Grundlagen der Digitalisierung – Künstliche Intelligenz, Predictive Analytics

 07.01.2020 - Norbert Schenk

 

Für Datenanalysen im Rahmen von Big Data werden verstärkt Methoden bzw. Technologien aus dem Bereich der Künstlichen Intelligenz (KI) eingesetzt.

 

Da die entsprechenden Software-Algorithmen und Programme viel Rechnerkapazität und Speicherplatz benötigen, konnten sie in der Vergangenheit im industriellen Bereich wenig angewendet werden (die entsprechend notwendige IT-Architektur war zu aufwändig für einzelne Unternehmen). Durch den Einsatz von IoT-Plattformen ist dies jedoch mittlerweile möglich, so dass entsprechende KI-Anwendungen verstärkt auf den Markt kommen und über IoT-Plattformen als "Saas" für einzelne Unternehmen zur Verfügung stehen. D.h. man bezahlt nur dann die Leistung solcher Anwendungen, wenn man sie braucht. Um die Hardware muss man sich nicht kümmern. Somit sind KI-Anwendungen, die wertvolle Arbeit im Zusammenhang mit komplexen Datenauswertungen liefern können, verstärkt auch für kleine und mittlere Unternehmen (KMU) erschwinglich und verfügbar.

 

Im Rahmen der KI werden unter anderem Methoden des "Machine Learning" eingesetzt.

 

"Machine Learning" oder "Maschinelles Lernen" ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung. Ein künstliches System „lernt“ hierbei aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dabei werden die Beispiele nicht einfach auswendig gelernt, sondern das System „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann es nach der Lernphase dann auch „unbekannte“ Daten beurteilen. Wichtig hierbei ist, dass das System mit möglichst vielen Daten (Beispielen) aus dem entsprechend zu analysierenden Wissensbereich gespeist wird. Insbesondere Vergangenheitsdaten, aus denen sich gewisse Rückschlüsse über Ursache und Wirkung ergeben, sind wertvolle Fakten auf dessen Basis das System lernen kann und entsprechende Ergebnisse liefert. Je mehr Erfahrungswissen (Beispiele) dieser Art in das System eingegeben werden, desto besser werden die Ergebnisse sein. D.h. die Anwendung solcher Systeme macht nur dann Sinn, wenn entsprechende Mengen an Daten vorhanden sind. Mit den Möglichkeiten von Big Data wird es zukünftig verstärkt möglich sein, diese großen Datenmengen im Zusammenhang mit der Anwendung der KI im Rahmen der Datenanalyse und -auswertung zu nutzen.

 

Ein Lernverfahren, dass beim „Maschinellen Lernen“ zum Einsatz kommt, sind „Künstliche Neuronale Netze (KNN)“, da sie im Vergleich zu anderen konkurrierenden Lernverfahren bei herausfordernden Anwendungen oft bessere Ergebnisse liefern. Seine besonderen Eigenschaften machen das KNN bei allen Anwendungen interessant, bei denen kein oder nur geringes explizites (systematisches) Wissen über das zu lösende Problem vorliegt. KNN sind Netze aus künstlichen Neuronen. Die künstlichen neuronalen Netze haben, ebenso wie künstliche Neuronen, ein biologisches Vorbild. Man stellt sie den natürlichen neuronalen Netzen gegenüber, welche Nervenzellvernetzungen im Gehirn und im Rückenmark bilden. Bei einem KNN geht es jedoch mehr um eine Abstraktion (Modellbildung) von Informationsverarbeitung und weniger um das Nachbilden biologischer neuronaler Netze und Neuronen. Ähnlich wie beim biologischen Vorbild, lernt das KNN über die Veränderungen und das Hinzufügen bzw. Löschen von Verknüpfung der beteiligten Knoten (Synapsen, künstliche Neuronen), dem Hinzufügen oder Löschen von Knoten sowie der Veränderung der Gewichtung von Verbindungswegen zwischen den Knoten (d.h. je häufiger eine Verbindung genutzt wird, desto höher ist die Gewichtung dieser Verbindung, sprich mit dieser Verbindung ist man auf dem "richtigen Weg").

 

Typische Anwendungsbereiche die über "Machine Learning" gelöst werden sind bspw.:

• Bildverarbeitung bzw. Bilderkennung, Gesichtserkennung
• Mustererkennung (Datenzusammenhänge erkennen von Massendaten, Korrelationen erkennen und Cluster bilden etc.)
• Schrift- bzw. Texterkennung
• Spracherkennung und -generierung
• Maschinenübersetzung
• Robotik
• Medizinische Diagnostik
• Data Mining
• Predictive Analytics

 

Data Mining:

Unter Data-Mining versteht man die systematische Anwendung statistischer Methoden auf große Datenbestände (insbesondere Big Data bzw. Massendaten) mit dem Ziel, neue Querverbindungen und Trends zu erkennen. Solche Datenbestände werden aufgrund ihrer Größe mittels computergestützter Methoden verarbeitet.

 

Predictive Analytics:

Predictive Analytics verwendet historische Daten, um zukünftige Ereignisse vorherzusagen. Hierbei werden historische Daten verwendet, um ein mathematisches Modell zu erstellen, das wichtige Trends erfasst. Dieses „prädiktive“ Modell („Vorhersagemodell“) wird dann auf aktuelle Daten angewendet, um vorherzusagen, was als Nächstes passieren wird, oder um Aktionen vorzuschlagen, mit denen optimale Ergebnisse erreicht werden können. Predictive Analytics hat in den letzten Jahren viel Aufmerksamkeit erhalten, da bei unterstützenden Technologien große Fortschritte zu verzeichnen waren, vor allem in den Bereichen von Big Data und Machine Learning.

 

Typische Anwendungsbereiche sind bspw.:

• Automatisierung und Maschinenbau – Vorhersage von Maschinenausfällen
• Automobilbranche – Innovationen mit autonomen Fahrzeugen
• Luft- und/Raumfahrt – Zustandsüberwachung für Flugzeugtriebwerke
• Energieproduktion – Vorhersage von Strompreis und -bedarf
• Finanzdienstleistungen – Entwicklung von Kreditrisikomodellen

Bei Fragen zu den Themen können Sie mich gerne unverbindlich kontaktieren. Auch weitere Anregungen bzw. Erfahrungsaustausche zu den Themen sind gerne willkommen.

 

 Der Titel des nächsten Beitrags lautet:

 

„Grundlagen der Digitalisierung – Low-Code-Development, IT der zwei Geschwindigkeiten“