Anzeige
Anzeige
Machine Learning KI Künstliche Intelligenz

Maschinelles Lernen jedem zugänglich machen

Maschinelles Lernen kann in nahezu allen Branchen eine Unterstützung sein, Arbeitsschritte vereinfachen und neue Angebote für den Endkunden schaffen. Die Herausforderung ist die Komplexität dieser Anwendungen, die unbedingt herabgesetzt werden muss.

(Bild: Fotolia)
Anzeige
Anzeige

Eine der größten Schwierigkeiten, wenn wir über den Einsatz von maschinellem Lernen sprechen, ist die fehlende Expertise. Data Scientists werden überall händeringend gesucht. Auch aus diesem Grund können bislang vor allem nur Großkonzerne ML einsetzen.

Durch diesen beschränkten Einsatz kann maschinelles Lernen allerdings nicht das volle Potential entfalten. Die Technologie muss der Masse zur Verfügung stehen. Daher hat die Demokratisierung von maschinellem Lernen die größte Bedeutung für die Forschung und Entwicklung. Barrieren müssen abgebaut und das Know-how in alle Unternehmen und Institutionen getragen werden – gleich welcher Größe. Aus diesem Grund ist die Förderung offener Technologien und zugleich eine grundlegende Bildung unerlässlich, sodass die breite Masse ein Mindestmaß an Gefühl für die Funktionsweise und Möglichkeit von neuen Technologien bekommt.

Erst wenn das Grundwissen vorhanden ist, kann die Technologie auch in einer breiten Masse von Anwendungen eingesetzt werden, die Herausforderungen im Alltag meistern. Dass bisher jedoch noch vergleichsweise wenig auf Anwendungen gesetzt wird, liegt nicht an der Technik. Vielmehr entstehen keine konkreten Programme, weil Mitarbeiter noch nicht in diese Richtung denken, um eigene Systeme für das Unternehmen oder die Institution zu entwickeln.

Anzeige

Jede Fachabteilung soll zu einem "Innovation Lab" werden

Die Anweisungen von Oben oder die Einrichtung sogenannter Innovation Labs reichen nicht aus, um neue Konzepte zu erarbeiten. Auf diese Weise entstehen zwar häufig frische Ideen, jedoch zu selten auch Anwendungen für maschinelles Lernen, die sich in die bisherigen Strukturen integrieren und den einzelnen Abteilungen und dem Unternehmen wichtige Lösungen bieten. Mit dem richtigen Grundverständnis und dem Abbau von Ängsten vor der neuen Technologie kann jede Fachabteilung zu einem kleinen "Innovation Lab" werden. Aus den Fachabteilungen entstehen ML-Systeme, die den Alltag verbessern können. Sobald maschinelles Lernen und künstliche Intelligenz als Werkzeuge und Chance wahrgenommen werden, können sie eingesetzt werden.

Lead 4 Change Management 1200X1200
Mensch und Technik vereinen

Die Digitalisierung eröffnet neue Chancen in der modernen Arbeitswelt. Sollten Unternehmen jetzt mehr Experimente im Alltag wagen? Im LEAD Bookazine 4/2018 spricht Alexandra Borchardt über Change-Management und eine erfolgreiche Kombination von Mensch und Technik.

Wo maschinelles Lernen eingesetzt werden kann

Ein Projekt von maschinellem Lernen zu realisieren bedeutet mittlerweile übrigens keinesfalls, tief in die Programmierung einzusteigen. Moderne Werkzeuge erlauben es, selbst komplexe Aufgaben mithilfe von übersichtlichen Oberflächen zu meistern und eigene Modelle zu trainieren. Die Zoological Society of London erfasst beispielsweise mit ihren Kamerafallen weltweit Tausende Tiere. Ein auf Basis von Google Cloud AutoML Vision erstelltes Modell erkennt diese Tiere und klassifiziert sie. Hiermit kann die Gelehrtengesellschaft den Artenbestand weltweit schneller erfassen und noch besser für den Schutz der Tiere sorgen.

