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 abw\u00e4genden Betrachtungsweise (Ex Machina, WestWorld oder Black Mirror). Leitmotiv ist jedoch stets, was passiert, wenn die menschliche Sch\u00f6pfung \u201eK\u00fcnstliche Intelligenz\u201c aus dem Ruder l\u00e4uft.<\/p>\n
Die handelnden Personen in diesen fiktionalen Werken stehen meist vor einer Frage: Macht die von Menschen geschaffene k\u00fcnstliche Intelligenz das Leben besser? Oder bringt sie letztlich den Untergang?<\/p>\n
<\/p>\n
Machine Learning: \u2026 und die Wirklichkeit<\/strong><\/h2>\nIntelligente Maschinen haben sich in aller Stille ihren Platz in unserem Alltag erobert und sind l\u00e4ngst 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 f\u00fcr unsere d\u00fcmmsten Fragen (Danke, Siri!); und sie helfen uns im wahrsten Sinne des Wortes dabei, uns in der Welt zurechtzufinden (Gelobt seist du, Navigationssystem!).<\/p>\n
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 \u00fcberall pr\u00e4sent: Sie sorgen f\u00fcr das Smart in Smartphone; ohne sie w\u00e4ren moderne Suchmaschinen undenkbar; und sie unterst\u00fctzen uns dabei, unsere eigenen Grenzen zu \u00fcberschreiten und mehr zu erreichen als jemals zuvor.<\/p>\n
Wie unser k\u00fcrzlich ver\u00f6ffentlichter zeigt, ist Voice Shopping ein zentrales Thema f\u00fcr die Zukunft: 57 % aller Werbetreibenden rechnen damit, dass sie in den n\u00e4chsten zwei Jahren sprachgesteuerte Ger\u00e4te wie Amazon Alexa oder Apple Siri einsetzen werden.<\/p>\n
<\/p>\n
Was genau ist eigentlich Machine Learning?<\/strong><\/h2>\nMachine Learning (ML) ist eine Form der k\u00fcnstlichen Intelligenz (KI), die Computern erm\u00f6glicht, ohne explizite Programmierung zu lernen.<\/p>\n
Ein herk\u00f6mmliches Computerprogramm bringt einem System alles bei, was es wissen muss, um eine Aufgabe zu bew\u00e4ltigen. ML dagegen erm\u00f6glicht es dem Computer, auf Basis von Daten zu lernen und somit die L\u00f6sungen zu den gegebenen Problemstellungen selbst zu ermitteln. Je gr\u00f6\u00dfer die dem Computer zur Verf\u00fcgung 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.<\/p>\n
(Mehr zum Thema:\u00a0<\/em>K\u00f6nntet ihr in einer Welt ohne Technologie \u00fcberleben? Findet es heraus \u2013 mit diesem interaktiven Quiz (nur in englischer Sprache verf\u00fcgbar).<\/em><\/a>)<\/em><\/p>\nEin aktueller Artikel in der New York Times <\/a>formuliert es folgenderma\u00dfen:<\/p>\n\u201eDie neueste Technologie der Forschung zur k\u00fcnstlichen Intelligenz stellen aktuell sogenannte neuronale Netzwerke<\/a> dar. Diese Netzwerke repr\u00e4sentieren mathematische Algorithmen, die lernen, Aufgaben auszuf\u00fchren, 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 F\u00fcnfzigerjahren des letzten Jahrhunderts, war jedoch bis vor etwa f\u00fcnf Jahren ein wenig beachteter Randbereich der Forschung.\u201c<\/p>\nDem Team von Google Brain, dem Forschungsprojekt von Google zur k\u00fcnstlichen Intelligenz, ist es erstmals gelungen, einem Computer mittels Machine Learning beizubringen, ein Objekt zu identifizieren \u2013 in diesem Fall die Abbildung einer Katze.<\/p>\n![\"\"](\"http:\/\/www.criteo.com\/de\/wp-content\/uploads\/sites\/3\/2018\/03\/google-data-centers-19-e1517232197859.jpg\")
