Machine Learning jenseits der Leuchtturmprojekte

Es vergeht kaum eine Woche ohne spektakuläre Meldungen zum Thema Künstliche Intelligenz: So besitzen KIs nun gegenseitiges Verständnis, spielen mit Rubik‘s Cube und können auch Lippenlesen. Zwar sind das im Einzelnen recht verblüffende Fähigkeiten, doch es handelt sich trotzdem eher um Leuchtturmprojekte, die prinzipielle Möglichkeiten zeigen, aber noch weit entfernt vom praktischen Einsatz sind.

Eines der Probleme mit diesen Projekten: Sie lassen sich nicht in andere Bereiche übertragen. So übersteigt der Trick, den Zauberwürfel in Rekordgeschwindigkeit zurückzusetzen, die Fähigkeiten zahlreicher Menschen. Doch bedrohlich ist das nicht und es wird auch keine Arbeitsplätze kosten. Denn die Zauberwürfel-KI hat eine Inselbegabung, die lediglich ein einziges, winzig kleines Problem löst. Kurz: Sie ist interessant, aber nutzlos.

Die nützlichen KI-Anwendungen dagegen sind weniger spektakulär und nicht so sehr für Clickbait geeignet. Sie nutzen Machine Learning (ML), um Daten schneller und besser auszuwerten. Das wirkt auf den ersten Blick etwas langweilig, hat aber enormes wirtschaftliches Potenzial. Zwar kommen die einzelnen Marktbeobachter zu sehr unterschiedlichen Zahlen, doch die Schätzungen zeigen einen deutlichen Aufwärtstrend. So scheint das Marktpotenzial zwischen beinahe neun Milliarden US-Dollar bis 2022 und 18 Milliarden US-Dollar bis 2024 zu liegen.

Machine Learning in der Praxis

Die Anwendungsbereiche von Machine Learning sind sehr unterschiedlich, lassen sich aber unter einem Oberbegriff zusammenfassen: Predictive Analytics. Innerhalb sehr kurzer Zeit, nämlich seit 2012, haben sich die verschiedenen ML-Verfahren enorm verbessert und immer größere Anwendungsgebiete erobert.

• Im Maschinen- und Anlagenbau hilft Machine Learning mit der Auswertung von Sensordaten die Wartungskosten zu senken und die Anzahl von Ausfällen zu verringern (Predictive Maintenance). Darüber hinaus lässt sich auch einsetzen, um Produktionsprozesse zu optimieren und die Qualitätskontrolle zu automatisieren.

• In der Energiebranche bietet ML eine auf Wahrscheinlichkeiten beruhende Vorhersage des Energieverbrauchs in Stromnetzen oder von Leistungsspitzen bei Windfarmen und Solaranlagen.

• In der Medizintechnik sind Big-Data-Technologien ohnehin weit verbreitet, sodass Machine Learning hier über Datenanalyse neue Möglichkeiten zur Diagnose erlaubt.

• Die Finanzbranche nutzt ML-Verfahren zur Betrugserkennung und Ermittlung der Kreditwürdigkeit von Kunden. Darüber hinaus können sie aber auch bei der Auswahl von vielversprechenden Geldanlagemöglichkeiten helfen.

• Im Marketing hilft Machine Learning dabei, große Mengen von Daten auszuwerten und beispielsweise den Kundenstamm sinnvoll zu segmentieren. Ein interessantes Einsatzgebiet nennt sich „Sentiment Analysis“, bei der Kundenäußerungen in sozialen Netzwerken auf eine positive oder negative Haltung zu Unternehmen und Produkten untersucht werden.

Das sind nur wenige Beispiele für die inzwischen sehr zahlreichen Anwendungsmöglichkeiten. Die Machine-Learning-Plattform DataRobot führt eine Datenbank mit Fallbeispielen aus den oben erwähnten Branchen. Die einzelnen Beispiele stellen die Probleme von Unternehmen in diesem Bereich und die durch Machine Learning möglichen Lösung jeweils vor. Ein Hinweis: Es werden nur Fälle genannt, die mit DataRobot bereits umgesetzt wurden.

Bildquelle: Thinkstock