Skip to Content
Kontakt aufnehmen

Maschinelles Lernen

Maschinelles Lernen und das weiter gefasste Gebiet der künstlichen Intelligenz (KI) sind keine Science-Fiction mehr. Sie sind in der Realität angekommen und werden bereits von vielen Unternehmen genutzt. Maschinelles Lernen und Deep Learning halten Einzug in eine neue Generation von Software, die in der Lage ist zu lernen, ohne explizit programmiert werden zu müssen. Diese Anwendungen können Muster in Big Data in einer Weise erkennen und analysieren, die die menschlichen Fähigkeiten weit übersteigt. Die Vorteile für die Geschäftswelt sind enorm und das Marktvolumen bis 2020 wird auf 47 Milliarden US-Dollar geschätzt.

Entdecken Sie SAP Leonardo Machine Learning

Einführung in maschinelles Lernen

Künstliche Intelligenz (KI), maschinelles Lernen und Deep Learning werden zwar oft synonym verwendet, sind aber nicht das Gleiche. Kurz gesagt ist KI das allgemeine Konzept von Maschinen, die intelligent handeln können. Maschinelles Lernen und Deep Learning sind Teilgebiete von KI und basieren auf der Idee, dass Maschinen, die Zugang zu umfangreichen Daten haben, eigenständig lernen können. Im Folgenden erfahren Sie mehr über Deep Learning, maschinelles Lernen und andere wichtige Begriffe.

Was ist maschinelles Lernen?

Die einfachste Definition von maschinellem Lernen? Das Füttern eines Computers mit einer großen Datenmenge, um ihm beizubringen, Muster zu erkennen und Verbindungen herzustellen. Statt eine Software für eine bestimmte Aufgabe zu programmieren, lernt der Rechner also mithilfe von Big Data und ausgeklügelten Algorithmen selbst, die Aufgabe durchzuführen. Maschinelles Lernen ermöglicht Anwendungen, selber zu „denken“ und eigenständig Rückschlüsse zu ziehen und Prognosen abzugeben – was weit über das hinausgeht, was vorausschauende Analysen, Big-Data-Analysen und oft auch Menschen leisten können. Ein häufig zitiertes Beispiel für maschinelles Lernen im Verbrauchersektor ist eine Recommendation Engine im Online-Einzelhandel.

Was ist Deep Learning?

Deep Learning, manchmal auch als Cognitive Computing bezeichnet, ist eine weiterentwickelte Form des maschinellen Lernens. Sie verwendet mehrschichtige (daher die Bezeichnung „Deep“) neuronale Netze, um menschliche Denkprozesse zu simulieren. Diese Netze bestehen aus kleinen Rechenknoten, die den Synapsen des menschlichen Gehirns nachempfunden sind. Durch Eingabedatensätze und ausgeklügelte Algorithmen können Maschinen helfen, komplexe, nicht lineare Probleme zu lösen. Deep Learning ist für bahnbrechende Entwicklungen wie Sprach- und Bilderkennung und die Verarbeitung natürlicher Sprache verantwortlich. Beliebte Beispiele für Deep Learning sind unter anderem:
  • Gesichtserkennungssoftware
  • Selbstfahrende Autos
  • Intelligente Hausautomatisierungsgeräte

Überwachtes vs. unüberwachtes Lernen

Maschinen können im Wesentlichen auf drei Arten „lernen“:
  • Überwachtes Lernen – Bei diesem Ansatz geben Menschen die Ein- und Ausgaben vor und das Modell bestimmt daraufhin die Regeln, um beides miteinander zu verbinden.
  • Teilüberwachtes (oder bestärkendes) Lernen – Die Maschine wird für Aktionen, die sie durch systematisches Ausprobieren ausführt, belohnt oder bestraft und der Algorithmus passt sich entsprechend an.
  • Unüberwachtes Lernen – Algorithmen erkennen eigenständig Muster in den Daten (die manchmal als Cluster vorliegen).
Unabhängig davon, welche dieser Methoden verwendet wird, ist die Maschine in der Lage, eigenständig von den Daten zu lernen und dabei neue Verhaltensweisen und Funktionen aufzunehmen. Das daraus resultierende Modell kann für datenbasierte Ergebnisprognosen verwendet und regelmäßig angepasst werden.

Warum schreitet maschinelles Lernen so schnell voran?

Maschinelles Lernen ist kein neues Konzept. In letzter Zeit hat es jedoch frischen Schwung bekommen. Der Grund dafür ist, dass Verarbeitungsleistung und Speicherkapazität heute so kostengünstig sind wie nie zuvor. Hinzu kommt, dass es durch die explosionsartige Zunahme von Big Data aus verschiedensten Quellen wie Texten, Bildern und IoT-Geräten leichter geworden ist, Maschinen zu „trainieren“.

