Wählen Sie ein anderes Land
SAP News Center Feature Internet der Dinge

Maschinelles Lernen

15. Juni 2016 von

Maschinelles Lernen kommt zunehmend im täglichen Leben an, dank der Fortschritte bei der Datenverarbeitung, „Deep Learning“ und „Big Data“.

Üblicherweise werden Computer nicht krank oder stecken gar andere an. Sie streiten und widersprechen auch nicht. Außerdem haben sie nie einen Kater oder sind schon nach dem Aufstehen schlecht gelaunt. Das macht sie eigentlich zu idealen digitalen Mitarbeitern.

Es gibt nur einen Haken. Im Gegensatz zum menschlichen Gehirn hatten sie bisher einen entscheidenden Nachteil – sie mussten den Regeln folgen, die ein Programmierer ihnen diktiert hat. Was nicht im Code steht, wird auch nicht berechnet. Aber mit den Fortschritten auf dem Gebiet der Datenverarbeitung, „Big Data“ und einer Technologie, die man als maschinelles Lernen bezeichnet, ändert sich dieses Paradigma grundlegend. Arthur Samuel definierte maschinelles Lernen 1959 erstmals als „Forschungsgebiet, das Computer in die Lage versetzen soll, zu lernen, ohne explizit darauf programmiert zu sein“.

Der Grundgedanke dahinter ist, Computern mithilfe großer Datenmengen das Erkennen von Mustern und Erstellen von Verknüpfungen beizubringen. Bei einer Form des maschinellen Lernens, dem sogenannten „überwachten Lernen“, wird der Computer mit Input-Beispielen und den dazugehörigen Ergebnissen gefüttert. Daraus soll er dann eine allgemeingültige Regel ableiten, die den jeweiligen Input mit dem entsprechenden Output verknüpft.

Beispiele für maschinelles Lernen

Beispiele für diese Art des maschinellen Lernens findet man in unserer verbraucherorientierten Welt zum Beispiel bei den Empfehlungsdiensten von Amazon und Netflix oder der Gesichtserkennung von Facebook.

Gleichzeitig haben Cloud-Anbieter wie Microsoft, IBM, Google und Amazons Webservice-Sparte inzwischen eigene Services für maschinelles Lernen geschaffen, mit denen Entwickler intelligente, datenbasierte Anwendungen bauen können, die aus altem Datenbestand lernen.

Die moderne Theorie des maschinellen Lernens stammt aus den 1980er Jahren und fußt auf Forschungen im Bereich der Mustererkennung und des rechenbasierten Lernens, die zum Gebiet der Künstlichen Intelligenz gehören. Aber erst die Fähigkeit zur parallelen Verarbeitung durch Grafikprozessoren (GPUs), die ursprünglich für die Videospiele-Industrie entwickelt wurden, machte maschinelles Lernen technisch und finanziell praktikabel. Sie erhöhten die Rechenleistung. Weitere Entwicklungen wie verbesserte Algorithmen, neuronale Netze für die Bildverarbeitung und superschnelle In-Memory-Datenbanken wie SAP HANA machen das maschinelle Lernen gerade zum attraktivsten Entwicklungsbereich auf dem Gebiet der Unternehmenssoftware. Ein weiterer wesentlicher Faktor ist die zunehmende Verfügbarkeit großer Mengen strukturierter und unstrukturierter Daten aus einer Vielzahl von Quellen, wie IoT-Sensoren oder digitalisierten Dokumenten und Bildern. Diese Daten „trainieren“ Computer und versetzen sie so in die Lage, präzise Vorhersagen zu treffen oder passende Empfehlungen zu geben.
Geschäftsanwender und Unternehmen, die sich Daten auf diese Weise zunutze machen, können dadurch sowohl ihren Umsatz als auch die Kundenzufriedenheit steigern und gleichzeitig Kosten reduzieren. Maschinelles Lernen verwandelt Geschäftsdaten also quasi in bare Münze.

