Maschinelles Lernen – alles schon einmal da gewesen

Sie wollen ihr Data Science Team auf eine Fragestellung werfen – aber die ist so speziell, dass es dafür sicher noch keine Lösung gibt? Wegen der Einzigartigkeit zweifeln sie deshalb auch, ob Ihr Team überhaupt die erforderlichen Kapazitäten und Fähigkeiten hat, um die Aufgabe innerhalb eines überschaubaren Zeitrahmens zu erledigen. Was also tun?

Auch wenn jede Fragestellung natürlich einzigartig ist, ist sie auf einen überschaubaren Satz von Grundmustern zurückführbar – meist ein einziges, manchmal auch eine Kombination. Aber wie finden Sie dann das richtige Muster?

Was soll die Maschinen lernen und wie?

Zunächst überlegen Sie sich, ob die Maschine etwas über ein Objekt selbst, die Ähnlichkeit eines Objekts mit anderen Objekten oder über die Beziehung zwischen Objekten lernen soll. So weit so gut. Als nächstes beantworten Sie dann die Frage, inwieweit Sie schon einen Satz von Beispiel-Daten haben, den die Maschine durch überwachtes Lernen zu einem Vorhersage-Modell verallgemeinern kann, oder ob die Maschine sich selbst überlassen und un-überwacht, Muster in den Daten sucht, die für Sie noch neu sind.

Die entsprechenden Methoden und Software-Routinen für diese Aufgabestellungen sind bekannt und erprobt, eben alles schon einmal dagewesen.  Überwacht lernt die Maschine also die Vorhersage eines diskreten Merkmals als Klassifikation (‚Regen in München morgen: ja oder nein‘) oder als Regression die eines kontinuierlichen Merkmals (‚Temperatur morgen in München‘). Un-überwacht erkennt die Maschine typische Profile, oft auch in Form einer Abweichung von der Norm als Ausreißeranalyse. Anhand der Ähnlichkeit seiner Merkmale kann ein maschinell angelerntes Modell einen Interessenten einem Kundensegment zuordnen oder die Maschine erkennt un-überwacht ein neues Segment als Cluster ähnlicher Kunden. Damit ist auch klar, dass un-überwachtes und überwachtes Lernen gerne auch nacheinander angewandt werden: un-überwacht erkennt die Maschine mit der Assoziationsanalyse häufig zusammen gekaufte Artikel. In der Folge lassen Sie dann die Maschine überwacht ein Modell für Kaufempfehlungen lernen.

„Es gibt nicht Neues auf dieser Welt.“

Das geeignete Muster zu finden und Ihr Team richtig zu briefen ist dann nur noch eine Frage der Übung. Welche Methoden würden Sie also anwenden, um den Produktumsatz nächstes Jahr vorherzusagen, einen Betrug zu erkennen oder einen Personal Butler aufzusetzen?