Anwendungsfälle des maschinellen Lernens:
Anwendungen, Branchen und Trends

1. Bestimmen Sie den Verbesserungsbereich
   Identifizieren Sie Probleme, Ineffizienzen und verbesserungswürdige Bereiche in etablierten Geschäftsprozessen, die mit maschinellem Lernen angegangen werden können.
2. Entscheiden Sie, ob ML die beste Lösung ist
   Die ML-Implementierung erfordert Zeit, Aufwand und Ressourcen, insbesondere für die ML-Modellschulung. Vergewissern Sie sich, dass keine herkömmliche Softwarelösung die erwarteten Ergebnisse liefern oder Ihr Geschäftsproblem lösen kann.
3. Überprüfen Sie bestehende Ideen
   Bewerten Sie Ihre ML-Lösungsideen genauer im Hinblick auf die Implementierungskomplexität, die Datenverfügbarkeit und -qualität sowie den Wert, den sie für Ihr Unternehmen haben können. Beurteilen Sie dann, ob Sie die Lösung in Zukunft skalieren können und welche Ressourcen Sie für ihre Wartung benötigen. Als Nächstes sollten Sie die regulatorischen, Risiko- und Transparenzaspekte der potenziellen Anwendungsfälle bewerten.
4. Bewerten Sie Ihren ML-Reifegrad
   Um geeignete ML-Anwendungsfälle zu identifizieren, sollten Sie die aktuelle Bereitschaft Ihres Unternehmens für die ML-Implementierung bewerten. Berücksichtigen Sie dabei Faktoren wie den etablierten Automatisierungsgrad von Prozessen und Systemen, die Menge und Qualität der Daten, die für das Training von ML-Modellen zur Verfügung stehen, und die Verfügbarkeit entsprechender Talente wie ML-Ingenieure und Datenwissenschaftler.
5. Priorisieren Sie Anwendungsfälle
   Bestimmen Sie die spezifischen Aufgaben, die die ML-Lösung übernehmen soll. Diese Phase sollte schrittweise angegangen werden, mit mehreren Iterationen, um potenzielle Anwendungsfälle auf der Grundlage der Entdeckung von versteckten Implementierungsengpässen zu überdenken. So können Sie beispielsweise feststellen, dass es sich lohnt, mehrere flexiblere ML-Open-Source-Tools zu implementieren, anstatt eine einzige maßgeschneiderte Lösung zu entwickeln.

Maschinelles Lernen kann in drei Kategorien unterteilt werden, je nachdem, welcher Ansatz zum Trainieren eines ML-Modells verwendet wird:

• Überwachtes Lernen
  Das Modell wird mit beschrifteten Daten trainiert, d. h. mit Datenpunkten, die mit Etiketten versehen sind, die beschreiben, was diese Daten darstellen. Ein markierter Datensatz kann beispielsweise Tausende von E-Mails enthalten, die als "Spam" oder "kein Spam" gekennzeichnet sind. Dies hilft dem Algorithmus, die Beziehung zwischen Eingabe (E-Mails) und Ausgabe (Spam/Nicht-Spam) zu verstehen und diese Erkenntnisse anzuwenden, um zukünftige Fälle von E-Mail-Spam zu erkennen. Zu den gängigen Algorithmen des überwachten Lernens gehören CNNs (Convolutional Neural Networks), kNN, Random Forest, Support Vector Machines und lineare Regression.
• Unüberwachtes Lernen
  Der ML-Algorithmus verarbeitet nicht beschriftete Daten, identifiziert selbstständig gemeinsame Merkmale oder Unterschiede und gruppiert Datenpunkte entsprechend (z. B. Kunden, die aufgrund ähnlicher Kaufmuster in Segmente eingeteilt werden). K-Means-Clustering, PCA, Autocodierer und Apriori sind beliebte Algorithmen für unüberwachtes Lernen.
• Verstärkungslernen
  Systeme des maschinellen Lernens durchlaufen mehrere Trainingsiterationen mit einem Versuch-und-Irrtum-Ansatz. In jeder Iteration versucht das System, eine Aufgabe zu erfüllen (z. B. ein autonomes Fahrzeug, das einen bestimmten Ort erreicht), wobei es für korrekte Aktionen (z. B. das Umgehen von Hindernissen) belohnt und für schlechte Leistungen (z. B. Kollisionen) bestraft wird. Die wichtigsten Algorithmen für das verstärkende Lernen sind Q-Learning, Policy Gradient und SARSA.