Machine Learning: Was Sie jetzt wissen müssen

Was sehen Sie auf diesem Bild? Ein abstraktes Kunstwerk, das auf einer Auktion für viel Geld über den Tisch gehen könnte? Einen Plan für die Stadt der Zukunft? Etwas völlig anderes?

So sieht Machine Learning aus! Zumindest, wenn man eine intelligente Maschine wie das KI-Programm Midjourney bittet, die Technologie zu visualisieren. Das Ergebnis: dekorativ. Aber leider ohne großen Erkenntnisgewinn für Business-Entscheider:innen. Die wichtigen Fakten müssen wir uns offenbar nach wie vor anlesen…

Machine Learning: Lernen lernen für Maschinen 

Zunächst ist es wichtig, die Definition von Machine Learning zu kennen. Der Begriff beschreibt einen Teilbereich von Künstlicher Intelligenz (KI) beziehungsweise Artificial Intelligence (AI): eine Technologie, die es Computern ermöglicht, aus Daten zu lernen und verlässliche Vorhersagen oder Entscheidungen zu treffen. Dafür müssen Muster und Zusammenhänge identifiziert werden, was das maschinelle Lernen zu einem extrem leistungsfähigen Werkzeug macht, um große Datenmengen in wertvolles Wissen zu verwandeln. Im Kern geht es also darum, dass Maschinen automatisiert ihre Schlüsse aus Erfahrungen ziehen. Oder noch kürzer gesagt: Maschinen lernen das Lernen. 

Darüber hinaus zeichnet sich Machine Learning durch seine generativen Fähigkeiten aus: Es ist in der Lage, kreative Inhalte wie Texte, Bilder, Musik oder menschenähnliche Gesichter zu erschaffen, indem es aus den Mustern neue Informationen und Daten erzeugt – so, wie Sie es oben im Midjourney-Beispiel gesehen haben.

Wo die Grenze zu Deep Learning verläuft

Machine Learning wird häufig mit den Begriffen Deep Learning und KI gleichgesetzt. Deswegen hier die Abgrenzung: Machine Learning – ein Teilbereich von Künstlicher Intelligenz – ist der übergeordnete Begriff, der alle Ansätze zum automatisierten Lernen aus Daten abdeckt.      Deep Learning ist eine fortgeschrittenere Form und zugleich ein Teilbereich des maschinellen Lernens. Es eignet sich besonders dafür, komplexe Merkmale in großen Datensätzen zu erkennen.  

Der Hauptunterschied zwischen klassischem, „flachen“ Machine Learning liegt darin, dass Deep Learning mithilfe von künstlichen neuronalen Netzen unstrukturierte Daten wie Bilder, Texte, Videos oder Töne eigenständig verarbeiten kann. Auch Bildgeneratoren wie Midjourney, Firefly, Artsmart oder fortgeschrittene Chatbots wie ChatGPT oder Bard arbeiten mit neuronalen Netzen und gehören zur Schnittmenge Deep Learning. Zu derartig komplexem Lernen ist das herkömmliche Machine Learning nicht in der Lage. Allerdings: Ohne große Datenmengen funktioniert maschinelles Lernen, das keine künstlichen neuronalen Netze verwendet, oft besser als tiefes Lernen.  

So können Unternehmen von Machine Learning profitieren

In Ihrem Unternehmen können Sie die Erkenntnisse von Machine-Learning-Modellen für strategische Entscheidungen nutzen, die auf Fakten statt Vermutungen oder Bauchgefühl beruhen. So ergeben sich diverse Potenziale für Verbesserungen. Eine Übersicht:  

Menschliches Handeln ist die Voraussetzung

Die Funktionsweise vom maschinellen Lernen unterscheidet sich im Prinzip kaum vom menschlichen Lernen. Wer einem Kind beibringen will, Tiere voneinander zu unterscheiden, zeigt ihm typische Bilder. Je mehr Bilder das Kind sieht und je mehr Rückmeldung es erhält, desto besser lernt es, Tiere anhand ihrer hervorstechenden Merkmale zu erkennen: Der Hase hat hochstehende Löffelohren, die Giraffe einen langen Hals, der Löwe eine Wuschelmähne…

In ähnlicher Weise verallgemeinern maschinelle Lernmodelle und wenden ihre Erkenntnisse dann auf neue Umstände an. Der Machine-Learning-Algorithmus setzt immer menschliches Handeln voraus – schließlich müssen die Modelle zunächst mit Daten gefüttert werden. Oft sind mehrere Entwicklungsschritte nötig, bis ein sicheres Ergebnis vorliegt, das auf unbekannte Daten angewendet werden kann. Am Ende steht wieder der Mensch, der die Resultate einordnen muss.  

