Ma­chi­ne Le­arning

Die vier gro­ßen An­bie­ter Cloud-ba­sier­ter Lö­sun­gen im Pra­xis-Check.

Computerwoche - - Vorderseite - Von Björn Bött­cher, Se­ni­or Ana­lyst und Da­ta Prac­tice Le­ad bei Crisp Re­se­arch

Ob Pre­dic­tive Ana­ly­tics, die In­for­ma­ti­ons­ge­win­nung aus neu­en Da­ten­quel­len oder das Durch­su­chen al­ter Be­stands­da­ten – über­all wer­den Ma­chi­ne-Le­arnin­gAl­go­rith­men ein­ge­setzt. Doch was hal­ten die Ver­spre­chen der gro­ßen An­bie­ter?

Ver­fah­ren für Ma­chi­ne Le­arning ge­win­nen im­mer mehr an Be­deu­tung. Das zeigt un­ter an­de­rem die ak­tu­el­le An­kün­di­gung von Nvi­dia: Ein ei­gens für Deep Le­arning kon­zi­pier­ter Gra­fik­pro­zes­sor be­treibt dem­nächst den Su­per­com­pu­ter Nvi­dia DGX-1. Wer nicht so viel Geld für ein High-Per­for­mance-Sys­tem in die Hand neh­men möch­te oder sei­nen Be­darf noch nicht ein­zu­schät­zen ver­mag, kann auch auf Cloud-Lö­sun­gen zu­rück­grei­fen. Ama­zon Web Ser­vices (AWS), Goog­le Cloud Plat­form, IBM Blu­emix und Mi­cro­soft Azu­re bie­ten mit ih­ren Cloud-Platt­for­men mitt­ler­wei­le „Ma­chi­ne Le­arning as a Ser­vice“an.

Die pas­sen­de Vor­her­sa­ge

War­um brau­chen wir Ma­chi­ne-Le­arning-Al­go­rith­men über­haupt? Wol­len wir un­ser Le­ben und un­ser Ge­schäft mög­lichst ein­fach ge­stal­ten, be­deu­tet die Ver­wen­dung von Ma­chineLe­arning-Al­go­rith­men ei­nen gro­ßen Schritt in die­se Rich­tung. Die­se ver­su­chen, Mus­ter in Da­ten­be­stän­den zu er­ken­nen. Da­bei ist es be­son­ders wich­tig, die re­le­van­ten Mus­ter auf­zu­spü­ren – denn es las­sen sich in na­he­zu al­len Da­ten­quel­len Mus­ter fin­den und auch Re­la­tio­nen zu an­de­ren Er­eig­nis­sen her­stel­len. Stets zu hin­ter­fra­gen sind je­doch de­ren Plau­si­bi­li­tät und Kor­rekt­heit. Wur­den sinn­vol­le Mus­ter er­kannt, so kann auf die­ser Grund­la­ge mit Hil­fe von ma­the­ma­ti­schen Mo­del­len ei­ne Vor­her­sa­ge für neue Da­ten er­stellt wer­den. Das hilft in vie­len Be­rei­chen des Le­bens und des Ge­schäfts. Im Le­ben, da wir uns nicht mehr all­zu viel Mü­he ge­ben müs­sen bei der Su­che nach Mu­sik, Bü­chern oder Vi­de­os, die uns in­ter­es­sie­ren könn­ten. Im ge­schäft­li­chen Um­feld hel­fen uns die Mus­ter, den Ab­satz zu stei­gern, den Ge­winn zu er­hö­hen oder ei­nen bes­se­ren Ser­vice für Kun­den zu bie­ten.

Wo Ma­chi­ne Le­arning zum Ein­satz kommt

Die meis­ten Ma­chi­ne-Le­arning-Al­go­rith­men las­sen sich für die fol­gen­den klas­si­schen An­wen­dungs­be­rei­che nut­zen:

Be­trugs­er­ken­nung bei Trans­ak­tio­nen,

Spam-Er­ken­nung, Per­so­na­li­sie­rung von In­hal­ten,

Do­ku­men­ten­klas­si­fi­zie­rung,

Pro­gno­se der Kun­den­ab­wan­de­rung,

au­to­ma­ti­sier­te Lö­sungs­emp­feh­lung für den Kun­den­dienst,

Sen­ti­ment-Ana­ly­sen (bei­spiels­wei­se po­si­ti­ve/ne­ga­ti­ve Mei­nun­gen oder Äu­ße­run­gen),

Rou­ting-Ent­schei­dun­gen von Nach­rich­ten,

Ana­ly­se von Up­sel­ling-Mög­lich­kei­ten,

E-Mail-Klas­si­fi­zie­rung,

Dia­gno­se­sys­te­me und

Emp­feh­lungs­sys­te­me.

