Maschinelles Lernen ist mehr als nur ein Schlagwort – aber nicht die pauschale Lösung für alle Probleme

KI. Maschinelles Lernen. Außerhalb des Technologiebereichs lösen diese Begriffe oft Befürchtungen aus, da Unklarheit darüber herrscht, worum es dabei eigentlich geht. Innerhalb der Branche wiederum ist häufig das andere Extrem der Fall: Es wird versucht, maschinelles Lernen bei einfach allem einzusetzen. Keine dieser beiden Einstellungen ist sinnvoll.

Mark McQuade, Practice Manager, Data Science & Engineering bei Rackspace Technology, verfolgt einen gemäßigteren Ansatz. Er beschäftigt sich mit „allem rund um Daten und maschinelles Lernen“ und seine Denkweise ist wesentlich wissenschaftlicher geprägt.

Zum Umstimmen von Menschen, die maschinellem Lernen misstrauisch gegenüberstehen, schlägt McQuade vor, auf die zahlreichen praktischen und positiven Auswirkungen für Unternehmen und Einzelpersonen zu verweisen, darunter Vorhersagen, Klassifizierungen und Empfehlungen. „Maschinelles Lernen leistet heutzutage so viel, dass den Leuten gar nicht bewusst ist, dass sie laufend davon profitieren“, sagt er. Die menschlicheren Aspekte von maschinellem Lernen verschließen sich Menschen, die nicht über Stimmungsanalysen Bescheid wissen, zum Beispiel häufig. Im Rahmen dieser Analysen werden u. a. Gefühlszustände aus Live-Callcenter-Transkripten, gesammelten Online-Bewertungen und Apps, die sich an Menschen mit Behinderung wenden, herausgefiltert. Mit maschinellem Lernen können alle diese Dinge in einem hohen Maßstab erfolgen, der für Menschen sogar mit Unterstützung durch traditionelle Computerprogramme und -logik unerreichbar wäre.

In der neuesten Folge des Podcasts „Cloud Talk“ werden die vielen verschiedenen Facetten von maschinellem Lernen beleuchtet.

In nur 30 Minuten besprechen McQuade und Rackspace-CTO Jeff DeVerter Folgendes:

• In welcher Beziehung KI und maschinelles Lernen zueinander stehen
• Die Grundlagen von maschinellem Lernen und wie es einen Mehrwert für Unternehmen bieten kann
• Warum Ihr Einsatz von maschinellem Lernen den Grundsätzen der Nutzung von KI für einen guten Zweck folgen sollte
• Die Komplexität von KI-Ethik und Leitlinien für maschinelles Lernen – und warum sie jeweils im Einzelfall betrachtet werden müssen
• Warum nur 60 % aller Modelle für maschinelles Lernen je umgesetzt werden – und ob sich dies durch MLOps beheben lässt

McQuade und DeVerter beschäftigen sich noch mit einer weiteren wichtigen Frage: Sollten wir überhaupt maschinelles Lernen nutzen? „Viele Leute wollen einfach nur an diesem Trend teilhaben und maschinelles Lernen in ihren Unternehmen einführen“, so McQuade. „Dabei spielt jedoch das Warum eine wichtige Rolle, da sich nicht jedes Problem für den Einsatz von maschinellem Lernen eignet. Sie müssen sich fragen, ob die gewünschten Ergebnisse komplex genug sind, um den Einsatz von maschinellem Lernen zu rechtfertigen. Wenn sich etwas mithilfe von Computerprogrammierung und -logik erreichen lässt, gibt es keinen Grund dafür, das Ganze mit maschinellem Lernen, das Ihren ROI schmälern könnte, unnötig komplex zu gestalten.“

Für manche Aufgaben hingegen ist maschinelles Lernen die beste Wahl. „So lassen sich Prozesse automatisieren, um Ihren Teams das Leben leichter zu machen, Verbesserungen für Ihr Unternehmen zu erzielen und dafür sorgen, dass sich Mitarbeiter auf Aufgaben, die einen Mehrwert schaffen, konzentrieren können“, so McQuade. „Dies geht über Anwendungsfälle wie manuelle Wiederholung hinaus: Objekterkennung zum Beispiel lässt sich mit grundlegender Computerprogrammierung und -logik nur schwer bewerkstelligen. Ob Sie maschinelles Lernen nutzen sollten oder nicht, hängt also nicht nur davon ab, ob ein Vorgang wiederholbar ist. Entscheidend ist, wie schwierig etwas ohne maschinelles Lernen bzw. mit maschinellem Lernen ist. Dabei geht es nicht nur darum, Prozesse zu vereinfachen. Ohne maschinelles Lernen lassen sich manche Ziele schlicht und einfach nicht erreichen.“