Proud to be printed

Von der ersten Idee einer Anwendung von Machine Learning bis zur Entscheidung über den Projektstart lassen sich viele Fehler vermeiden, die den Projekterfolg gefährden. Die Bedeutung von Daten und der Datenqualität für das Gelingen von ML-Projekten lässt sich nicht unterschätzen, aber auch darüber hinaus gibt es viele Fragen zu klären.


Unser Kollege Jan gibt Antworten zu zentralen KI-Fragen in javaSPEKTRUM.

ML effektiv für Innovation nutzen

 
Die wichtigsten Fragen sollten bereits vor Projektstart beantwortet sein. Neben grundsätzlichen Machbarkeitsbetrachtungen sollte zunächst geklärt werden, ob durch den Einsatz von ML ein effektiver Mehrwert erzeugt wird. ML allein als Trend zu betreiben wird keine Innovation erzeugen. Oft besteht jedoch die Chance, ein Problem zu lösen, welches ohne den Einsatz von KI oder ML nicht annähernd so effektiv gelöst werden kann. Dann können durch die Kombination von Forschergeist und Begeisterung für das Projekt wirklich innovative Lösungen gefunden werden.

Zu Beginn stehen aber noch nicht die Erzeugung und konkrete Analyse der passenden Daten im Vordergrund. Zunächst muss die Art der Problemstellung im Detail erörtert werden. Die Optimierung einer Maschineneinstellung unterscheidet sich im Hinblick auf die spätere Spezifikation der Daten beispielsweise grundlegend von einer Qualitätsbeurteilung von Werkstücken. Erst eine klare Problemdefinition erlaubt die spätere Beurteilung von Daten hinsichtlich Passung, Menge und Qualität.

Vortrainierte ML-Komponenten

 
Mit der Problemdefinition in der Hand gilt es zu klären, was der Stand der Technik an Lösungen zu bieten hat und hier müssen im ersten Schritt klassische Verfahren betrachtet und evaluiert werden. In diese Kategorie der klassischen Ansätze fallen hier auch alle vortrainierten ML-Komponenten, die sich wie jede andere Bibliothek im Programm integrieren lassen oder über eine API angesprochen werden. Solange wir selbst nicht lernen müssen, sollten wir das auch nicht tun.

Dabei gilt prinzipiell der gleiche Anspruch an die zugrunde liegenden Daten, wie in klassischen Trainingsverfahren für KI. Die Anforderungen an Art und Umfang der Daten sind jedoch deutlich geringer, da idealerweise nur ausgewählte Spezialfälle abgedeckt werden müssen. Auch hier gilt, dass die Suche nach einem passenden ML-Modul tendenziell um einige Größenordnungen weniger aufwendig ist als die Arbeit mit Daten und das Nachtrainieren.

Bei dieser Beurteilung steht die Frage im Raum, ob durch ML die Leistungsfähigkeit eines bestehenden Ansatzes verbessert werden soll oder ob eine grundständige Lösung entwickelt werden muss. Diese Einordnung ist essenziell für die Erstellung der Systemarchitektur. Das Zusammenspiel verschiedener Systemkomponenten gibt dabei vor, wie die Anforderungen an die ML-Lösung zu verfeinern sind. Parallel sollten die Anforderungen an das ML-System hinsichtlich Genauigkeit und Leistungsfähigkeit festgelegt werden. Zum einen, um den Einsatz grundsätzlich zu rechtfertigen und zum anderen als Messlatte für den Projekterfolg. Sollten die Zielvorstellungen an dieser Stelle unklar sein, so empfiehlt es sich über Machbarkeitsstudien den Erwartungshorizont zu schärfen.

Sobald wir uns davon überzeugt haben, dass wir ML wirklich benötigen und auch verstanden haben welche Rolle ML in der Gesamtlösung spielt, geht es im nächsten Schritt endlich um die Frage der Daten – mit denen alles steht oder fällt. Das Versprechen von Machine Learning ist es, in großen Datenmengen die Lösungen zu finden, die wir Menschen nicht erkennen können. Dafür sind jedoch nicht nur Daten in ausreichender Menge notwendig. Die Qualität der vorliegenden Daten spielt eine ebenso große Rolle.

Machine Learning Ansätze

 
Wenn sich die Antwort auf unser Problem nicht in den Daten verbirgt, kann logischerweise auch keine zufriedenstellende Lösung gefunden werden. Wir brauchen also Daten, die das Problem ausreichend gut repräsentieren, sodass daraus gelernt werden kann. Für das Lernen aus Daten gibt es im Machine Learning drei grundsätzliche Ansätze:

• Beim unüberwachten Lernen (unsupervised learning) wird die innere Struktur der Daten analysiert. So lassen sich beispielsweise besonders relevante Einflussgrößen oder Cluster identifizieren.
• Beim überwachten Lernen (supervised learning) wird aus Beispielen gelernt. Dazu müssen an die Daten zusätzliche Informationen angeheftet werden. Man spricht vom Datenlabeling.
• Wieder andere Anforderungen an die Daten stellt das Reinforcement Learning, welches nach dem Muster „Versuch und Irrtum“ das Verhalten eines Systems optimiert. Hier müssen bewertete Daten vorliegen, damit das System ein optimales Verhalten lernen kann. Ein prominentes Beispiel ist das Computerprogramm alphaGo, welches das Brettspiel Go spielt. Die Herausforderung besteht in der Bewertung verschiedener bekannter Spielszenarien, um den nächsten Zug zu planen.

Ist das Lernproblem definiert, geht es im nächsten Schritt an die Beurteilung der Datenqualität. Dazu bieten wir professionelle Workshops an.
Einen Einblick welche Fragestellungen dazu relevant sind, finde Sie außerdem im genannten Artikel in javaSPEKTRUM.

Diese kurze Zusammenfassung gibt Ihnen schon mal eine Übersicht, welche großartigen Möglichkeiten der Einsatz von künstlicher Intelligenz und Machine Learning mit sich bringt und wie Sie Fehler bereits vor Projektbeginn vermeiden.