Einsatzgebiete für maschinelles Lernen

Ein Überblick über typische Anwendungsgebiete von maschinellen Lernverfahren und wo sie uns schon heute im Alltag begegnen - offensichtlich oder verdeckt.

Veröffentlicht am 01.02.2022. Zuletzt aktualisiert am 31.03.2022. 688 Wörter.

Die Verwendung maschinellen Lernens wird im Finanzwesen, im Gesundheitswesen, im Gastgewerbe, in der Regierung und darüber hinaus immer mehr zum Standard. Durch den Einsatz maschinellen Lernens werden Prozesse zu verbessert und Aufgaben zu automatisieren, die sonst stundenlange manuelle Arbeit erfordern würden. Viele Anwendungen, Tools und Dienste, die heute genutzt werden, wären ohne maschinelles Lernen nicht denkbar. So nutzen Lieferdienste beispielsweise maschinelles Lernen, um die optimalen Zeiten für die Abholung von Lebensmittelbestellungen durch die Fahrer abzuschätzen, während Streaming-Anbieter maschinelles Lernen einsetzt, um personalisierte Inhalte anzubieten.

Maschinelles Lernen treibt die Innovation in vielen Bereichen voran. Maschinelles Lernen ist kosteneffizient und skalierbar. Modelle können meist mit geringem Aufwand angepasst und erweitert werden. In etlichen Bereichen erreichen die Verfahren mittlerweile höhere Genauigkeiten als der Mensch und die Algorithmen können in nahezu Echtzeit arbeiten.

Beispiele für den Einsatz von maschinellem Lernen

Im Folgenden werden einige Beispiele wiedergegeben, um einen Eindruck von der Vielfältigkeit der Anwendungsmöglichkeiten zu gewinnen.

Virtuelle Assistenten

Siri, Alexa und Google Now – sie alle nutzen das maschinelle Lernen, um Sprachanfragen automatisch zu verarbeiten und zu beantworten. Dabei wird die gesprochene Sprache zunächst in Text umgesetzt (Speech-to-Text). Mithilfe von Verfahren aus dem Natural Language Processing und Deep Learning lernen sie, diese eine Aufforderung aus dem Text zu extrahieren und umzusetzen. Üblicherweise werde die Anfragen gesammelt um die Modelle zu verbessern und immer bessere Antworten liefern zu können.

Produktempfehlungen

Zur Gewinnmaximierung im E-Commerce versuchen Händler in der Regel, Interessenten möglichst relevante Produkte vorzuschlagen oder Käufern weitere passende Produkte zu offerieren. Hierfür werden Verfahren wie die Assoziationsanalyse genutzt. Auf Basis vorhandener Transaktionen werden Kaufgewohnheiten analysiert. Häufig geschieht dies über die Suche nach Assoziationen in den Transaktionen zu finden, z.B. Produkten, die Kunden gewöhnlich zusammen kaufen. Diese Daten werden dann für Produktempfehlungen und Produktplatzierungen verwendet oder um Marketingkampagnen zu planen oder Onlineshops zu optimieren.

Social-Media-Beobachtung

Um die Kundenzufriedenheit automatisch überwachen zu können, setzen Unternehmen maschinelle Lernverfahren auf Social-Media-Plattformen ein. Mit einfachen Webscraping-Methoden oder den Zugriff über die API einer Social-Media-Plattform werden Erwähnungen des Unternehmens oder von Produkten des Unternehmens in gemacht und analysiert. Dabei kommen textanalytische Verfahren wie die Sentiment Analyse zum Einsatz, die positive oder negative Äußerungen erkennt. Diese Informationen, aggregiert über viele Meinungsäußerungen, wird zu einem Gesamtbild über ein Unternehmen oder Produkt zusammengefügt und ggfs. weiterer Analysen unterzogen, um Gründe für die Meinungen zu bestimmen.

Bilderkennung

Mithilfe des maschinellen Lernens ist es möglich, Bilder zu identifizieren und zu klassifizieren. Zum Beispiel wird Gesichtserkennung oder die Fingerabdruckerkennung als Mittel zur biometrischen Identifikation eingesetzt, vom Entsperren von Mobiltelefonen bis hin zum Bezahlen. Auch selbstfahrende Autos nutzen die Bilderkennung zur Wahrnehmung von Raum und Hindernissen. Damit können Sie zum Beispiel Stoppschilder erkennen und Gefahren identifizieren.

Betrugserkennung

Techniken des maschinellen Lernens werden zur Aufdeckung von Betrug verwendet. So nutzen z.B. Zahlungsdienstleister die Outlier Detection, um ungewöhnliches Verhalten bei Kreditkartenzahlungen zu erkennen. Dieses Verfahren analysiert die Zahlungsmuster der Nutzer, um von typischem Verhalten Abweichungen zu identifizieren und so gegebenenfalls Sicherheitsmaßnahmen einzuleiten, wie z.B. die explizite Bestätigung einer Transaktion anzufordern.

Identifikation von Falschnachrichten

Algorithmen des maschinellen Lernens können auch eingesetzt werden, um die Identifikation von Falschnachrichten zu erleichtern. Auch hier wird eine Form der Outlier Detection angewendet. Ausgehend von einer Sammlung von Nachrichten identifiziert ein Algorithmus Gruppen von Nachrichten mit ähnlichem Inhalt, sogenannte Themencluster. Eine Nachricht, die nicht als Teil eines bestehenden Themenclusters identifiziert wurde, wird als potenzielle Falschnachricht betrachtet und einer genauen Prüfung unterzogen.

Einsatz in der Medizin

Die Fähigkeit von Maschinen, Muster in großen Datenmengen hoher Komplexität zu finden, macht ihren Einsatz in der medizinischen Diagnose interessant. Bildgebende Verfahren wie die Computertomographie (CT) oder die Magnetresonanztomographie (MRT) wären ohne den Einsatz von maschinellen Lernverfahren nicht denkbar, denn erst die Interpretation der Bilder durch solche Verfahren (z.B. Clustering-Verfahren) ermöglicht, die gewonnenen Informationen überhaupt in Bilder zu übersetzen. Weiterhin können auf Basis einer großen Anzahl von CT-/MRT-Bildern und dazugehörigen Diagnosen gelernt werden um Mediziner bei der Interpretation zu unterstützen.