Server in einem der Rechenzentren von Google. Bild \u00a9 Google<\/em><\/figcaption><\/figure>\n <\/p>\n
Das Forschungsteam vereinigte zu diesem Zweck 16.000 Prozessoren zu einem neuronalen Netzwerk und zeigte ihm 10 Millionen zuf\u00e4llige YouTube-Bilder, um es zu trainieren. Dann zeigten sie dem System 20.000 verschiedene Gegenst\u00e4nde. Das Ergebnis: Das Netzwerk war in der Lage, alle Katzenbilder korrekt zu identifizieren \u2013 und zwar ohne ihm zun\u00e4chst beibringen zu m\u00fcssen, was eine Katze ist.<\/p>\n
Der entscheidende Punkt: Die Daten wurden ohne Beschreibung geliefert. Es gab keine Bilder mit der Beschriftung \u201eKatze\u201c; keine Programme, die erkl\u00e4rten, wie eine Katze aussieht. Das System identifizierte Katzen selbstst\u00e4ndig \u2013 und ohne detaillierte Anleitung.<\/p>\n
Machine Learning erm\u00f6glicht, gro\u00dfe Datenmengen zu analysieren und daraus Ma\u00dfnahmen abzuleiten \u2013 und das mit einer Geschwindigkeit und Pr\u00e4zision weit jenseits der Grenzen menschlicher Leistungsf\u00e4higkeit. Beispiele sind etwa das Abgeben von Geboten oder das Ausf\u00fchren von K\u00e4ufen und Verk\u00e4ufen in Millisekunden<\/a> \u2013 oder eben die F\u00e4higkeit, aus 10 Millionen Bildern diejenigen herauszufiltern, die Katzen zeigen.<\/p>\nWas ben\u00f6tigte Google Brain, um eine Katze zu identifizieren?<\/p>\n
\n- 16.000 Computerprozessoren<\/li>\n
- 1 Milliarde Verkn\u00fcpfungen in einem neuronalen Netzwerk<\/li>\n
- 10 Millionen YouTube-Videos<\/li>\n
- 3 Tage Training<\/li>\n<\/ul>\n
Und das ist noch weit von den Ressourcen entfernt, die dem menschlichen Gehirn zur Verf\u00fcgung stehen:<\/p>\n
\n- 86 Milliarden Neuronen<\/li>\n
- 100 Billionen Synapsen<\/li>\n<\/ul>\n
<\/p>\n
Warum kommt es beim Machine Learning auf Daten an?<\/strong>\u00a0<\/strong><\/h2>\nUm ein ML-System erfolgreich zu trainieren, sind extrem gro\u00dfe Datenmengen n\u00f6tig.<\/p>\n
So wie ein Baby von seiner Umwelt lernt, so lernt ein ML-System von den eingespeisten Daten. Je mehr Daten dem System zur Verf\u00fcgung stehen, desto mehr und besser lernt es. Neue Technologien und das umfassende Erfassen und Sammeln von Daten haben die Fortschritte der vergangenen Jahre erst m\u00f6glich gemacht. So konnten die Wissenschaftler ML-Systeme in einem Ma\u00df skalieren, das vorher entweder nicht m\u00f6glich oder wirtschaftlich nicht sinnvoll war.<\/p>\n
Veranschaulichen wir einmal die Bedeutung von Daten am Beispiel der Personalisierung von Werbung:<\/p>\n
