Machine Learning aus der Cloud

Gerade in dieser Anfangsphase sind Machine-Learning-Services aus der Cloud eine gute Wahl. Microsoft bietet dafür mit der Cortana Intelligence Suite und dem Azure Machine Learning ein Lösungsportfolio, das unter anderem auch für Predictive Maintenance genutzt werden kann. Die Suite integriert Dienste wie Speicher, Informationsmanagement, Machine Learning und Bot-Frameworks sowie vorkonfigurierte Lösungen, zum Beispiel für Gesichts-, Iris-, Sprach- und Texterkennung.

Amazon Web Services offeriert mit Amazon Machine Learning einen Dienst, der es auch Software-Entwicklern ohne tiefer gehende Kenntnisse in Machine Learning möglich machen soll, maschinelles Lernen für ihre Projekte zu verwenden. Ende 2016 hat das Unternehmen außerdem drei neue Dienste vorgestellt, die Künstliche Intelligenz quasi als Dienstleistung zur Verfügung stellen. Amazon Lex soll die Programmierung eigener Sprachassistenten erleichtern. Anwendungsmöglichkeiten sind Webapplikationen oder Apps, aber auch sprachgesteuerte Geräte. Während es bei Lex um das Verständnis von Sprache geht, ist der Dienst Amazon Polly auf die Sprachausgabe ausgerichtet. Entwickler können mit seiner Hilfe bereits existierende Programme zum Sprechen bringen oder neue Produkte mit Sprachfunktion kreieren. Mögliche Anwendungsfelder sind Newsreader oder E-Learning-Plattformen. Mit Amazon Rekognition erstellen Entwickler Programme, die Bilder analysieren und Gesichter, Objekte und Szenen erkennen.

Mit der Cloud Machine Learning Platform stellt auch Goo­gle Services bereit, die die Nutzung von maschinellem Lernen und die Entwicklung von KI-Programmen vereinfachen sollen. Die Plattform basiert auf neuronalen Netzen und enthält unter anderem vortrainierte Modelle. Google unterstützt das quelloffene Machine-Learning-Framework TensorFlow, das mathematische Berechnungen in Flussdiagramme übersetzt. Daten lassen sich über den Google-Dienst Cloud Data­Flow aggregieren, bearbeiten und für Machine-Learning-Aufgaben zur Verfügung stellen.

Machine Learning hat unsere Welt bereits weiter durchdrungen, als den meisten von uns bewusst sein dürfte. Bei Produktempfehlungen im Online-Shop, der Suche nach Bildmotiven auf Google oder der Sprachkommunikation mit dem Smartphone – immer sind selbstlernende Systeme beteiligt. Dazu kommen die ganz offensichtlichen Anwendungsfälle wie Predictive Maintenance oder auch das autonome Fahren.

Cloudbasierte Baukastenmodelle machen den Einstieg leicht, bergen aber auch die Gefahr, Machine Learning um seiner selbst willen zu betreiben, weil es in Mode ist und keine großen Investitionen in Hard- und Software erfordert.

So klug die Maschinen auch geworden sind, sie können die geistige Vorarbeit eines Menschen nicht ersetzen. Wer sich nicht genügend Gedanken darüber gemacht hat, was Ma­chine Learning für ihn bezwecken soll, wird sich im Algorithmen-Dschungel verlieren und mit jeder Menge Datenmüll dastehen.