Supervised Learning, Unsupervised Learning, Reinforcement Learning

Die meisten Anwendungen von Machine Learning lassen sich in drei Hauptkategorien einteilen: 

Supervised Learning (Überwachtes Lernen)	Unsupervised Learning (Unüberwachtes Lernen)	Reinforcement Learning (Verstärkendes Lernen)
Eine Methode, die bekannte Daten verwendet, um Muster und Zusammenhänge festzustellen. Auf Basis dieser Muster werden Vorhersagen für neue Daten getroffen. Ein typisches Beispiel ist die Bilderkennung: Der Algorithmus lernt anhand von gelabelten Bildern, verschiedene Muster zu identifizieren. Ähnlich funktioniert die Spracherkennung, bei der aufgezeichnete Sprachdaten für die Erfassung gesprochener Wörter oder Sätze herangezogen werden.	Dieses Konzept verwendet Daten, die nicht vorab gekennzeichnet wurden. Hierbei erkennt der Algorithmus von selbst Muster oder Gemeinsamkeiten in den Daten. Ein gängiges Beispiel ist die Clusteranalyse, bei der ähnliche Datenpunkte in Gruppen eingeteilt werden, ohne dass der Algorithmus vorher weiß, nach welchen Kriterien dies geschieht. Eine weitere Anwendung: die Dimensionsreduktion, bei der komplexe Daten vereinfacht werden.	Die Grundlage ist ein Algorithmus, der durch Interaktion mit seiner Umgebung lernt, anstatt auf vorherige Beispieldaten zurückzugreifen. Gebraucht wird Reinforcement Learning etwa für Strategien in Videospielen, bei denen der Algorithmus durch Ausprobieren und Feedback eine optimale Vorgehensweise entwickelt. Auch bei der Entwicklung von autonomen Systemen wie selbstfahrenden Autos kommt diese Methode zum Einsatz.

Das Business optimieren – in zahlreichen Bereichen

Über die vergangenen zwei Jahrzehnte haben technische Fortschritte das maschinelle Lernen zu einem wichtigen Baustein von Wirtschaft, Forschung und Entwicklung gemacht. 

Tatsächlich wird Machine Learning heute bereits in einer Vielzahl von Unternehmensbereichen eingesetzt. Eine Übersicht:

Kundenservice:  

• Automatisierung von Kundenanfragen durch Chatbots und virtuelle Assistenten  
• Personalisierung von Kundeninteraktionen und Vorhersagen von Kundenbedürfnissen für die Bereitstellung maßgeschneiderter Angebote  
• Identifikation von Aktivitäten oder Support-Anfragen  

Marketing und Vertrieb:  

• Personalisierung von Marketingkampagnen, Vertriebsstrategien und Produktempfehlungen, basierend auf dem Verhalten der Kund:innen 
• Vorhersagen von Umsatzzielen und Verkaufstrends anhand von umfassenderen und aktuelleren Informationen  
• Höhere Profitabilität durch die Analyse von Marktdaten und Wettbewerbsinformationen  

Personalwesen:  

• Bewerber-Auswertung durch die Analyse von Lebensläufen und Interviews  
• Mitarbeiter-Engagement durch die Analyse von Mitarbeiterfeedback und -verhalten  
• Schulungs- und Entwicklungsprogramme zur Kompetenzstärkung  

Produktion:  

• Vorausschauende Wartung zur Minimierung von Ausfallzeiten und Optimierung der Ressourcenallokation  
• Qualitätskontrolle und Fehlererkennung in Produktionsprozessen  
• Nachfrageprognosen zur effizienten Ressourcenplanung  

Logistik:  

• Lagerbestandsmanagement und Bestandsprognosen  
• Überwachung der Lieferkette und Erkennung von Engpässen oder Problemen

Sechs Stolpersteine für Machine-Learning-Projekte

Machine-Learning-Projekte sind keine Selbstläufer, sondern brauchen umsichtige Planung und Vorbereitung. Die folgenden kritischen Punkte sollten Sie bereits im Vorfeld berücksichtigen, damit sie nicht den Erfolg Ihrer Unternehmung gefährden:

1. Datenqualität und -quantität: Der Erfolg hängt maßgeblich von der Leistung und Menge der verfügbaren Daten ab. So bietet sich die Chance, Modelle zu erstellen, die effektiv und präzise arbeiten – ohne übermäßige Anpassung an die Trainingsdaten (Overfitting) oder das Risiko, wichtige Muster zu übersehen (Underfitting).