In einem gemeinsamen Report mit IDC<\/a> haben wir uns mit der Frage auseinandergesetzt, wie kreativ Maschinen sein k\u00f6nnen. Die folgenden sieben Elemente \u2013 so unserer Ausgangsannahme in dem Whitepaper \u2013 lassen sich in Anzeigen individualisieren: Bilder, \u00dcberschriften, Namen, Formate, Farben, Texte und Calls-to-Action.<\/p>\nOnline-Ads m\u00fcssen nun nicht nur die Vorgaben und technischen Bedingungen f\u00fcr eine Vielzahl von Endger\u00e4ten (Desktop, Mobile und Tablets) sowie Tausenden von Publishern und Anzeigenb\u00f6rsen erf\u00fcllen, sondern auch auf die pers\u00f6nlichen Vorlieben von mehr als einer Milliarde User ma\u00dfgeschneidert werden. Daraus resultiert eine praktisch unendliche Anzahl von Variationsm\u00f6glichkeiten.<\/p>\n
Kein Mensch w\u00e4re in der Lage, ein solches Level an Personalisierung von Hand zu leisten. Hier spielen ML-Systeme ihre St\u00e4rke aus: Sie k\u00f6nnen alle K\u00e4uferdaten analysieren, sie mit den spezifischen Anforderungen von Ger\u00e4ten, Publishern oder Markenrichtlinien kombinieren und die sich daraus ergebende Anzeige exakt auf einen Kunden abstimmen \u2013 und das in Millisekunden.<\/p>\n
\u00a0<\/strong><\/h2>\nWie k\u00f6nnen Retailer und Brands Machine Learning zu ihrem Vorteil nutzen? <\/strong><\/h2>\n
Machine Learning (ML) ist eine Form der k\u00fcnstlichen Intelligenz (KI), die Computern erm\u00f6glicht, ohne explizite Programmierung zu lernen.<\/p>\n
Ein herk\u00f6mmliches Computerprogramm bringt einem System alles bei, was es wissen muss, um eine Aufgabe zu bew\u00e4ltigen. ML dagegen erm\u00f6glicht es dem Computer, auf Basis von Daten zu lernen und somit die L\u00f6sungen zu den gegebenen Problemstellungen selbst zu ermitteln. Je gr\u00f6\u00dfer die dem Computer zur Verf\u00fcgung 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.<\/p>\n
(Mehr zum Thema:\u00a0<\/em>K\u00f6nntet ihr in einer Welt ohne Technologie \u00fcberleben? Findet es heraus \u2013 mit diesem interaktiven Quiz (nur in englischer Sprache verf\u00fcgbar).<\/em><\/a>)<\/em><\/p>\n Ein aktueller Artikel in der New York Times <\/a>formuliert es folgenderma\u00dfen:<\/p>\n \u201eDie neueste Technologie der Forschung zur k\u00fcnstlichen Intelligenz stellen aktuell sogenannte neuronale Netzwerke<\/a> dar. Diese Netzwerke repr\u00e4sentieren mathematische Algorithmen, die lernen, Aufgaben auszuf\u00fchren, 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 F\u00fcnfzigerjahren des letzten Jahrhunderts, war jedoch bis vor etwa f\u00fcnf Jahren ein wenig beachteter Randbereich der Forschung.\u201c<\/p>\n Dem Team von Google Brain, dem Forschungsprojekt von Google zur k\u00fcnstlichen Intelligenz, ist es erstmals gelungen, einem Computer mittels Machine Learning beizubringen, ein Objekt zu identifizieren \u2013 in diesem Fall die Abbildung einer Katze.<\/p>\n <\/p>\n Das Forschungsteam vereinigte zu diesem Zweck 16.000 Prozessoren zu einem neuronalen Netzwerk und zeigte ihm 10 Millionen zuf\u00e4llige YouTube-Bilder, um es zu trainieren. Dann zeigten sie dem System 20.000 verschiedene Gegenst\u00e4nde. Das Ergebnis: Das Netzwerk war in der Lage, alle Katzenbilder korrekt zu identifizieren \u2013 und zwar ohne ihm zun\u00e4chst beibringen zu m\u00fcssen, was eine Katze ist.