Als wichtiger Bestandteil künstlicher Intelligenz ist Machine Learning essenzieller Bestandteil der Computerwissenschaft. In der deutschen Sprache bezeichnet man das Machine Learning häufig auch als “maschinelles Lernen”. Programme, die auf diesem Konzept basieren sind dazu in der Lage mithilfe von Algorithmen selbständig Lösungen für Probleme zu finden. Dies gilt auch für neue und unbekannte Fragestellungen. Maschinelles Lernen wird u.a. im Online Marketing sowie in der Web-Analyse eingesetzt.
Hintergrundwissen zum Maschinellen Lernen
Noch immer ist es notwendig, dass der Mensch Vorbereitungen trifft, bevor Programme eigenständig handeln und Problemlösungen finden können. Es wird also zunächst eine Interaktion zwischen Mensch und Maschine benötigt, um maschinelles Lernen erst zu ermöglichen. Daran kann auch die moderne, leistungsstarke Computertechnik zum jetzigen Zeitpunkt noch nichts ändern. Die Vorbereitungen durch den Menschen bestehen z.B. darin, das Programm mit relevanten Daten zu versorgen und im Vorfeld bestimmte Regeln aufzustellen. An diesen orientiert sich das System in ähnlichen Zusammenhängen und entwickelt somit zielgerichtete Strategien. Bei der Entwicklung eines solchen Modells handelt es sich um einen interaktiven Prozess, welcher vielfach durchgeführt und angepasst werden muss um ein qualitativ hochwertiges Ergebnis erzielen zu können. Eine große Hoffnung für das maschinelle Lernen und die Weiterentwicklung von künstlichen Intelligenzen bietet hierbei jedoch das reinforcement Learning, welches später noch einmal genauer erläutert wird.
Typen des maschinellen Lernens
Für maschinelles Lernen kommen häufig wiederkehrende Typen von Algorithmen zum Einsatz. Im Folgenden sollen die wesentlichen Typen des maschinellen Lernens kurz erläutert werden:
Supervised Learning
Beim sogenannten Supervised Learning (überwachtes Lernen) werden die Algorithmen zur Problemlösung anhand von ausgewählten Beispielen definiert. Dies entspricht dem Versuch einer Generalisierung von Lösungen, um ähnlich geartete Probleme auf die gleiche Art und Weise zu lösen. Ein möglicher Anwendungsbereich von Supervised Learning ist z.B. die Aufdeckung von Kreditkartenbetrug sowie die Klassifikation von Kundendaten im Marketing.
Unsupervised Learning
Beim Unsupervised Learning (unüberwachtes Lernen) erfolgt die Bearbeitung der gestellten Probleme mit beliebigen Beispielen. Die Modellgruppen werden hierbei anhand eigenständig erkannter Muster automatisch gebildet. Im Gegensatz zum überwachten Lernen, ist es beim unüberwachten Lernen nicht das Ziel Vorhersagen aufgrund einer bekannten Variablen zu berechnen, sondern vielmehr eigenständig eine Struktur in den Daten zu erkennen. Ein gängiger Anwendungsbereich für das unsupervised Learning ist unter anderem das Clustering.
Semi-Supervised Learning
Das semi-supervised Learning (teilüberwachtes Lernen) ist eine Kombination aus dem supervised und dem unsupervised Learning und nutzt daher sowohl konkret definierte Zielvariablen, als auch unbekannte Daten.
Der Anwendungsbereich unterscheidet sich dabei nicht vom überwachten Lernen. Doch warum nutzt man dann das teilüberwachte Lernen? Die Antwort ist recht simpel. Im Vergleich zum überwachten Lernen, wird beim semi-supervised Learning nur eine geringe Menge an Daten mit bereits bekannten Variablen und ein großer Anteil mit bisher unbekannten Variablen verwendet. Da bereits bekannte Beispieldaten i.d.R. durch manuelle Prozesse vom Menschen selbst erstellt werden müssen, gestaltet sich die Beschaffung sehr aufwändig. Umso vorteilhafter ist es, dass beim semi-supervised Learning nur wenige von diesen benötigt werden. Dies führt dazu, dass das teilüberwachte Lernen insbesondere in der Bild- und Objekterkennung verwendet wird.
Reinforcement Learning
Bei dem Reinforcement Learning oder auch verstärkendes Lernen handelt es sich um eine besondere Form des Machine Learnings. Mithilfe eines Belohnungs- und Kostensystems bewerten die Algorithmen ihre Umgebung und entwickeln so selbstständig Problemlösungen die zur Maximierung der Belohnung beitragen. Der entscheidende Unterschied zu den zuvor genannten Formen des maschinellen Lernens liegt primär also darin, dass das System beim Reinforcement Learning keine Beispieldaten benötigt, um aussagekräftige Rückschlüsse ziehen zu können. Vielmehr wird in der Simulationsumgebung innerhalb von verschiedenen interaktiven Abfolgen eine individuelle Strategie zur Problemlösung entwickelt. Durch die autonomen Lerneffekte bietet das verstärkende Lernen insbesondere in der Robotik oder auch dem autonomen Fahren Verwendung.
Beispielanwendungen für maschinelles Lernen
Eine für das Online Marketing und speziell für das Data-Driven Marketing besonders interessante Anwendungsmöglichkeit für maschinelles Lernen ist die Voraussage des Nutzer- bzw. Kundenverhaltens. Eigenständig handelnde Algorithmen sind in diesem Fall in der Lage die Suchintention bestimmter Nutzer vorherzusagen. Aufgrund dieser Voraussagen können zum Beispiel Empfehlungen für bestimmte, in einem Shop erhältliche Produkte mittels Einblendungen ausgesprochen werden. Dies kann zu höheren Umsätzen führen. Auch die Darstellung der Ergebnisse auf SERPs (Suchmaschinenergebnisseiten) kann durch maschinelles Lernen und die Voraussage der Suchintention des Nutzers individuell angepasst werden.
So findet das maschinelle Lernen im Marketing insb. für die Personalisierung verschiedener Aspekte wie z.B. die Produktempfehlungen in Webshops, personalisierte Internetseiten (z.B: bei Streaming Anbietern und Webshops) sowie der Kundensegmentierung für personalisierte Marketingstrategien Verwendung.
Eine weiteres Anwendungsgebiet sind z.B. Spracherkennungssoftware sowie Software zur Handschrifterkennung. Mithilfe vom maschinellen Lernen ist es diesen Programmen zum Beispiel möglich, nach eingesprochenen Begriffen zu suchen oder geschriebene Wörter zu erkennen.
Maschinelles Lernen kommt z.B. in großem Umfang bei nahezu allen Suchmaschinen zum Einsatz. So wird die Relevanz von Webseiten zu einem bestimmten Suchbegriff automatisch erkannt und das Ranking dieser Seiten auf den Ergebnisseiten entsprechend angepasst