Um die An­wen­dungs­fäl­le ent­spre­chend ab­bil­den zu kön­nen, steht ei­ne gan­ze Tool­box von Ma­chi­ne-Le­arning-Ver­fah­ren zur Ver­fü­gung. Die gän­gigs­ten Ver­fah­ren für die ge­nann­ten Ein­satz­be­rei­che sind:

Haupt­kom­po­nen­ten-Ana­ly­se (PCA),

Sup­port Vec­tor Ma­chi­nes (SVM),

Mul­ti-Klas­sen- und Mul­ti-La­bel-Al­go­rith­men,

Clus­te­ring-Ver­fah­ren,

Re­gres­sio­nen,

sta­tis­ti­sche Funk­tio­nen und Text­ana­ly­se.

Kom­men wir nun zu der Fra­ge, wel­che Ver­fah­ren die re­le­van­ten Cloud-Play­er auf ih­ren Platt­for­men in wel­chem Mo­dell an­bie­ten.

Vier An­bie­ter – vier Stra­te­gi­en?

Gibt es ei­ne ein­fa­che Nut­zung von Ma­chineLe­arning-Ver­fah­ren in der Cloud? In je­dem Fall stel­len sich zwei Fra­gen: Be­kommt der An­wen­der hier wirk­lich ein mäch­ti­ges Werk­zeug an die Hand? Wie tief wird er in das An­bie­ter­port­fo­lio ge­drängt, so dass sich sei­ne Ab­hän­gig­keit er­höht?

Fol­gen­de vier An­ge­bo­te bie­ten ei­nen nut­zungs­ba­sier­ten Zu­gang zu Ma­chi­ne-Le­arning-Di­ens­ten über die Pu­b­lic Cloud: Ama­zon Ma­chi­ne Le­arning,

Mi­cro­soft Azu­re Ma­chi­ne Le­arning, IBM Blu­emix und

Goog­le Pre­dic­tion API.

Auf­fal­lend ist, dass al­le An­bie­ter ei­nen re­la­tiv ein­fa­chen und kos­ten­güns­ti­gen Ein­stieg er­mög­li­chen. Ama­zon bie­tet ei­ne gu­te User Ex­pe­ri­ence, wenn es um die Nut­zung von Ma­chi­ne-Le­arning-Di­ens­ten geht. An­wen­der brau­chen we­nig Wis­sen aus die­sem Be­reich und kön­nen den­noch über die Web-Ober­flä­che Mo­del­le er­stel­len, wel­che dann in die ei­ge­nen Pro­duk­te und Lö­sun­gen in­te­griert wer­den kön­nen. Bei IBM und Goog­le sind die Pre­dic­tive­Di­ens­te ein we­nig code­las­ti­ger, und auch die Aus­wahl von Fea­tu­res und La­bels er­folgt hier über die API.

Bei Mi­cro­soft funk­tio­niert der Zu­gang nach ei­nem an­de­ren An­satz. Hier be­kommt der Nut­zer ein gra­fi­sches Pro­gram­mier­mo­dell an die Hand, das ihm ei­nen Zu­gang zu Pro­zes­sen von Ma­chi­ne Le­arning er­mög­licht. Über Pi­pe­lines wer­den dann die ein­zel­nen Schrit­te de­fi­niert und ge­ge­be­nen­falls auch durch ei­ge­nen Co­de er­wei­tert. Der fer­ti­ge Work­flow kann dann als Ser­vice ge­star­tet wer­den und war­tet, wie bei al­len an­de­ren An­bie­tern auch, auf fri­sche Da­ten, da­mit das trai­nier­te Mo­dell sei­ne Vor­her­sa­gen tref­fen kann.

Ist Ma­chi­ne Le­arning als Di­enst be­reit für die Cloud?

Ent­wick­ler und Da­ta Sci­en­tists kön­nen ih­re Ma­chi­ne-Le­arning-Ver­fah­ren für un­ter­schied­li­che An­wen­dungs­sze­na­ri­en di­rekt in der Cloud nut­zen und aus­füh­ren. Je nach Be­darf ge­ben die An­bie­ter Zu­griff auf die un­ter­schied­li­chen Al­go­rith­men, die sie na­tür­lich am liebs­ten aus den ei­ge­nen Sto­r­a­ge-An­ge­bo­ten be­füllt se­hen. Mi­cro­soft schafft ei­ne gu­te User Ex­pe­ri­ence für Ma­chi­ne-Le­arning-Pro­zes­se als gra­fi­sches Pro­gram­mier­mo­dell und er­mög­licht den Ein­griff an je­der Stel­le der Pi­pe­line. Da­mit bie­tet Mi­cro­soft das um­fang­reichs­te und fle­xi­bels­te An­ge­bot aus dem Be­reich Ma­chi­ne Le­arning.