Intelligente Apps für intelligente Maschinen

Infolgedessen haben Hersteller von Unternehmenssoftware, entweder direkt oder durch Akquisitionen, massiv in das Thema maschinelles Lernen investiert und es zur Chefsache gemacht. SAP hat sich beispielsweise dazu verpflichtet, zukünftig alle Unternehmensanwendungen intelligent zu gestalten und auf breiter Basis zur Verfügung zu stellen. So soll man auf der SAP HANA Cloud Platform auch maschinelles Lernen aufsetzen können.

Im Gegensatz zu einigen Mitbewerbern ist die Strategie von SAP in diesem Bereich Kunden- und App-orientiert. Vom Geschäftsfall ausgehend werden zur Behebung des Problems die passenden Technologien und Services für maschinelles Lernen identifiziert.
Die Initiative bei SAP in Zukunft intelligente Apps zu bauen, geht von einem Team von Software-Ingenieuren, Forschern, Designern und Business-Developern der SAP Innovation Center in Singapur, Potsdam, Walldorf, Ra’anana (Israel) und Palo Alto aus. Das Team wird von Markus Noga geleitet und ist Teil des SAP Innovation Center Networks unter Jürgen Müller.

Im Rahmen dieser Initiative startet das SAP-Team mit fünf Anwendungen:

Automated SalesForecast

 

 Nur 44% der Manager findet, dass ihr Unternehmen den Vertrieb effektiv handhabt. Und nur 22% der Unternehmen sind in der Lage, verlässliche Absatzprognosen zu erstellen. SAP setzt maschinelles Lernen ein, um vorauszusagen, welche Geschäftsmöglichkeiten wegzubrechen drohen. Anschließend schlagen sie dem Vertriebsmitarbeiter mögliche Schritte vor, durch die ein Geschäftsabschluss vorangetrieben werden kann. Dabei stützt sich das System auf SAP Hybris Cloud for Customers und unstrukturierte Texte aus E-Mails und dem Web.
CV Matching  Personaler verbringen viel Zeit damit, sich Lebensläufe durchzusehen, um den idealen Kandidaten für eine offene Stelle zu finden. Mithilfe von maschinellem Lernen kann SAP die Vorauswahl geeigneter Kandidaten für eine bestimmte Stelle – oder geeigneter Stellen für einen bestimmten Kandidaten – wesentlich beschleunigen.
Invoice Matching              Das manuelle Abgleichen von Bezahlvorgängen und Rechnungen gehört zu den arbeitsintensivsten Tätigkeiten und wird oft von Shared-Service-Centern vorgenommen. Maschinelles Lernen kann die automatische Abgleichungsrate maßgeblichh erhöhen. Dies wäre also quasi ein realistisches Beispiel eines intelligenten digitalen Mitarbeiters.
Social Media Customer
Service		 Social-Media-Experten und ihre Assistenten können von der Anzahl an Posts von Twitter bis Facebook förmlich erdrückt werden. Diese App taggt und sortiert eingehende Nachrichten automatisch und schlägt passende Antworten vor.
yaaS Recommender Die meisten E-Commerce-Unternehmen leiden unter schlechten Absatzraten, da sie über  keinen oder nur einen sehr einfachen Empfehlungsdienst verfügen. yaaS Recommender analysiert Kunden-Klickströme, um personalisierte Produktempfehlungen in Echtzeit zu generieren.

Diese Beispiele verdeutlichen, wie das maschinelle Lernen Intelligenz und Mehrwert in digitale Unternehmen bringen kann. Im Laufe dieses Prozesses könnte es auch die Beziehung zwischen Mensch und Maschine verändern und Mitarbeiter von lästigen repetitiven Arbeitsschritten befreien, damit sie sich auf das konzentrieren können, was sie am besten können, nämlich denken und erschaffen.

Tags: , ,