{"id":9520,"date":"2024-01-19T06:00:00","date_gmt":"2024-01-19T06:00:00","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=9520"},"modified":"2024-05-07T14:52:03","modified_gmt":"2024-05-07T14:52:03","slug":"machine-learning","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/de\/blog\/machine-learning\/","title":{"rendered":"Machine Learning: Was Sie jetzt wissen m\u00fcssen"},"content":{"rendered":"\n

Was sehen Sie auf diesem Bild? Ein abstraktes Kunstwerk, das auf einer Auktion f\u00fcr viel Geld \u00fcber den Tisch gehen k\u00f6nnte? Einen Plan f\u00fcr die Stadt der Zukunft? Etwas v\u00f6llig anderes?<\/p>\n\n\n\n

\"Visualisierung\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Quelle: Midjourney<\/figcaption><\/figure>\n\n\n\n

So sieht Machine Learning aus! Zumindest, wenn man eine intelligente Maschine wie das KI-Programm Midjourney bittet, die Technologie zu visualisieren. Das Ergebnis: dekorativ. Aber leider ohne gro\u00dfen Erkenntnisgewinn f\u00fcr Business-Entscheider:innen. Die wichtigen Fakten m\u00fcssen wir uns offenbar nach wie vor anlesen\u2026<\/p>\n\n\n\n

Machine Learning: Lernen lernen f\u00fcr Maschinen <\/strong><\/p>\n\n\n\n

Zun\u00e4chst ist es wichtig, die Definition von Machine Learning zu kennen. Der Begriff beschreibt einen Teilbereich von K\u00fcnstlicher Intelligenz<\/a> (KI) beziehungsweise Artificial Intelligence (AI): eine Technologie, die es Computern erm\u00f6glicht, aus Daten zu lernen und verl\u00e4ssliche Vorhersagen oder Entscheidungen zu treffen. Daf\u00fcr m\u00fcssen Muster und Zusammenh\u00e4nge identifiziert werden, was das maschinelle Lernen zu einem extrem leistungsf\u00e4higen Werkzeug macht, um gro\u00dfe Datenmengen in wertvolles Wissen zu verwandeln. Im Kern geht es also darum, dass Maschinen automatisiert ihre Schl\u00fcsse aus Erfahrungen ziehen. Oder noch k\u00fcrzer gesagt: Maschinen lernen das Lernen. <\/p>\n\n\n\n

Dar\u00fcber hinaus zeichnet sich Machine Learning durch seine generativen F\u00e4higkeiten<\/a> aus: Es ist in der Lage, kreative Inhalte wie Texte, Bilder, Musik oder menschen\u00e4hnliche Gesichter zu erschaffen, indem es aus den Mustern neue Informationen und Daten erzeugt \u2013 so, wie Sie es oben im Midjourney-Beispiel gesehen haben.<\/p>\n\n\n\n

Wo die Grenze zu Deep Learning verl\u00e4uft<\/strong><\/p>\n\n\n\n

Machine Learning wird h\u00e4ufig mit den Begriffen Deep Learning<\/a> und KI gleichgesetzt. Deswegen hier die Abgrenzung: Machine Learning \u2013 ein Teilbereich von K\u00fcnstlicher Intelligenz \u2013 ist der \u00fcbergeordnete Begriff, der alle Ans\u00e4tze zum automatisierten Lernen aus Daten abdeckt.      Deep Learning ist eine fortgeschrittenere Form und zugleich ein Teilbereich des maschinellen Lernens. Es eignet sich besonders daf\u00fcr, komplexe Merkmale in gro\u00dfen Datens\u00e4tzen zu erkennen.  <\/p>\n\n\n\n

Der Hauptunterschied zwischen klassischem, \u201eflachen\u201c Machine Learning liegt darin, dass Deep Learning mithilfe von k\u00fcnstlichen neuronalen Netzen unstrukturierte Daten wie Bilder, Texte, Videos oder T\u00f6ne eigenst\u00e4ndig verarbeiten kann. Auch Bildgeneratoren wie Midjourney, Firefly, Artsmart oder fortgeschrittene Chatbots<\/a> wie ChatGPT oder Bard arbeiten mit neuronalen Netzen und geh\u00f6ren zur Schnittmenge Deep Learning. Zu derartig komplexem Lernen ist das herk\u00f6mmliche Machine Learning nicht in der Lage. Allerdings: Ohne gro\u00dfe Datenmengen funktioniert maschinelles Lernen, das keine k\u00fcnstlichen neuronalen Netze verwendet, oft besser als tiefes Lernen.  <\/p>\n\n\n\n

