Machine Learning Grundlagen

Dezember 21, 2017 / Bots, AI, Cognition / Power BI / Software Engineering December 12, 2018


Machine Learning in der Praxis

Machine Learning (ML) ist eine nützliche Sache. Mit cleveren Algorithmen kann man bestehende Daten erst einmal analysieren, ohne schon im Voraus wissen zu müssen, welche Frage man eigentlich stellen will.

Natürlich hilft es, wenn Daten bereits mit einem bestimmten Zweck erstellt und bewirtschaftet wurden. Und natürlich kann man auch auf sehr gut gepflegten Daten ML Algorithmen anwenden.

Spannend ist nun aber die Frage: Welche Fragestellungen können den überhaupt mit ML untersucht werden?

5 Muster. Mehr nicht.

Mit DataScience kann man gerade mal 5 verschiedene Fragestellungen beantworten:

  1. Unterscheidung von genau 2 Kategorien (Ist es A oder B?)
  2. Erkennen von Anomalien (Ist es ausserhalb der Norm?)
  3. Erkennung von Regression (Wie viel oder wie viele sind es?)
  4. Erkennen von Strukturen (Welche Gruppierungen gibt es in den Daten?)
  5. Erkennen von Handlungsmustern (Was muss ich als nächstes tun?)

Praktische Anwendungsfälle.

Muster sind nicht immer einfach in die praktische Anwendung zu überführen, deshalb mache ich für jedes Muster Beispielfälle: 

Unterscheidung von genau 2 Kategorien

Grundsätzlich macht dieses Muster nur Sinn, wenn man genau 2 Antworten in den Daten erwarten kann. Entscheidend ist also, eine geeignete Fragestellung zu entwerfen, die genau 2 Antworten liefern kann. Beispiele:

  1. Reichen unsere Lagerbestände bis zum Ende des Monats? Ja oder Nein?
  2. Welches Kundensegment liefert mehr Ertrag? Grosskunden oder Mittelstand?
  3. Welches Anreizsystem liefert mehr Kunden? IPhone X Gewinnspiel oder 25% Rabatt?

Erkennen von Anomalien

Das Erkennen von Abweichungen hat ein sehr breites Anwendungsfeld und wird schon lange im Bereich der Erkennung von Betrug im Bereich Telekommunikation, Banken oder Versicherungen eingesetzt. Immer häufiger findet man jedoch auch Anwendung in der Industrie, Im Internet und im Dienstleistungssektor. Hier ein paar Beispiel-Fragen:

  1. Liefert der IOT-Sensor normale Daten?
  2. Weicht die Kreditkartenzahlung von vergangenen Zahlungsmustern ab?
  3. Werden die Logistik-Übergabepunkte nach den üblichen Laufzeiten erreicht?

Erkennen von Regression

Regression wird vor allen Dingen zur Vorhersage (Prediction) von Meßgrössen oder Zahlenwerten auf Basis von Vergangenheitswerten eingesetzt werden. Hier ein paar Beispiel-Fragen:

  1. Mit welcher Temperatur können wir am 01.03.2018 rechnen?
  2. Wieviel Umsatz werden wir in Q1-2018 machen?
  3. Wieviele Mitarbeiter werden wir in der Nachtschicht in KW10-2018 benötigen?

Erkennen von Strukturen

Bei so genannten Clustering-Algorithmen lässt man die Algorithmen nach ähnlichen Mustern in Daten suchen. Im Gegensatz zu den vorherigen Mustern können Ergebnisse nicht richtig oder falsch sein.

Clustering hilft dabei, Verhaltensmuster oder Ereignisse besser zu verstehen oder auch vorherzusagen. Hier ein paar Beispiel-Fragen:

  1. Welche Art von Webseitenbesuchern suchen nach Sperrgut-Logistik?
  2. Welche Wartungs-Schaltungen erzeugen immer die selben Störungen?
  3. Welche Käufergruppen reagieren auf Discount-Angebote?

Erkennen von Handlungsmuster

So genannte „Re-Enforcement“-Algorithmen lernen von den Reaktionen auf bestimmte Ereignisse. Anhand der Reaktion entscheided der Algorithmus über die nächste Handlung.

Diese Algorithmen sind gut für kleine autonome Systeme – wie z.B. Home-Automation-Systeme – geeignet, die ohne menschlichen Einfluss selbst einfache Entscheidungen treffen müssen. Hier ein paar Automation-Beispiele:

  1. Klimasteuerung: Bei 22° – weiter kühlen – oder in den Standby-Mode gehen?
  2. Rasenmäher: Bei Widerstand an Koordinate x,y – rechts oder links abbiegen?
  3. Rollstuhl: Bei Gegenstand voraus – hart bremsen oder weich bremsen und abbiegen?

Fazit

Obwohl es im Machine Learning nur 5 individuelle Anwendungsmuster gibt, ist der Einsatzzweck extrem breit. Durch Kombination der Muster können auch komplexe Aufgabenstellungen mit ML unterstützt werden.

Wir nutzen vor allen Dingen die Azure AI und Azure Cognition Tools in unserer täglichen Praxis mit Machine Learning, künstliche Intelligenz oder Bots.

Durch die enge Integration der Azure Plattform mit vielen anderen Diensten, können Ergebnisse und Erkenntnisse aus ML Prozessen auch als Vor-, Zwischen- oder Nachbearbeitungs-Stufe für vorgelagerte (z.B. MS Dynamics 365, SAP) oder weiterführende Anwendungen (z.B. Power BI oder Workflow Anwendungen wie Flow oder NINTEX) dienen, falls die Ergebnisse aus den Machine Learning Läufen alleine für sich keine keine abschliessende Lösung für eine Aufgabenstellung bieten.

Würden Sie gerne wissen, wo Sie von Machine Learning profitieren könnten?

Unsere Experten beraten Sie gerne.