Marginale Spalte

Der Input zählt

Inhalt

März 2017

 

Was die einen mit Besorgnis betrachten, beflügelt die anderen. Sind Maschinen bald intelligenter als Menschen? Das Potenzial intelligenter Maschinen wird spätestens seit dem Sieg eines Algorithmus gegen einen der weltweit besten Spieler des asiatischen Brettspieles Go deutlich. Doch wie können Maschinen lernen? Und was steckt hinter dem Begriff „Machine Learning“?

„Sie haben sich für dieses Produkt interessiert. Vielleicht gefällt Ihnen auch jenes?“ Ob Onlineshop, Werbung oder Suchmaschine: Computer wissen anscheinend, was wir wollen. Das hat nichts mit Empathie zu tun, sondern mit Mathematik. Sie verfolgen unser Nutzerverhalten, vergleichen es mit dem anderer, stellen übereinstimmende Muster fest und leiten daraus vermeintliche Interessen ab.

Die Voraussetzungen dafür, dass Maschinen sinnvolle Vorschläge machen, bei der Spracheingabe vernünftig antworten oder bei Anomalien Alarm schlagen, sind immer dieselben: riesige Datenmengen, eine enorme Rechnerleistung und Training. Basierend auf einer methodisch-systematischen Sammlung von Daten erwerben Maschinen Erfahrungswissen. Algorithmen, zum Beispiel künstliche neuronale Netzwerke, helfen dabei, die Daten zu strukturieren. Je umfangreicher die zur Verfügung stehenden Datensätze sind, umso genauer kann die Maschine auch in komplexen Daten Muster erkennen und Zusammenhänge herstellen.

Welche Daten der Maschine zur Verfügung gestellt werden und mit welchen Algorithmen sie gewünschte Zielfunktionen erreicht, liegt beim Menschen. Data Scientists, kreative Programmierer mit Machine-Learning-Kenntnissen, müssen für industrielle Anwendungen beispielsweise Maschinenbau- und Prozess-Know-how in eine intelligente Software umwandeln. So haben Spezialisten von Bosch Rexroth mit ODiN Predictive Maintenance ein Monitoring-System zur vorausschauenden Wartung entwickelt. Das System nutzt Machine-Learning-Methoden, um aus den erfassten Sensordaten Wissen über den Gesundheitszustand der Anlage zu generieren und zuverlässige Vorhersagen treffen zu können. Kunden erhalten dann die entsprechenden Wartungsempfehlungen für ihre Anlagen.

Ein Beispiel aus der Verschleißdiagnose bei industriellen Anlagen verdeutlicht die Leistungsfähigkeit solcher Systeme: Während ein Fehler statistisch gesehen nur mit einer Wahrscheinlichkeit von 13 Prozent durch Zufall entdeckt wird und ein Experte, der die Anlage ständig überwacht, auf eine Trefferquote von 43 Prozent kommt, wird mittels Machine Learning eine Fehlererkennungsrate von über 95 Prozent erreicht.

Fazit: Maschinen sind lernfähig. Voraussetzung dafür ist, dass den Algorithmen umfangreiche Datensätze zur Verfügung stehen. Dann können sie intelligente Schlüsse zuverlässig ziehen und Anwender davon profitieren.

Machine Learning

Machine Learning