\"Eine\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button><\/figure>\n\n\n\n

So k\u00f6nnen Unternehmen von Machine Learning profitieren<\/strong><\/p>\n\n\n\n

In Ihrem Unternehmen k\u00f6nnen Sie die Erkenntnisse von Machine-Learning-Modellen f\u00fcr strategische Entscheidungen nutzen, die auf Fakten statt Vermutungen oder Bauchgef\u00fchl beruhen. So ergeben sich diverse Potenziale f\u00fcr Verbesserungen. Eine \u00dcbersicht:  <\/p>\n\n\n\n

\n
\n

Datenanalyse:<\/strong> Maschinelles Lernen erm\u00f6glicht es, gro\u00dfe Mengen an Daten zu analysieren und daraus wertvolle Schlussfolgerungen zu ziehen. Besonders relevant ist das im Kontext von Big Data.   <\/p>\n\n\n\n

Vorhersagen:<\/strong> Prognosen auf Grundlage historischer Daten sind in vielen Abteilungen wie Produktion, Marketing oder Vertrieb von gro\u00dfer Bedeutung. Zum Beispiel kann ein Einzelhandelsunternehmen damit vorab die Nachfrage bestimmter Produkte prognostizieren.<\/p>\n\n\n\n

Effizienzsteigerung:<\/strong> Die Technologie tr\u00e4gt dazu bei, Prozesse effizienter zu gestalten, indem sie sich wiederholende Aufgaben automatisiert und Muster in Datenbest\u00e4nden erkennt. Das kann die Produktivit\u00e4t erh\u00f6hen und Ressourcen einsparen.  <\/p>\n\n\n\n

Kostensenkung:<\/strong> Machine-Learning-Modelle sind ein Hebel, um die Betriebskosten zu senken. Das umfasst beispielsweise die Vorhersage von Wartungsbedarf in der Produktion, die Optimierung der Lieferketten und die Automatisierung von Aufgaben.  <\/p>\n\n\n\n

Kundenerlebnisse<\/strong>: <\/strong>Mit Machine Learning k\u00f6nnen Unternehmen ihre Produkte und Dienstleistungen verbessern, indem Kundenvorlieben analysiert und personalisierte Angebote erstellt werden. Folgen: h\u00f6here Kundenzufriedenheit und -bindung.  <\/p>\n\n\n\n

Risikomanagement:<\/strong> Entscheidungstr\u00e4ger:innen k\u00f6nnen Risiken mithilfe von Machine-Learning-Algorithmen besser verstehen, vorhersagen und minimieren. Das ist vor allem in Branchen wie Finanzdienstleistungen und Versicherungen von gro\u00dfer Bedeutung.  <\/p>\n\n\n\n

Innovation:<\/strong> Maschinelles Lernen unterst\u00fctzt bei der Entwicklung von neuen Produkten und Dienstleistungen. Das f\u00fchrt zu bahnbrechenden Fortschritten in vielen Branchen wie z.B. in der Medizin (Bereich Diagnose) oder in der Automotive-Branche (autonomes Fahren).  
Sicherheit:<\/strong> Machine-Learning-Algorithmen k\u00f6nnen Bedrohungen in Echtzeit identifizieren, indem sie verd\u00e4chtige Muster erkennen. Das findet etwa Anwendung in der Cyber Security oder bei der Erkennung von Betrugsf\u00e4llen im Finanzwesen.  <\/p>\n<\/div>\n<\/div>\n\n\n\n

Menschliches Handeln ist die Voraussetzung<\/strong><\/p>\n\n\n\n

Die Funktionsweise vom maschinellen Lernen unterscheidet sich im Prinzip kaum vom menschlichen Lernen. Wer einem Kind beibringen will, Tiere voneinander zu unterscheiden, zeigt ihm typische Bilder. Je mehr Bilder das Kind sieht und je mehr R\u00fcckmeldung es erh\u00e4lt, desto besser lernt es, Tiere anhand ihrer hervorstechenden Merkmale zu erkennen: Der Hase hat hochstehende L\u00f6ffelohren, die Giraffe einen langen Hals, der L\u00f6we eine Wuschelm\u00e4hne\u2026<\/p>\n\n\n\n

