Maschinelles
Lernen
Sie wachen morgens auf und bitten Ihren virtuellen persönlichen Assistenten, Sie über Ihren Tagesablauf zu informieren. Einige Zeit später verlassen Sie das Haus, um einen neuen Kunden zu treffen, und geben dessen Adresse in das GPS-Navigationssystem Ihres Autos ein. Nach der Besprechung prüfen Sie Ihre E-Mails, in der Gewissheit, dass sie auf Spam gefiltert wurden. Auf Ihren Konten in den sozialen Medien werden Ihnen „Personen, die Sie kennen könnten“ vorgeschlagen, und Sie erhalten ständig Popup-Werbung für Urlaube, da Sie kürzlich ein Hotel für einen Wochenendurlaub gebucht haben. Abends setzen Sie sich hin, um einen Film zu sehen, den Sie aus den Empfehlungen Ihres Streamingdienstes ausgewählt haben.
Vielleicht ist Ihnen das nicht bewusst, aber all das wäre ohne die Hilfe von Techniken des maschinellen Lernens nicht möglich gewesen.
Was genau ist maschinelles Lernen?
Maschinelles Lernen ist eine Grundlagentechnologie der Künstlichen Intelligenz, der es Computern ermöglicht, aus Daten zu lernen, d. h. Muster zu erkennen und das Gelernte dann ohne menschliches Zutun anzuwenden und weiter zu verbessern. Es ist mittlerweile aus unserem Leben nicht mehr wegzudenken. Die meisten Menschen aber sind sich gar nicht bewusst, wie allgegenwärtig ML geworden ist und wie es die Art und Weise bestimmt, wie wir unsere Entscheidungen im Alltag treffen. Es ist das, was Chatbots und die Apps auf unseren Smartphones antreibt. Es ist das, was uns bestimmte Websites, Online-Shops und Produkte vorschlägt. Maschinenelles Lernen wird in der medizinischen Forschung, der Videoüberwachung und der finanziellen Sicherheit eingesetzt – und in unzählig weiteren Bereichen.
Wie maschinelles Lernen funktioniert:
1. Sammeln der Daten
Hier werden möglichst viele Daten gesammelt, die für das zu lösende Problem relevant sind. Diese Erhebung kann aus bestehenden Datenbanken, IoT oder weiteren Datenbeständen erfolgen. Hierbei ist es wichtig, sich auf die richtige Datenmenge und -qualität zu konzentrieren, um optimale Ergebnisse zu erzielen.
2. Aufbereitung der Daten
Je besser Daten aufbereitet sind, desto stärker lässt sich ihre Effizienz verbessern. An dieser Stelle werden die Daten „aufgeräumt“. Echtzeitdaten können z. B. ziemlich unorganisiert sein oder es können Informationen fehlen. Ist das Ergebnis der Datenaufbereitung zufriedenstellend, werden sie in zwei unterschiedliche Datensätze aufgeteilt: Der größere Datensatz (ca. 80%) wird für das Training des Modells verwendet. Die restlichen Daten dienen der Auswertung.
3. Training des Modells
Hier wird es spannend: Der größere Datensatz wird mit einem Algorithmus verbunden, der mathematische Modellierung wie supervised oder unsupervised learning (überwachte oder unüberwachte Lernmethoden) anwendet, um zu lernen und Muster zu identifizieren – und um Vorhersagen zu treffen.
4. Testen des Modells
Hier wird das obige Modell auf seine Genauigkeit getestet. Wenn die Ergebnisse nicht zufriedenstellend sind, geht man weiter zu Schritt 5….
5. Verbessern – immer und immer wieder
Um es mit einem Sprichwort zu sagen: „Bleib am Ball!“ Das Modell wird so oft wie nötig verbessert, um die erforderliche Genauigkeit zu erreichen. Das kann bedeuten, dass man die Ergebnisse überprüft, um dann festzustellen. dass weitere Daten hinzugefügt werden müssen. Vielleicht müssen aber auch Anpassungen am Algorithmus vorgenommen und ggf. sogar ein neuer Algorithmus gewählt werden. An dieser Stelle sollte allerdings auch die Gefahr des „Overfittings“ (Überanpassung) erwähnt werden. Dieses Phänomen kann nach mehrfachen Änderungen des Modells auftauchen. „Per Zufall“ wird eine gute Parametisierung gefunden, die jedoch in der Praxis mit unbekannten bzw. neuen Daten eher schlecht funktioniert. Um dies zu vermeiden, ist es umso wichtiger, dass die Datenqualität und -quantität so früh wie möglich passt – ggf. muss eine Kreuzvalidierung durchgeführt werden.
Weitere interessante Beiträge
Mit Dario Hashemi sprechen wir darüber, wie man mit Hilfe von OptiCycle die Faktoren Resilienz, Liefertreue und Kosteneffizienz kombiniert.