<\/p>\n Der entscheidende Punkt: Die Daten wurden ohne Beschreibung geliefert. Es gab keine Bilder mit der Beschriftung \u201eKatze\u201c; keine Programme, die erkl\u00e4rten, wie eine Katze aussieht. Das System identifizierte Katzen selbstst\u00e4ndig \u2013 und ohne detaillierte Anleitung.<\/p>\n Machine Learning erm\u00f6glicht, gro\u00dfe Datenmengen zu analysieren und daraus Ma\u00dfnahmen abzuleiten \u2013 und das mit einer Geschwindigkeit und Pr\u00e4zision weit jenseits der Grenzen menschlicher Leistungsf\u00e4higkeit. Beispiele sind etwa das Abgeben von Geboten oder das Ausf\u00fchren von K\u00e4ufen und Verk\u00e4ufen in Millisekunden<\/a> \u2013 oder eben die F\u00e4higkeit, aus 10 Millionen Bildern diejenigen herauszufiltern, die Katzen zeigen.<\/p>\n Was ben\u00f6tigte Google Brain, um eine Katze zu identifizieren?<\/p>\n Und das ist noch weit von den Ressourcen entfernt, die dem menschlichen Gehirn zur Verf\u00fcgung stehen:<\/p>\n <\/p>\n Um ein ML-System erfolgreich zu trainieren, sind extrem gro\u00dfe Datenmengen n\u00f6tig.<\/p>\n So wie ein Baby von seiner Umwelt lernt, so lernt ein ML-System von den eingespeisten Daten. Je mehr Daten dem System zur Verf\u00fcgung stehen, desto mehr und besser lernt es. Neue Technologien und das umfassende Erfassen und Sammeln von Daten haben die Fortschritte der vergangenen Jahre erst m\u00f6glich gemacht. So konnten die Wissenschaftler ML-Systeme in einem Ma\u00df skalieren, das vorher entweder nicht m\u00f6glich oder wirtschaftlich nicht sinnvoll war.<\/p>\n Veranschaulichen wir einmal die Bedeutung von Daten am Beispiel der Personalisierung von Werbung:<\/p>\n In einem gemeinsamen Report mit IDC<\/a> haben wir uns mit der Frage auseinandergesetzt, wie kreativ Maschinen sein k\u00f6nnen. Die folgenden sieben Elemente \u2013 so unserer Ausgangsannahme in dem Whitepaper \u2013 lassen sich in Anzeigen individualisieren: Bilder, \u00dcberschriften, Namen, Formate, Farben, Texte und Calls-to-Action.<\/p>\n Online-Ads m\u00fcssen nun nicht nur die Vorgaben und technischen Bedingungen f\u00fcr eine Vielzahl von Endger\u00e4ten (Desktop, Mobile und Tablets) sowie Tausenden von Publishern und Anzeigenb\u00f6rsen erf\u00fcllen, sondern auch auf die pers\u00f6nlichen Vorlieben von mehr als einer Milliarde User ma\u00dfgeschneidert werden. Daraus resultiert eine praktisch unendliche Anzahl von Variationsm\u00f6glichkeiten.<\/p>\n Kein Mensch w\u00e4re in der Lage, ein solches Level an Personalisierung von Hand zu leisten. Hier spielen ML-Systeme ihre St\u00e4rke aus: Sie k\u00f6nnen alle K\u00e4uferdaten analysieren, sie mit den spezifischen Anforderungen von Ger\u00e4ten, Publishern oder Markenrichtlinien kombinieren und die sich daraus ergebende Anzeige exakt auf einen Kunden abstimmen \u2013 und das in Millisekunden.<\/p>\n\n
\n
Warum kommt es beim Machine Learning auf Daten an?<\/strong>\u00a0<\/strong><\/h2>\n
\u00a0<\/strong><\/h2>\n
Wie k\u00f6nnen Retailer und Brands Machine Learning zu ihrem Vorteil nutzen? <\/strong><\/h2>\n