Machine Learning (ML) ermöglicht die Analyse gewaltiger Datenmengen. Ausgegeben werden üblicherweise Vorhersagen und Empfehlungen. Die Algorithmen sind zudem in der Lage, sich auf neue Daten und Erfahrungen einzustellen, damit im Laufe der Zeit eine immer höhere Genauigkeit erzielt wird.

Die Hauptkategorien für ML-Algorithmen sind überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Die größten Einschränkungen des Machine Learnings liegen im „Training“ der Datenqualität und der Datenrelevanz für das zu lösende Problem, denn Daten sind eines der Schlüsselelemente, die ML erst möglich machen. Ein Modell zu „trainieren“ bedeutet lediglich, gute Werte für sämtliche Gewichtungen und den Bias von mit Labels gekennzeichneten Beispielen zu erlernen (zu bestimmen). ML kann auch ohne komplexe Algorithmen funktionieren, jedoch nicht ohne gute Daten.

Ein weiterer algorithmischer Ansatz ist Deep Learning. Es handelt sich um ein Teilgebiet von ML, bei dem an die Struktur und Funktionsweise des menschlichen Gehirns angelehnte Algorithmen – sog. künstliche neuronale Netze (KNN) – zum Einsatz kommen. Doch anders als bei einem biologischen Gehirn, wo jede Nervenzelle eine Verbindung zu einer beliebigen anderen Nervenzelle innerhalb einer bestimmten räumlichen Entfernung aufbauen kann, haben diese künstlichen neuronalen Netze gesonderte Schichten, Verbindungen und Richtungen der Datenübertragung.

Verfahren optimieren durch ML

ML kommt auch häufig in Verbindung mit klassischeren Modellen wie evolutionären Algorithmen (EA), Entscheidungsbäumen oder Regressionen zum Einsatz. Im Unterschied zu klassischer statistischer Analyse umfasst ML häufig viel mehr erklärende Variablen (Features). Die große Anzahl an Features und die diversen Möglichkeiten, diese zu konstruieren, machen eine manuelle Modellauswahl unmöglich. ML ist im Grunde der Prozess, einer Maschine oder einem Modell Zugang zu Daten zu gewähren und sie bzw. es eigenständig lernen zu lassen. Unternehmen können Machine Learning in vielen Bereichen gewinnbringend einsetzen. So lassen sich Verfahren optimieren, Umsätze vorhersagen und versteckte Chancen aufdecken.

Führungskräfte können am besten von ML profitieren, wenn sie es als Methode zur Umsetzung einer strategischen Vision betrachten. Das wiederum bedeutet, zuerst das Ziel und die Strategie festzulegen. Ohne diesen Ausgangspunkt wird ML leicht zu einem Tool, das nicht effizient in die Routineabläufe des Unternehmens eingebunden ist und folglich nicht den erwünschten langfristigen Nutzen bringt.

Wenn Sie mehr über AI und Machine Learning erfahren möchten, laden Sie gerne unser kostenloses Whitepaper „Artificial Intelligence as a Key Enabler for Business Digitalization“ herunter.

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

Future Value Chain

Integrated Business Planning – ein Schlüsselprozess für die Finanzfunktion

Integrated Business Planning (IBP) – und sein Vorläufer Sales and Operations Planning (S&OP) wurden traditionell als taktische, auf die …

weiterlesen
Procurement

Deutschlands Kohleausstieg bis 2038 – zukünftige Energieversorgung unklar

Deutschland hat seinen Ausstieg aus der Kohle bis 2038 erklärt. Was bedeutet das für deutsche Hersteller und die Energieversorgung von …

weiterlesen
Logistics

KI in der Logistik – Wie kann KI das Lademeterproblem lösen?

Künstliche Intelligenz (KI) kann einen wichtigen Beitrag zum Geschäftswert eines Unternehmens leisten. Die Transportlogistik bietet verschiedene Anwendungsszenarien mit wesentlichen …

weiterlesen