche Intelligenz bei NashTech

Im Zeitalter von Industrie 4.0 verändert sich die Welt rasant und verlangt von uns, uns ständig zu aktualisieren und anzupassen, um mit dem Tempo Schritt zu halten. Daher ist die Entwicklung datengesteuerter und KI-gestützter Anwendungen für unsere Kunden eines der festen und kontinuierlichen Ziele auf unserem Weg. Aus diesem Grund hat NashTech seit 2018 stark in Ressourcen investiert, um KI/ML zu erforschen – vom grundlegenden Ansatz durch die Arbeit mit KI-COTS-Produkten bis hin zur fortgeschritteneren und tieferen Ebene.

Im Rahmen der Erforschung des maschinellen Lernens und der künstlichen Intelligenz hat NashTech eine Vielzahl von Aktivitäten durchgeführt, darunter die Aneignung von Kenntnissen in Mathematik und Statistik, die Erforschung von Algorithmen des maschinellen Lernens und des Deep Learning (überwachtes, unüberwachtes und verstärkendes Lernen), die Erstellung von Proof of Concepts (PoCs), die Schulung unserer Mitarbeiter zur Bildung eines speziellen KI-Teams und die enge Zusammenarbeit mit unseren Kunden, um potenzielle neue Werte durch den Einsatz von KI zu entdecken.

Um eine KI-Anwendung nutzbar zu machen, erfordert der gesamte Prozess einen enormen Aufwand für das zuständige KI/ML-Team, das sich aus folgenden Personen zusammensetzt:

Unternehmensanalysten: Am Anfang stehen unsere Unternehmensanalysten, die in der Regel interessante Fragen stellen, um neue Erkenntnisse und geschäftliche Herausforderungen zu entdecken.
Dateningenieure: Sammlung des richtigen Datensatzes oder Extract-Transform-Load (ETL) zur Standardisierung der Datenquelle
KI/ML-Ingenieure: Experimentelle Erstellung von KI-Modellen
DevOps- und Cloud-Experten: Bringen Sie das gesamte System in die Staging-/Produktionsumgebung

Diese ganze komplizierte Pipeline muss in schnellem Tempo geübt werden, um sicherzustellen, dass wir unsere Ziele erreichen, in kleinen Sprint-Iterationen liefern und uns nach jeder Veröffentlichung weiter verbessern können.

Glücklicherweise zeichnet sich NashTech durch die Anwendung agiler Praktiken in Projekten aus, die wir für globale Kunden durchführen. Daher sind wir sehr zuversichtlich, diese DevOps-Kultur für KI und maschinelles Lernen aufzubauen.

NashTechs Fallstudien

Bei NashTech befinden wir uns derzeit in der Phase der Anwendung von maschinellem Lernen in mehreren Projekten, die für internationale Kunden in verschiedenen Branchen durchgeführt werden.

Bildung/EdTech

Die steigende Nachfrage nach Englischprüfungen wie IELTS oder PTE und die Frage, wie man die Anforderungen an die Bewertung und Benotung erfüllen kann, ist eine der wichtigsten Fragen, die die Bildungseinrichtungen lösen müssen. Gegenwärtig fehlt es der Branche an Personal, und die Kosten für die Bewertung der Arbeiten durch Prüfer sind hoch.

NashTech hat für einen Kunden, der zu den führenden Pionieren der Bildungstechnologie (EdTech) gehört, eine Lösung für dieses Problem entwickelt. Wie bei jeder anderen Anwendung des maschinellen Lernens gibt es zwei Hauptphasen: die Erstellung eines Datensatzes, aus dem die Maschinen lernen können, und die Anwendung von Algorithmen zur Erstellung von Prognosen.

Vorbereitung des Datensatzes: Wir sammelten und konsolidierten Informationen über vergangene Prüfungen, Ergebnisse, Benchmarks und andere historische Daten aus sieben Ländern. Der Datensatz wurde aufgeteilt: 80% für das Training und 20% für das Testen
Algorithmen anwenden: Wir haben Deep-Learning-Algorithmen wie Long Short Memory (LSTM), ein künstliches rekurrentes neuronales Netzwerk (RNN) zur Klassifizierung, Verarbeitung und Erstellung von Vorhersagen, zur Bewertung der Prüfungsarbeiten eingesetzt

Die Ergebnisse des trainierten Modells sind vielversprechend: Die Genauigkeit liegt bei über 90 %. Bei einer Toleranz von ±1 kann das Modell auf einer Skala von 0 bis 6 mehr als 95 % der Punkte richtig bewerten.

Außerdem werden im digitalen Zeitalter Online-Prüfungen immer beliebter. Um sicherzustellen, dass der Test ehrlich durchgeführt wird, und um Betrug zu vermeiden, wird maschinelles Lernen auch zur Überwachung durch Kameras eingesetzt. Stellt das Gerät fest, dass der Kandidat nicht mit der registrierten Identität übereinstimmt, wird eine Warnung an das Back Office gesendet und die Ergebnisse werden verworfen.

Zur Unterstützung der Kameraüberwachung entwickelt NashTech auch POCs für entfernte Testzentren, die sich auf die Erkennung von Tastaturmustern beziehen. Das bedeutet, dass Maschinen das Tippmuster erkennen, um zu sehen, ob es mit dem übereinstimmt, was sie aus dem Verhalten des Bewerbers zuvor gelernt haben.

