Die steigende Bedeutung von Maschinen und die daraus resultierenden Folgen für uns Menschen sind bereits seit Jahrzehnten ein heißes Thema – auch und gerade in den Büchern, Filmen und Fernsehserien der Popkultur.
Und doch haben viele Menschen noch nie von Machine Learning gehört, verstehen nicht, worum es eigentlich geht oder fürchten sich vor dieser Entwicklung.
Was also ist Machine Learning? Und wieso handelt es sich dabei um ein so emotional besetztes Thema?
In dieser Einführung diskutieren wir, was Machine Learning leisten kann und was nicht – und zwar an konkreten, realen Beispielen.
Machine Learning: Die Fiktion …
Die in der Popkultur kursierenden Visionen von Machine Learning reichen von finsterer Apokalypse (zum Beispiel Terminator, Tron oder Matrix) bis hin zu einer Vor- und Nachteile gegeneinander abwägenden Betrachtungsweise (Ex Machina, WestWorld oder Black Mirror). Leitmotiv ist jedoch stets, was passiert, wenn die menschliche Schöpfung „Künstliche Intelligenz“ aus dem Ruder läuft.
Die handelnden Personen in diesen fiktionalen Werken stehen meist vor einer Frage: Macht die von Menschen geschaffene künstliche Intelligenz das Leben besser? Oder bringt sie letztlich den Untergang?
Machine Learning: … und die Wirklichkeit
Intelligente Maschinen haben sich in aller Stille ihren Platz in unserem Alltag erobert und sind längst zu einem integralen Bestandteil unseres Lebens geworden: Wir sprechen mit Ihnen, wenn wir zu Hause sind (zum Beispiel Amazon Echo und Google Home); sie sind geduldige Ansprechpartner, selbst für unsere dümmsten Fragen (Danke, Siri!); und sie helfen uns im wahrsten Sinne des Wortes dabei, uns in der Welt zurechtzufinden (Gelobt seist du, Navigationssystem!).
Diese Maschinen sind weder Skelette aus Titan mit bedrohlich rot leuchtenden Augen noch menschliche Cyborgs mit Kabeln und Mikrochips unter der Haut. Sie sind unsichtbar und doch überall präsent: Sie sorgen für das Smart in Smartphone; ohne sie wären moderne Suchmaschinen undenkbar; und sie unterstützen uns dabei, unsere eigenen Grenzen zu überschreiten und mehr zu erreichen als jemals zuvor.
Wie unser kürzlich veröffentlichter zeigt, ist Voice Shopping ein zentrales Thema für die Zukunft: 57 % aller Werbetreibenden rechnen damit, dass sie in den nächsten zwei Jahren sprachgesteuerte Geräte wie Amazon Alexa oder Apple Siri einsetzen werden.
Was genau ist eigentlich Machine Learning?
Machine Learning (ML) ist eine Form der künstlichen Intelligenz (KI), die Computern ermöglicht, ohne explizite Programmierung zu lernen.
Ein herkömmliches Computerprogramm bringt einem System alles bei, was es wissen muss, um eine Aufgabe zu bewältigen. ML dagegen ermöglicht es dem Computer, auf Basis von Daten zu lernen und somit die Lösungen zu den gegebenen Problemstellungen selbst zu ermitteln. Je größer die dem Computer zur Verfügung stehende Datenmenge ist, desto besser kann er lernen und desto intelligenter wird er: Im Laufe der Zeit gewinnt er an Genauigkeit und erledigt so die ihm gestellten Aufgaben immer besser.
(Mehr zum Thema: Könntet ihr in einer Welt ohne Technologie überleben? Findet es heraus – mit diesem interaktiven Quiz (nur in englischer Sprache verfügbar).)
Ein aktueller Artikel in der New York Times formuliert es folgendermaßen:
„Die neueste Technologie der Forschung zur künstlichen Intelligenz stellen aktuell sogenannte neuronale Netzwerke dar. Diese Netzwerke repräsentieren mathematische Algorithmen, die lernen, Aufgaben auszuführen, indem sie Daten analysieren. Solch ein System lernt beispielsweise, was ein Hund ist, in dem es sich Millionen von Hundebildern ansieht. Das mathematische Grundkonzept stammt aus den Fünfzigerjahren des letzten Jahrhunderts, war jedoch bis vor etwa fünf Jahren ein wenig beachteter Randbereich der Forschung.“
Dem Team von Google Brain, dem Forschungsprojekt von Google zur künstlichen Intelligenz, ist es erstmals gelungen, einem Computer mittels Machine Learning beizubringen, ein Objekt zu identifizieren – in diesem Fall die Abbildung einer Katze.