Der vereinfachte Einstieg eröffnet ganz neue Möglichkeiten. Nicht selten lassen sich komplette Projekte an einem halben Tag realisieren. Der grundlegende Gedanke ist es, selbst analoge Bereiche mit maschinellem Lernen anzureichern und so jeden zu einem Experten zu machen, der seine eigenen Systeme aufbauen und trainieren kann. Ein KFZ-Mechaniker könnte zum Beispiel eine Anwendung erstellen, mit der ein Lackschaden per Foto klassifiziert wird. Über eine Web-Anwendung oder App könnten Kunden direkt erfahren, wie viel das Ausbessern voraussichtlich – und unter Vorbehalt – kosten könnte. Damit erhält der Endkunden einen komplett neuen Service an die Hand, der gleichzeitig die Qualität der Arbeit verbessern kann.

Auch, wenn noch viel Potential in zahlreichen Unternehmen schlummert, ist maschinelles Lernen heute nicht nur in zahlreichen Branchen angekommen, sondern hat sich bereits fest etabliert. Im deutschsprachigen Raum bietet zweifelsohne das produzierende Gewerbe die meisten Möglichkeiten für maschinelles Lernen.

Allerdings stehen viele Betriebe mit Fertigungsstraßen vor Herausforderungen, die die IT klassischerweise nicht kennt: Viele Maschinen sind noch nicht vernetzt. Geringe Bandbreiten und schlechter Mobilfunkempfang erschweren die Verbindung zu Anwendungen in der Cloud, wo künstliche Systeme aufgrund der großen Rechenintensität trainiert werden müssen. Hinzu kommt eine große Störungsanfälligkeit von Funkverbindungen durch beispielsweise magnetische Felder sowie extrem hohe Anforderungen an Sicherheit und Compliance. All diese Punkte erschweren maschinelles Lernen aus der Cloud oder machen es scheinbar gänzlich unmöglich.

Maschinelles Lernen bietet viele Möglichkeiten

Dennoch gibt es Ansätze, um auch in diesen schwierigen Bedingungen maschinelles Lernen einzusetzen. Solche Systeme können helfen, den gesamten Produktionsablauf zu optimieren, oder die Qualitätssicherung verbessern. Denkt man nur an die visuelle Auswertung von Komponenten. Moderne Technologien bieten Lösungen, indem man das Beste aus zwei Welten kombiniert. Mit einem hybriden ML-Ansatz wird das System in der Cloud mit maximaler Performance trainiert und anschließend mit optimierten Kleinstcomputern lokal verwirklicht. Das Ganze kann dann mit äußerst geringer Latenz eingesetzt werden, um auch bei hochfrequenten Fertigungsstraßen einsetzbar sein zu können.

Ein Beispiel ist die Produktion von Plätzchen und Keksen. Hierbei wird permanent durch Kameras die Qualität der Plätzchen überwacht. Ist der Teig richtig gebacken worden oder sind einzelne Plätzchen zu dunkel oder zu hell? Ist die Marmelade kreisrund aufgetragen worden oder wurde gekleckert? Hochauflösende Videostreams versorgen Machine Learning-Systeme mit den Daten. So können binnen weniger Sekundenbruchteile Plätzchen aussortiert werden, die nicht dem Qualitätsstandard entsprechen. Asynchron werden die neu erhobenen Daten genutzt, um das Modell permanent zu verbessern und in der Cloud zu trainieren. Dadurch steigt nicht nur die Qualität der Plätzchen dauerhaft, sondern die Qualitätssicherung wird beschleunigt und verbessert.

Diese Beispiele zeigen, welche Möglichkeiten maschinelles Lernen bietet. Jede Branche kann davon profitieren und eigene Systeme erstellen, sobald die Technologie verstanden und schnell eingesetzt werden kann. Aus diesem Grund muss Machine Learning für alle zugänglich sein. Die Demokratisierung der Technik ist also der erste wichtigste Schritte, um Anwendungen und Lösungen in den unterschiedlichsten Bereichen zu realisieren. Erst so kann sich maschinelles Lernen weiterentwickeln und das große Potential für zahlreiche Unternehmen entfalten.

Stefan Ebener (Manager Customer Engineering – Machine Learning, EMEA) leitet als Manager Customer Engineering für Google Cloud ein EMEA-weites Machine Learning- und KI-Expertenteam. Außerdem unterstützt er Kunden bei der Einführung, Entwicklung und Erweiterung maßgeschneiderter Lösungen. Ebener ist freiberuflicher Dozent der Wirtschaftsinformatik und beschäftigt sich mit den Themen: ML, KI und Big Data.

Anzeige
Verlagsangebot
Anzeige
Aktuelle Stellenangebote
Alle Stellenangebote
Anzeige