KI und maschinelles Lernen in Aktion

Vorteile von maschinellem Lernen

Previous

Schnellere Entscheidungsfindung

Durch maschinelles Lernen können routinemäßige Entscheidungsprozesse automatisiert und priorisiert werden, sodass Sie schneller optimale Ergebnisse erzielen. In Kombination mit dem Internet der Dinge können Sie zum Beispiel leichter entscheiden, welcher Teil Ihrer Produktionsanlage zuerst repariert werden sollte.

Anpassungsfähigkeit

Ihre Daten werden kontinuierlich aktualisiert. Das bedeutet, dass sich auch die Modelle für das maschinelle Lernen immer wieder verändern, und zwar sehr viel schneller, als sie derzeit entwickelt werden können. Dadurch sind Sie in der Lage, schnell neue Erkenntnisse zu gewinnen und zu verarbeiten, um flexibel auf Veränderungen in Ihrem Geschäftsumfeld zu reagieren.

Innovation und Wachstum

„Algorithmische Unternehmen“ nutzen fortschrittliche Algorithmen, um die Prozessautomatisierung voranzutreiben und die Entscheidungsfindung zu optimieren. Dadurch beschleunigen sie die Informationsgewinnung und stellen die Weichen für innovative Geschäftsmodelle, Produkte und Services.
Next
Previous

Einzigartige Erkenntnisse

Eine der interessantesten Anwendungsmöglichkeiten für maschinelles Lernen besteht darin, die Muster von Big Data so zu verstehen, wie es Menschen derzeit nicht möglich ist – und auf dieser Basis konkrete Maßnahmen zu ergreifen. So können zum Beispiel potenzielle Verkaufschancen prognostiziert und Aktionen für einen erfolgreichen Geschäftsabschluss empfohlen werden.

Schnellere Geschäftsprozesse

Dank maschinengestützter Prozesse und insgesamt schnellerer Workflows sind Sie in der Lage, Ihre Geschäftsabläufe und Ihre Produkt- und Serviceangebote zu optimieren. Dadurch können Sie die Produktivität und den Umsatz steigern und reduzieren gleichzeitig die Backoffice- und Gesamtbetriebskosten.

Bessere Ergebnisse

KI und maschinelles Lernen helfen, menschliche Irrtümer zu vermeiden, die Qualität der Ergebnisse zu verbessern und die Cybersecurity zu erhöhen – ein Muss für Finanzdienstleister und andere Unternehmen, die vertrauliche Informationen schützen und Vorschriften einhalten müssen.

Next

Anwendungsfälle für maschinelles Lernen

Zu den beliebtesten Beispielen für die Nutzung von maschinellem Lernen gehören Verbraucheranwendungen wie Recommendation Engines und intelligente Geräte. Aber auch im Business-to-Business-Bereich (B2B) bietet die Technologie vielversprechende Einsatzmöglichkeiten. Im Folgenden werden zwei wichtige Bereiche beschrieben, in denen das Potenzial der Technologie unserer Meinung nach voll zum Tragen kommen wird: 
Previous

Intelligente Geschäftsprozesse

Maschinelles Lernen verwandelt herkömmliche, regelbasierte Prozesse in intelligente Prozesse, die neue Muster in umfangreichen, unstrukturierten Datensätzen erkennen und eigenständig strategische Prognosen erstellen. Darüber hinaus kann es für immer wiederkehrende Aufgaben wie die Überprüfung von Rechnungen und Reisekosten verwendet werden.

Digitale Assistenten und Bots

Die technologischen Fortschritte auf dem Gebiet der künstlichen Intelligenz legen nahe, dass selbstlernende Algorithmen schon bald in der Lage sein werden, in einem gewissen Rahmen ihre eigenen Rückschlüsse zu ziehen und kontextsensitive Verhaltensweisen zu entwickeln. Geräte werden Besprechungen planen, Dokumente übersetzen und andere Routineaufgaben in Unternehmen übernehmen können.
Next

FAQs zu maschinellem Lernen

Wie stellen Sie die Richtigkeit der Ergebnisse sicher?

Auf falsch positive Zuordnungen und systematische Verzerrungen gilt es beim maschinellen Lernen zu achten - diese Dinge sind jedoch relativ einfach zu lösen. Zur Erleichterung der Genauigkeit maschinellen Lernens:

  • Beginnen Sie mit bereinigten Datensätzen und stellen Sie sicher, dass die Eingabedaten richtig benannt und kategorisiert sind, um falsch positive Ergebnisse zu minimieren.
  • Achten Sie auf mögliche Abweichungen in Ihren Daten – wenn die Eingaben nicht brauchbar sind, können keine brauchbaren Ergebnisse dabei herauskommen. Formulieren Sie Fragen und entwickeln Sie Prozesse zur Beurteilung von Algorithmen, um dies zu vermeiden.
  • Verwenden Sie die für Ihr Ziel am besten geeignete Lernmethode (z. B. überwachtes Lernen, um den Verkaufspreis eines Hauses mit bekannten Variablen zu prognostizieren).
  • Führen Sie den maschinellen Lernprozess sorgfältig durch, um bessere Ergebnisse zu erhalten.