Das Forschungsteam vereinigte zu diesem Zweck 16.000 Prozessoren zu einem neuronalen Netzwerk und zeigte ihm 10 Millionen zufällige YouTube-Bilder, um es zu trainieren. Dann zeigten sie dem System 20.000 verschiedene Gegenstände. Das Ergebnis: Das Netzwerk war in der Lage, alle Katzenbilder korrekt zu identifizieren – und zwar ohne ihm zunächst beibringen zu müssen, was eine Katze ist.
Der entscheidende Punkt: Die Daten wurden ohne Beschreibung geliefert. Es gab keine Bilder mit der Beschriftung „Katze“; keine Programme, die erklärten, wie eine Katze aussieht. Das System identifizierte Katzen selbstständig – und ohne detaillierte Anleitung.
Machine Learning ermöglicht, große Datenmengen zu analysieren und daraus Maßnahmen abzuleiten – und das mit einer Geschwindigkeit und Präzision weit jenseits der Grenzen menschlicher Leistungsfähigkeit. Beispiele sind etwa das Abgeben von Geboten oder das Ausführen von Käufen und Verkäufen in Millisekunden – oder eben die Fähigkeit, aus 10 Millionen Bildern diejenigen herauszufiltern, die Katzen zeigen.
Was benötigte Google Brain, um eine Katze zu identifizieren?
- 16.000 Computerprozessoren
- 1 Milliarde Verknüpfungen in einem neuronalen Netzwerk
- 10 Millionen YouTube-Videos
- 3 Tage Training
Und das ist noch weit von den Ressourcen entfernt, die dem menschlichen Gehirn zur Verfügung stehen:
- 86 Milliarden Neuronen
- 100 Billionen Synapsen
Warum kommt es beim Machine Learning auf Daten an?
Um ein ML-System erfolgreich zu trainieren, sind extrem große Datenmengen nötig.
So wie ein Baby von seiner Umwelt lernt, so lernt ein ML-System von den eingespeisten Daten. Je mehr Daten dem System zur Verfügung stehen, desto mehr und besser lernt es. Neue Technologien und das umfassende Erfassen und Sammeln von Daten haben die Fortschritte der vergangenen Jahre erst möglich gemacht. So konnten die Wissenschaftler ML-Systeme in einem Maß skalieren, das vorher entweder nicht möglich oder wirtschaftlich nicht sinnvoll war.
Veranschaulichen wir einmal die Bedeutung von Daten am Beispiel der Personalisierung von Werbung:
In einem gemeinsamen Report mit IDC haben wir uns mit der Frage auseinandergesetzt, wie kreativ Maschinen sein können. Die folgenden sieben Elemente – so unserer Ausgangsannahme in dem Whitepaper – lassen sich in Anzeigen individualisieren: Bilder, Überschriften, Namen, Formate, Farben, Texte und Calls-to-Action.
Online-Ads müssen nun nicht nur die Vorgaben und technischen Bedingungen für eine Vielzahl von Endgeräten (Desktop, Mobile und Tablets) sowie Tausenden von Publishern und Anzeigenbörsen erfüllen, sondern auch auf die persönlichen Vorlieben von mehr als einer Milliarde User maßgeschneidert werden. Daraus resultiert eine praktisch unendliche Anzahl von Variationsmöglichkeiten.
Kein Mensch wäre in der Lage, ein solches Level an Personalisierung von Hand zu leisten. Hier spielen ML-Systeme ihre Stärke aus: Sie können alle Käuferdaten analysieren, sie mit den spezifischen Anforderungen von Geräten, Publishern oder Markenrichtlinien kombinieren und die sich daraus ergebende Anzeige exakt auf einen Kunden abstimmen – und das in Millisekunden.
Wie können Retailer und Brands Machine Learning zu ihrem Vorteil nutzen?
Maschinelles Lernen übernimmt die mühselige Aufbereitung und Analyse von Daten, hält so den Kreativen für die Arbeit an ihren Ideen den Rücken frei und unterstützt sie durch einen kontinuierlichen Fluss von relevanten, in Echtzeit ermittelten Daten. Die kreativen Grundbausteine werden jedoch weiterhin von Menschen erstellt. Die Maschinen übersetzen diese Bausteine dann in großem Maßstab in personalisierte Kommunikation, maximieren so die Relevanz und steigern das Engagement der Käufer.
Möchtet ihr mehr zu diesem Thema wissen? Dann ladet euch jetzt unser eBook herunter: Machine Learning 101.