2. Ressourcenbereitstellung: Maschinelles Lernen erfordert erhebliche Rechenleistungen, leistungsstarke Hardware und umfangreiche Datensätze. Diese Investitionen können sich als wertvoll erweisen, um aussagekräftige Erkenntnisse zu gewinnen und innovative Lösungen zu entwickeln.

3. Spezialisierte Fachkräfte: Die Umsetzung von Machine Learning erfordert spezialisiertes Wissen in Bereichen wie Statistik oder Programmierung. Dadurch wird Ihr Unternehmen sozusagen zu seinem Glück gezwungen: Es hat die Gelegenheit, weitsichtig zu agieren, talentierte Fachkräfte einzustellen und an sich zu binden.

4. Regelmäßige Wartung: Es ist nicht so, dass Machine-Learning-Modelle einmalig erstellt werden und dann dauerhaft einsatzbereit sind – sie müssen regelmäßig aktualisiert werden. Machen Sie aus dieser „Not“ eine Tugend und unterstreichen Sie die Flexibilität Ihres Unternehmens in einer Umgebung, die sich ständig verändert.

5. Gerechtigkeit und Ethik: Die Verwendung ausgewogener Trainingsdaten trägt dazu bei, diskriminierende Vorurteile zu vermeiden und sicherzustellen, dass Machine-Learning-Anwendungen fair und ethisch korrekt sind.

6. Datenschutz und Sicherheit: Der Einsatz von KI ist für Unternehmen vor allem dann interessant, wenn Firmen- und Kundendaten verarbeitet werden. Das heißt aber auch, dass Sie beim Einsatz von KI und Machine Learning wirkungsvolle Sicherheitsmaßnahmen und Datenschutzrichtlinien implementieren müssen, um das Vertrauen ihrer Kund:innen zu erhalten. Das geht nur über einen übergreifenden Ansatz zum Datenschutz: mit einer klaren Kommunikation der Datenschutzrichtlinien und -maßnahmen, der Einhaltung von Datenschutzgesetzen sowie maximaler Transparenz.

Mit KI und Machine Learning können Unternehmen durch Personalisierung noch engere Kundenbeziehungen aufbauen und besser für Kund:innen da sein. Entscheidend ist dafür die richtige Datenstrategie und ein leistungsstarkes CRM mit CRM. Seit Jahren führend in diesem Bereich ist Salesforce. Seit der Einführung der Künstliche Intelligenz Salesforce Einstein im Jahr 2016 ist Salesforce das weltweit führende CRM mit KI. Einfach und schnell integrierbar sowie automatisch gewartet, erfüllt Salesforce Einstein alle Anforderungen, damit sensible Daten nicht ungewollt von maschinellen Lernmodellen erfasst werden.

Dabei ist der Einstein Trust Layer ein wichtiger Baustein. Die Sicherheitsschicht gewährleistet unter anderem, dass Unternehmensdaten mittels Data Masking verschleiert werden, bevor sie an eine externe Künstliche Intelligenz gehen. Dazu verwendet der Einstein Trust Layer fortschrittliche Verschlüsselungs- und Anonymisierungstechnologien. In die Salesforce Plattform integriert, ermöglicht er es Unternehmen, die Vorteile von Machine Learning und KI zu nutzen, ohne die Sicherheit ihrer sensiblen Informationen zu gefährden. Zugleich werden KI-Anwendungen damit fair und transparent gestaltet.  

Checkliste zur Implementierung

Sie wollen das Thema konkret angehen und Machine-Learning-Projekte in Ihrer Firma umsetzen? Als Fazit finden Sie hier einen kompakten Überblick mit den wichtigsten To Dos. 

Sie wollen mehr über KI erfahren? Unser E-Book “KI verstehen: Schlüsselbegriffe erklärt” bietet Ihnen einen Überblick.