Maschinelles Lernen entmystifiziert

Maschinelles Lernen (ML) kann für jeden, der damit nicht vertraut ist, undurchdringlich erscheinen. Ein Mangel an Verständnis dafür, was ML ist und was es für die Hersteller bedeutet ...

Maschinelles Lernen (ML) kann für jeden, der damit nicht vertraut ist, undurchdringlich erscheinen. Ein Mangel an Verständnis dafür, was ML ist und was es für die Fertigungsindustrie bedeutet, führt manchmal zu ausgefallenen Vorstellungen von intelligenten Maschinen, die bereit sind, die Menschheit zu übernehmen. Aber ML ist im Grunde genommen ein großer Fortschritt in der Entwicklung der Informationstechnologie (IT). Die Art und Weise, wie es funktioniert, und seine Grenzen müssen von denjenigen vollständig verstanden werden, die es zum vollständigen Nutzen ihrer Organisationen nutzen möchten.

ML erfordert zugegebenermaßen den Einsatz spezifischer Statistik- und IT-Kenntnisse, die nur wenige Menschen in der Fertigung haben oder gebraucht haben. Aber seine Prinzipien sind ganz einfach – und sogar intuitiv zu verstehen. Für mich war es etwas, das ich einst als eher banalen Onlinedienst für Sprachübersetzungen betrachtete – nämlich Google Translate –, der mir half, das transformative Potenzial von ML zu erkennen.

Vereinfacht gesagt basiert Sprachübersetzungssoftware seit langem auf Programmierwörterbüchern, Grammatikregeln und ihren zahlreichen Ausnahmen. Dieses Vorgehen ist mit erheblichem Aufwand verbunden.

Von „regelbasierten“ zu „datengesteuerten“ Prozessen

·  Die neue Methodik entstand aus einer einfacheren Idee:Versuchen Sie nicht, Regeln und lexikalische Tabellen von Grund auf neu zu definieren, sondern lassen Sie sie von der Software „entdecken“. Millionen bereits übersetzter Seiten werden von internationalen Organisationen gesammelt.

·  Wenn ein Nutzer einen Text zur Übersetzung einreicht, zerlegt ihn die Software in grundlegende Elemente und sucht dann auf den übersetzten Seiten nach identischen oder ähnlichen in derselben Sprache.

·  Die wahrscheinlichste Übersetzung wird extrahiert und dem Nutzer vorgeschlagen.

Relevante statistische Muster, die in den Daten gefunden werden, ersetzen daher Übersetzungsregeln. Anstatt mühsam programmiert zu werden, werden sie von der Software automatisch „gelernt“. Der Kosteneinsparungswert dieses Ansatzes im Vergleich zum herkömmlichen Ansatz ist leicht zu erkennen, zumal die Qualität der resultierenden Übersetzung in der Regel gleichwertig ist.

In der Fertigung werden die Produktivitätsgewinne durch eine erhebliche Qualitätsverbesserung ergänzt. Jeder, der schon einmal Automatisierungsprozesse spezifiziert hat, weiß, wie komplex es sein kann, alle möglichen Situationen zu antizipieren, denen die Software in der Produktion ausgesetzt sein wird. Dies gilt selbst dann, wenn Fachbereichsexperten beteiligt sind. Die funktionalen Regeln der Software basieren auf Annahmen, die ihrerseits auf einer begrenzten Anzahl von Beobachtungen beruhen. Die Realität erweist sich jedoch oft als weitaus komplexer als erwartet, sodass die Automatisierung irgendwann suboptimal ist oder die Software am Ende teure Korrekturen erfordert.

Maschinelles Lernen hingegen absorbiert und entwickelt sich unter Verwendung aller verfügbaren Daten, unabhängig vom Volumen. Das bedeutet, dass das Risiko, dass Muster oder ein Anwendungsfall außer Acht gelassen werden, begrenzt ist.

Der Mensch muss das Sagen haben

Die Maschine vermeidet auch die „kognitiven Verzerrungen“ der menschlichen Intelligenz, die sich in einer unvollkommenen Auswahl verfügbarer Daten und einer unangemessenen Entscheidungsfindung niederschlagen.

Ein gutes Beispiel ist die automatisierte Bearbeitung von Kreditanfragen bei Banken. Ein Algorithmus durchsucht die Schlüsselinformationen eines Kreditnehmers zusammen mit Erstattungsinformationen. Anschließend wird die wahrscheinliche Beziehung zwischen einem Kreditnehmerprofil und einem Ausfallrisiko hervorgehoben. Auf eine neue Kreditanfrage angewendet, sagt der Algorithmus mit einer als ausreichend erachteten Genauigkeit vorher, ob der Kreditnehmer zurückzahlen wird. Das bedeutet, dass das Risiko einer Fehlentscheidung, ausgelöst durch Vorurteile oder die Stimmung des Bankmitarbeiters, beseitigt wird.

Nichtsdestotrotz ist es entscheidend, dass der Mensch der letzte Entscheidungsträger bleibt.

Erstens, weil die Software offensichtlich nicht perfekt ist. Es wird von Einstellungen bestimmt, die von Menschen vorgenommen werden. Beispielsweise kann es optimiert worden sein, um „Falsch-Positive“ zu vermeiden (wobei das Darlehen einem Kreditnehmer gewährt wird, der in Verzug gerät) und wird daher dazu neigen, bestimmte Kreditanträge abzulehnen. Daher muss ein Benutzer prüfen, ob die Empfehlungen des Systems legitim sind, und sie gegebenenfalls ablehnen. Dadurch kann das System neue Kriterien lernen, sodass der Algorithmus beim nächsten Mal Bewerbungen von ähnlichen Profilen akzeptiert.

Ein weiterer wichtiger Grund ist, dass nur Menschen sicherstellen sollten, dass ethische Standards eingehalten werden, insbesondere wenn eine Entscheidung die Rechte einer Person betrifft.

Daten über alles

Es ist wichtig, ein algorithmisches Modell auszuwählen und einzurichten, das zu dem betreffenden Herstellungsprozess und der Art der ihn unterstützenden Daten passt. Die Automatisierungsleistung hängt von der Erfüllung zweier Anforderungen ab:Datenqualität und Repräsentativität des Trainingssatzes, was bedeutet, dass die Automatisierung effizienter ist, wenn ML auf der Grundlage unvoreingenommener Beobachtungen durchgeführt wird.

Der Zugriff auf Daten ist für den Erfolg von ML von entscheidender Bedeutung, da letztendlich kein Grad an algorithmischer Raffinesse jemals einen schlechten Datensatz ausgleichen kann.

Mit der wachsenden Leistungsfähigkeit von Computern und der Digitalisierung ist es möglich und wahrscheinlich unerlässlich geworden, einen datengesteuerten Ansatz zu nutzen, um effizientere automatisierte Fertigungsprozesse zu entwerfen. Über die erforderlichen wissenschaftlichen Fähigkeiten hinaus liegt der Erfolg dieser Lösungen in der Sammlung relevanter Daten und der Überwachung ihres Betriebs durch Menschen. Maschinelles Lernen neigt dazu, willkürliche Verhaltensweisen abzulehnen. Es liegt an uns sicherzustellen, dass diese nicht durch unangemessene Übergeneralisierungen ersetzt werden.

Von Jean-Cyril Schütterlé, ‎VP Product &Data Science bei Sidetrade