Wir lösen komplexe Planungsprobleme – aber was genau meinen wir, wenn wir von Komplexität sprechen? Antworten auf die Frage: Was macht ein Problem komplex?
Die Volatilität erneuerbarer Energien hat Auswirkungen auf unser Stromnetz. Mathematische Optimierung unterstützt bei der Systemstabilität.
Die Vorteile von maschinellem Lernen
Wenn es ein bestimmtes Problem gibt und die Lösung unter riesigen Datenmengen begraben ist, dann ist Machine Learning die richtige Antwort. ML kann große Datenmengen viel schneller verarbeiten, analysieren und Muster daraus extrahieren, als jeder Mensch es könnte. Maschinelles Lernen wird bei Prognosen und Planungen eingesetzt, weil es ermöglicht, komplexere Algorithmen zu erstellen, die mehrere (historische) Datenquellen berücksichtigen, um so eine viel genauere Prognose zu erstellen. Maschinelles Lernen ist auch die treibende Kraft von Predictive Analytics. Diese Art der Analyse kommt unter anderem auch im OPTANO Blueprint erfolgreich zum Einsatz.
Algorithmen sind der fundamentale Aspekt des maschinellen Lernens und der Informatik im Allgemeinen, da sie einen logischen Lösungsweg für ein bestimmtes Problem bereitstellen und dem Computer vorgeben, wie er es zu lösen hat. Natürlich ist es umso besser, je genauer der Algorithmus ist und je effizienter er in Bezug auf seine Laufzeit ist. Die Konfiguration eines Algorithmus kann Tage oder gar Wochen dauern – ein gravierender Nachteil für Unternehmen, die schnell Lösungen für ihre Geschäftsprobleme benötigen.
Der OPTANO Algorithm Tuner beschleunigt diesen Prozess erheblich…
Der OPTANO Algorithm Tuner ist ein hochtechnologisches Werkzeug, das ein evolutionäres maschinelles Lernverfahren anwendet. Er ermöglicht es, bestehende Algorithmen so zu konfigurieren, dass sie genau auf den entsprechenden Anwendungsfall oder eine bestimmte Art von Eingabedaten, die bereits vorliegen, abgestimmt ist. Das Ergebnis: schnellere und effizientere Algorithmus-Laufzeiten.
Um die Leistung des Tuners zu verbessern, haben unsere Entwickler bei OPTANO die Machine Learning-Methode des supervised learning angewandt. Im Gegensatz zum unsupervised learning können bei dieser Methode die Eingabedaten mit bereits im Voraus bekannten Zielvariablen analysiert werden (d. h. die richtige Antwort ist vorgegeben), um präzise Empfehlungen und Prognosen zu geben. Der Algorithm Tuner leitet die Informationen aus Daten ab, die ein Nebenprodukt früherer Iterationen sind. Dafür ist keine zusätzliche Arbeit (weder manueller, noch automatischer Natur) erforderlich.
Durch den Einsatz eines speziellen Tuning-Algorithmus namens GGA (Gender-based Genetic Algorithm) und der Gray-Box-Optimierung können suboptimale Konfigurationen durch Zwischenergebnisse während des Laufs erkannt werden. Das heißt, sobald die Gray Box vorhersagt, dass eine Konfiguration für den gewünschten Anwendungsfall nicht optimal ist, wird sie die Auswertung automatisch beenden.
Indem ML-Techniken in den OPTANO Algorithm Tuner eingesetzt wurden, konnte die Tuningzeit mit jeder Version verkürzt werden.
Schnellere Lösungen mit dem OPTANO Algorithm Tuner und maschinellem Lernen
Durch die Möglichkeit, Algorithmen mit dem Algorithm Tuner schneller und effizienter zu konfigurieren, können Unternehmen noch schneller Lösungen für spezifische Probleme finden und so bessere Entscheidungen treffen, um viele Bereiche wie Terminplanung, Netzwerkplanung, Produktionsplanung, Lieferketten und vieles mehr zu optimieren. Außerdem ist er hochgradig anpassungsfähig, d.h. er kann an spezifische Anwendungsfälle angepasst werden.
Der OPTANO Algorithm Tuner mit Gray Box-Optimierung ist Open-Source und steht ab sofort zum kostenlosen Download bereit auf NuGet oder GitHub.
Wenn Sie mehr über OPTANO im Allgemeinen erfahren möchten und darüber, wie unsere Optimierungstechniken Ihrem Unternehmen nützen können, können Sie uns jederzeit kontaktieren. Wir beantworten gerne Ihre Fragen, senden Ihnen Informationen zu oder demonstrieren Ihnen OPTANO persönlich.
powered by Borlabs Cookie