In \u00e4hnlicher Weise verallgemeinern maschinelle Lernmodelle und wenden ihre Erkenntnisse dann auf neue Umst\u00e4nde an. Der Machine-Learning-Algorithmus setzt immer menschliches Handeln voraus \u2013 schlie\u00dflich m\u00fcssen die Modelle zun\u00e4chst mit Daten gef\u00fcttert werden. Oft sind mehrere Entwicklungsschritte n\u00f6tig, bis ein sicheres Ergebnis vorliegt, das auf unbekannte Daten angewendet werden kann. Am Ende steht wieder der Mensch, der die Resultate einordnen muss.  <\/p>\n\n\n\n

Supervised Learning, Unsupervised Learning, Reinforcement Learning<\/strong><\/p>\n\n\n\n

Die meisten Anwendungen von Machine Learning lassen sich in drei Hauptkategorien einteilen: <\/p>\n\n\n\n

Supervised Learning (\u00dcberwachtes Lernen)<\/strong><\/td>Unsupervised Learning (Un\u00fcberwachtes Lernen)<\/strong><\/td>Reinforcement Learning (Verst\u00e4rkendes Lernen)<\/strong><\/td><\/tr>
Eine Methode, die bekannte Daten verwendet, um Muster und Zusammenh\u00e4nge festzustellen. Auf Basis dieser Muster werden Vorhersagen f\u00fcr neue Daten getroffen. Ein typisches Beispiel ist die Bilderkennung: Der Algorithmus lernt anhand von gelabelten Bildern, verschiedene Muster zu identifizieren. \u00c4hnlich funktioniert die Spracherkennung, bei der aufgezeichnete Sprachdaten f\u00fcr die Erfassung gesprochener W\u00f6rter oder S\u00e4tze herangezogen werden.<\/td>Dieses Konzept verwendet Daten, die nicht vorab gekennzeichnet wurden. Hierbei erkennt der Algorithmus von selbst Muster oder Gemeinsamkeiten in den Daten. Ein g\u00e4ngiges Beispiel ist die Clusteranalyse, bei der \u00e4hnliche Datenpunkte in Gruppen eingeteilt werden, ohne dass der Algorithmus vorher wei\u00df, nach welchen Kriterien dies geschieht. Eine weitere Anwendung: die Dimensionsreduktion, bei der komplexe Daten vereinfacht werden. 
<\/td>		Die Grundlage ist ein Algorithmus, der durch Interaktion mit seiner Umgebung lernt, anstatt auf vorherige Beispieldaten zur\u00fcckzugreifen. Gebraucht wird Reinforcement Learning etwa f\u00fcr Strategien in Videospielen, bei denen der Algorithmus durch Ausprobieren und Feedback eine optimale Vorgehensweise entwickelt. Auch bei der Entwicklung von autonomen Systemen wie selbstfahrenden Autos kommt diese Methode zum Einsatz.  <\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Das Business optimieren \u2013 in zahlreichen Bereichen<\/strong><\/p>\n\n\n\n

\u00dcber die vergangenen zwei Jahrzehnte haben technische Fortschritte das maschinelle Lernen zu einem wichtigen Baustein von Wirtschaft, Forschung und Entwicklung gemacht. <\/p>\n\n\n

\n
\n

\u201eMaschinelles Lernen kann eine Umw\u00e4lzung bewirken, aber damit sie erfolgreich ist, brauchen Unternehmen eine F\u00fchrung von oben. Wenn maschinelles Lernen einen Teil des Unternehmens ver\u00e4ndert, m\u00fcssen auch andere Teile ver\u00e4ndert werden. Das kann alles umfassen, vom Marketing \u00fcber die Produktion bis hin zur Lieferkette und sogar Einstellungs- und Anreizsysteme.\u201c<\/strong><\/p>\nErik Brynjolfsson<\/strong><\/cite><\/blockquote>\nUS-amerikanischer Wirtschaftswissenschaftler<\/strong><\/span>\n