Machine Learning, Internet of Things (IoT) oder Blockchain sind nur einige der neuartigen Konzepte, die SAP Leonardo immer mehr in das SAP-Systemumfeld einbringt um Gesamtbetriebskosten zu reduzieren, Geschäftsprozesse zu optimieren und einen generellen Mehrwert für Unternehmen zu erzielen. Wenn diese Begrifflichkeiten bisher eher Neuland für Sie sind, ist unsere neue Blog-Serie „IT-Trends einfach erklärt“ genau richtig für Sie.
In unserem ersten Artikel der Serie geht es um Algorithmen für Maschinelles Lernen und wie diese eingesetzt werden.
IT-Trends
Worum geht es beim „Machine Learning“? Auf diesem Gebiet wird die Entwicklung intelligenter Algorithmen untersucht, die in der Lage sind, auf Basis von Daten zu lernen und Prognosen zu treffen – selbst wenn sie nicht eigens dafür programmiert wurden. Hierfür müssen eine Reihe von Trainingsdaten bereitgestellt werden, um einem Algorithmus „beizubringen“, wie er sich verhalten soll. Dabei ist die Datenqualität von extremer Bedeutung, denn andernfalls liefert ein Algorithmus schlicht falsche Ergebnisse.
Betrachten wir als Beispiel für so einen Algorithmus folgende Aufgabe: das Sortieren von Müll nach Papier, Kunststoff, Glas usw. Wenn wir einen Standard-Algorithmus verwenden, müssen wir eine Liste von Dingen festlegen und diese dem entsprechenden Behälter zuweisen. Zeitschriften, Kartonagen und Papierblätter gehören zum Beispiel in den Papierbehälter. Was aber geschieht, wenn der Algorithmus ein Briefumschlag sortieren muss?
Algorithmen für Maschinelles Lernen benötigen keine derart explizite Liste und die Erstellung einer solchen Liste wäre auch nahezu unmöglich. Es müssen lediglich genügend Beispiele vorhanden sein, damit der Algorithmus die entsprechend Logik der Aufgabe erlernen kann.
Wenn der Algorithmus nun eine bestimmte Sache sortieren soll, berechnet er, basierend auf den Trainingsdaten, wo diese hineingehört – auch dann, wenn er noch nie zuvor mit diesem in Berührung kam. Es genügt, um bei unserem Beispiel zu bleiben, dass der Briefumschlag einem Papier sehr ähnelt. Aus diesem Grund wird dieser Prozess als „Maschinelles Lernen“ bezeichnet: Der Algorithmus kann aus Erfahrung lernen und durch den Abgleich bisheriger Erfahrungen mit solchen, die genügend Ähnlichkeit aufweisen, Entscheidungen in neuen Situationen treffen.
Unerwartete Ergebnisse erhält man, wenn die Trainingsdaten nicht umfassend genug sind, mehrdeutig oder nicht ausreichend unterschiedliche Beispiele aufweisen. So kann der Algorithmus keine zufriedenstellende Schlussfolgerung ziehen. Daher wird dies Art der Algorithmen auch als probabilistisch (der Wahrscheinlichkeit nach) bezeichnet und die Ergebnisse sollten, zumindest anfangs, nochmals geprüft werden, um die Qualität zu verbessern.
Es gibt daneben auch „unüberwachte“ Algorithmen, die ohne Trainings funktionieren. Diese Algorithmen zählen allerdings nicht explizit zum Machine Learning. Sie nutzen stattdessen Konzepte wie Data Mining, Big Data oder statistische Methoden.
Wie kann man sich nun dieses Konzept zunutze machen, um seine Unternehmensprozesse zu verbessern?
Leider gibt es dafür keine vorgefertigte Lösung, da es schlicht zu zahlreiche verschiedene Algorithmen für Maschinelles Lernen gibt.
Es ist daher wichtig, dass man folgende Aspekte berücksichtigt, bevor man mit einem Projekt beginnt:
1. Das Problem, das einen beschäftigt, grundlegend durchdringen.
2. Verstehen, wie Algorithmen für Maschinelles Lernen dabei helfen, Probleme zu lösen und welche Einschränkungen bestehen.
3. Die Qualität der verfügbaren Daten bewerten (d.h. gibt es ausreichend Trainingsdaten und sind diese repräsentativ).
4. Entscheiden, ob die Implementierung eines Algorithmus für Maschinelles Lernen den Aufwand wert ist.
Wenn Sie die Implementierung dieser Techniken in Erwägung ziehen oder einfach mehr über Maschinelles Lernen erfahren möchten, schreiben Sie uns: knowhow@akquinet.de
Daniel Monteros und Jorge Lin (Special Developments SAST SOLUTIONS bei AKQUINET)