Machine Learning von der Stange

Die Algorithmen für maschinelles Lernen sind zum größten Teil schon seit mehreren Jahrzehnten bekannt. Dennoch ließ der Durchbruch im kommerziellen Umfeld lange auf sich warten.

Erst in den vergangenen zwei bis drei Jahren hat Machine Learning enorm an Dynamik und Bedeutung gewonnen. Gründe dafür gibt es mehrere, sagt Axel Köhler, Principal Solution Architect beim Grafikchip-Hersteller Nvidia: „Zum einen entstehen derzeit praktisch end­lose Speicherkapazitäten und eine Flut an Daten in allen möglichen Formen, zum anderen ermöglicht die Verfügbarkeit leistungsfähiger Grafikprozessoren ein schnelles und gleichzeitig günstiges paralleles Programmieren.“

Neben dem Mangel an Daten, Speicher- und Rechenkapazität bremste auch das Fehlen von Standards die Entwicklung von Machine Learning über lange Zeit. „Die Ansätze waren sehr oft akademisch geprägt, die Lösungen mehr oder weniger handgestrickt und kaum auf kommerzielle Projekte übertragbar“, sagt Bernd Fondermann, Gründer des Machine-Learning-Spezialisten Brainlounge.

Dies hat sich allerdings inzwischen massiv verändert. Immer mehr Tools, Technologien und Services stehen zur Verfügung, die es Unternehmen ermöglichen, die Vorteile von Machine Learning zu nutzen, ohne zuvor jahrelang in Forschung und Entwicklung investieren zu müssen. „Plötzlich ist es für die breite Masse von Entwicklern möglich geworden, Machine Learning einzusetzen, und das zu überschaubaren Kosten“, sagt Roman Schacherl, Geschäftsführer der softaware GmbH, die Lösungen hauptsächlich auf Basis von Microsoft-Technologien entwickelt und unter anderem die auf Azure verfügbaren Cognitive Services des Herstellers einsetzt.

Der Effekt auf die Wirtschaft könnte außerordentlich groß sein. Das McKinsey Global Institute (MGI) rechnet je nach Branche und Art der Tätigkeit durch die Automatisierung von Wissensarbeit mit einem Produktivitätszuwachs bis 2025 von 30 bis 55 Prozent. Allein durch den Einsatz von Machine Learning in der Spracherkennung ließen sich nach Berechnungen des MGI weltweit bis zu drei Billionen Dollar an Arbeitskosten einsparen.

Vor allem die sogenannten Frameworks haben die Verbreitung von Machine-Learning-Technologien vorangetrieben. „ML-Frameworks spielen eine wichtige Rolle bei der breiten Anwendung von Machine Learning in der Praxis“, sagt Ralf Herbrich, Director Machine Learning Science bei Amazon Web Services (AWS). Als Framework definiert er „die Zusammenfassung von Software-Komponenten, die es erlaubt, Algorithmen zum automatischen Erkennen von Mustern und der Vorhersage von zukünftigen Ereignissen auf Daten anzuwenden“. Wichtig sei zudem, dass die Komponenten sinnvoll gruppiert würden und eine Schnittstelle für Programmierer und Data Scientists zur Verfügung stehe, so Herbrich weiter.