Intelligentes Album

Stellen Sie sich vor, Sie sind ein Fotograf, der jeden Monat Tausende von Bildern aufnimmt, und Sie müssen die Bilder nach Themen, Orten, Personen, Alter, Geschlecht oder einfachen Objekten wie Bäumen, Möbeln usw. filtern. Leider ist dies manuell sehr zeitaufwändig. Was wäre, wenn ein Computer, unterstützt durch KI/ML, eine schnellere und effizientere Lösung bieten könnte?

Die intelligente Fotoverwaltung ist ein weiteres Beispiel dafür, wie NashTech maschinelles Lernen und Deep Learning einsetzt. Die Maschinen werden geschult und lernen, die Fotos zu “verstehen”, damit sie die Bildersuche unterstützen können. Es wurde ein PoC mit mehreren Funktionen eingeführt, wie z. B.:

Zählen der auf den Fotos erscheinenden Personen
Identifizierung von Alter, Geschlecht und Emotionen dieser Personen. Wenn Personen bereits kodiert sind, kann die Maschine sie auf den Fotos erkennen
Erkennen, ob es andere Objekte gibt (Möbel, Bäume, Pflanzen usw.)
Unterstützung der Suche nach bis zu 80 Objektklassen und Unterstützung der Endbenutzer bei der Ausbildung weiterer Klassen

Um den Endnutzern die beste Erfahrung zu bieten, die sich aus der Mischung von Datensatz und Algorithmus ergibt, sucht NashTech ständig nach Verbesserungen in unseren PoCs. Um dies zu erreichen, freuen wir uns darauf, das Feedback der Endnutzer einzuholen, sobald der PoC in Betrieb genommen wurde. Dieses Feedback wird dann mit unserer Validierung der Maschinenleistung kombiniert und dazu verwendet, die Maschine neu zu trainieren, damit sie in Zukunft bessere Ergebnisse liefert.

NashTech AI-Plattform

Um den Prozess der Entwicklung von KI-Anwendungen zu beschleunigen, hat NashTech eine eigene KI-Plattform entwickelt, auf der nicht nur maschinelles Lernen, sondern auch Data Science und künstliche Intelligenz (KI) konvergierend angewendet werden. Lösungen, die gängige KI-Module wie Computer Vision (einschließlich Gesichtserkennung, Alters- und Ausdrucksvorhersage, OCR), Vorhersage von Tastaturbelegungen, Formextraktion, Stimmungsanalyse und Textanalyse erfordern, um nur einige zu nennen, können die Vorteile von NashTechs Accelerator nutzen. Die KI-Bibliotheken basieren außerdem auf einer modernen Architektur und Infrastruktur wie Kubernetes und Microservices, die darauf abzielen, KI-Anwendungen für die Produktionsumgebung bereitzustellen.

Einige der hervorgehobenen Funktionen dieser KI-Bibliotheken sind:

Gesichtserkennung, Gesichtserkennung
Frage & Antwort (kann auf Chatbot-Anwendungen angewendet werden)
ID-Kartenvorhersage: Extrahieren persönlicher Informationen von ID-Karten (auf Bildern oder per Kamera), die im digitalen KYC-Prozess verwendet werden können
Formularverarbeitung: Extrahieren von Informationen aus Versicherungsantragsformularen, Frachtbriefformularen usw.
Optische Zeichenerkennung (OCR): Ermöglicht die Umwandlung von Dokumenten wie gescannten Papierdokumenten, gescannten PDF-Dateien oder digitalen Bildern in bearbeitbare und durchsuchbare Daten wie Text

Obwohl die meisten KI-Bibliotheken von NashTech sofort einsatzbereit sind, lassen sich damit nicht immer alle Probleme lösen, die sich aus den Anforderungen unserer Kunden ergeben. Wir können auch spezifische, maßgeschneiderte KI-Modelle erstellen, die von den Daten unserer Kunden abhängen, die Experimente auf der Infrastruktur unserer Kunden aufbauen und ausführen (um den Datenschutz zu gewährleisten) und sie schließlich als komplette KI-Lösung einsetzen.

NashTech integriert seine KI-Plattform auch in andere aufstrebende Technologien wie Robotics Process Automation (RPA ), um die intelligente Automatisierung zu maximieren.

Obwohl die Frage “Sind wir schon so weit?” für die künstliche Intelligenz und das maschinelle Lernen noch nicht vollständig geklärt ist, können wir leicht vorhersehen, dass die Zukunft, in der Mensch und Maschine zusammenarbeiten, bereits begonnen hat und Tag für Tag in Sichtweite kommt.

In naher Zukunft wird NashTech kontinuierlich in fortschrittliche Technologien investieren und sich bemühen, diese zu erforschen, um unser volles Potenzial und unsere Fähigkeiten auszuschöpfen und das Kundenerlebnis zu verbessern.

Mit jahrelanger Erfahrung in der Bereitstellung von Spitzenleistungen im Technologiebereich bietet NashTech seinen Kunden Unterstützung bei der Erforschung neuer Technologien und deren Anwendung auf ihrem Weg zur digitalen Transformation.

Weitere Informationen erhalten Sie per E-Mail an info@nashtechglobal.com. Ein Mitglied des Teams wird sich dann mit Ihnen in Verbindung setzen. Wir würden uns freuen, mit Ihnen darüber zu sprechen, wie der Einsatz von maschinellem Lernen und künstlicher Intelligenz einen echten Mehrwert für Ihr Unternehmen schafft und Sie bei der Transformation Ihres Unternehmens unterstützen kann.