Ama­zon Ma­chi­ne Le­arning ver­sucht, Ma­chineLe­arning-Pro­zes­se zu ver­mei­den und den Ent­wick­lern ei­ne Art Black­box für Ma­chi­ne-

Le­arning-An­wen­dungs­sze­na­ri­en an­zu­bie­ten. Da­mit ha­ben auch we­ni­ger er­fah­re­ne Ent­wick­ler die Mög­lich­keit, je nach An­wen­dungs­be­reich ei­nen ent­spre­chen­den Di­enst aus­zu­ge­stal­ten und dann das Mo­dell trai­nie­ren zu las­sen und in die ei­ge­ne An­wen­dung zu in­te­grie­ren.

IBM und Goog­le er­mög­li­chen ei­nen Zu­gang zum Ma­chi­ne Le­arning über APIs und set­zen mehr Ver­ständ­nis von der Ma­te­rie vor­aus. An­ge­merkt sei an die­ser Stel­le noch, dass sich die­se Sicht al­lein auf die Ma­chi­ne-Le­arnin­gAn­ge­bo­te be­schränkt und bei­spiels­wei­se nicht nä­her auf die ko­gni­ti­ven Di­ens­te der An­bie­ter ein­geht. Die Fa­cet­ten in die­sem Um­feld sind viel­fäl­tig: Es gilt, sich auch mit de­fi­ni­to­ri­schen Ab­gren­zun­gen von Ma­chi­ne Le­arning, Deep Le­arning und Co­gni­ti­ve Com­pu­ting aus­ein­an­der­zu­set­zen.

Ein­stiegs­emp­feh­lung: Start small and sca­le

Zu­sam­men­fas­send lässt sich kon­sta­tie­ren, dass es Di­gi­ta­li­sie­rungs­ent­schei­der, Da­ta Sci­en­tists und Cloud-Pro­fis noch nie so leicht hat­ten, ih­re dy­na­misch stei­gen­den Da­ten­men­gen mit Ver­fah­ren des Ma­chi­ne Le­arning be­zie­hungs­wei­se der künst­li­chen In­tel­li­genz (KI) zu ver­ar­bei­ten, zu ana­ly­sie­ren und neue wert­schöp­fen­de Pro­zes­se und Ge­schäfts­mo­del­le zu eta­blie­ren. Die Ein­stiegs­hür­de wird durch die Ma­chi­ne-Le­arning-An­ge­bo­te der gro­ßen Pu­b­lic-Cloud-Pro­vi­der sehr nied­rig ge­hal­ten. Die An­ge­bo­te ha­ben vor al­lem den Charme des „start small“und ech­ter Ska­lier­bar­keit.

Wäh­rend die Be­rech­nung des RoI (Re­turn on In­vest­ment) für ei­ne ei­ge­ne Ma­chi­ne-Le­arnin­gIn­fra­struk­tur im­mer mit Ri­si­ken be­haf­tet ist, lässt sich das The­ma in der Cloud be­quem ska­lie­ren – je nach Be­darf und ers­ten Er­fol­gen im ei­ge­nen Un­ter­neh­men. Trotz­dem soll­te man sich vor dem Ein­stieg in­ten­siv mit den je­wei­li­gen Platt­for­men und Di­ens­ten aus­ein­an­der­set­zen, da de­ren An­ge­bo­te, Kos­ten­struk­tu­ren und User Ex­pe­ri­en­ces doch recht un­ter­schied­lich aus­fal­len.

Ma­chi­ne Le­arning er­kennt Mus­ter in Da­ten und kann an­hand ma­the­ma­ti­scher Mo­del­le Vor­her­sa­gen auf Ba­sis der er­kann­ten Mus­ter tref­fen. Da­für müs­sen An­wen­der­un­ter­neh­men nicht zwin­gend ei­ge­ne On-Pre­mi­se-In­fra­struk­tu­ren auf­bau­en. Ver­schie­de­ne An­bie­ter of­fe­rie­ren mitt­ler­wei­le Ma­chi­ne-Le­arning-An­wen­dun­gen aus der Cloud.

Newspapers in German

Newspapers from Germany

© PressReader. All rights reserved.