Wenn Sie mehr darüber erfahren möchten, lesen Sie die Blogbeiträge How AI Can End Bias und Unmasking Unconscious Bias in Algorithms.

Collapse
Kann man den Entscheidungen von Maschinen trauen?

Die Idee, dass Maschinen die Herrschaft über unser Leben und unsere Existenz übernehmen, hat uns einige großartige Filme beschert, doch die Realität sieht weitaus weniger dramatisch aus. Das soll allerdings nicht heißen, dass wir den Ergebnissen, die maschinelles Lernen hervorbringt, blind vertrauen sollten. Mit den folgenden Maßnahmen können Sie künstliche Intelligenz in die richtigen Bahnen lenken, um zuverlässige Ergebnisse zu erhalten:  

  • Führen Sie einen Proof of Concept durch, um Vertrauen in die getroffenen Entscheidungen aufzubauen.
  • Überwachen Sie die Prozesse und Ergebnisse und nehmen Sie bei Bedarf Anpassungen vor.
  • Wenden Sie Geschäftsregeln auf Algorithmen an, um die Zuverlässigkeit der Ergebnisse zu beeinflussen.
  • Beziehen Sie Feedback-Mechanismen in den maschinellen Lernprozess ein.
Collapse
Wie können wir unsere Daten vorbereiten?

Der Zugang zu umfangreichen Datensätzen ist eine Grundvoraussetzung für maschinelles Lernen. Ein erster wichtiger Schritt besteht daher darin, die Datensilos zu minimieren:  

  • Konsolidieren Sie Ihre Unternehmensdaten – von Lieferanten, Partnern, Kunden und anderen Quellen – , um den Algorithmen freien Zugang zu allen relevanten Daten zu ermöglichen.
  • Beteiligen Sie Ihren Chief Data Officer an dem maschinellen Lernprozess.
  • Ziehen Sie die Verwendung einer Cloud-Plattform in Betracht, die große Datenmengen aus verschiedenen Quellen verarbeiten kann.
Collapse
Wie lässt sich maschinelles Lernen in die Arbeitswelt integrieren?
Maschinelles Lernen wird bereits in Unternehmen auf der ganzen Welt genutzt, um Menschen bei Routineaufgaben zu unterstützen. Die technologischen Fortschritte auf dem Gebiet des maschinellen Lernens eröffnen unzählige neue Szenarien, Möglichkeiten und Geschäftsmodelle, die:
 
  • Besser bezahlte Jobs hervorbringen, deren Schwerpunkt auf Kreativität, Problemlösung und Wissensarbeit liegt;
  • Langweilige Routineaufgaben automatisieren und Jobs interessanter machen;
  • Es Menschen ermöglichen, jederzeit die Kontrolle über strategisch wichtige Aufgaben und Prioritäten zu behalten. 
Collapse
Brauche ich spezielle Kenntnisse, um maschinelles Lernen nutzen zu können?

Früher gab es eine Zweiteilung: auf der einen Seite die Experten, die sich mit der Sprache und den Methoden für maschinelles Lernen auskannten, auf der anderen Seite die "Übersetzer", die aus den komplexen Daten verwertbare Erkenntnisse ziehen konnten.

Doch das war einmal. Heute übernehmen moderne Geschäftsanwendungen die Rolle von Datenanalytikern. Sie verfügen über integrierte KI-Technologie und intuitive Oberflächen, die es Benutzern ermöglichen, ohne umfangreiche Schulungen und oft mit nur wenigen Mausklicks von den Vorteilen des maschinellen Lernens zu profitieren.

Collapse
Wie steht es mit dem ROI?
Auch wenn maschinelles Lernen bei B2B-Anwendungen noch in den Kinderschuhen steckt, wird es bereits von Unternehmen genutzt, um Transaktionen zu automatisieren, Betrugsfälle zu erkennen, die medizinische Forschung voranzutreiben und um Zeit und Geld zu sparen. Wenn Sie künstliche Intelligenz in Cloud-Plattformen und Anwendungen integrieren, können Sie direkt einsteigen, ohne viel Geld in eine maßgeschneiderte Lösung investieren zu müssen.
Collapse

Entdecken Sie SAP Leonardo Machine Learning – unsere Apps und Technologie für maschinelles Lernen

Previous
SAP ist bei mehr als 70 Prozent der weltweiten Geschäftstransaktionen beteiligt, die wir allesamt intelligent gestalten wollen. Unser Ziel ist es, Technologie für maschinelles Lernen in unser gesamtes Softwareangebot für verschiedenste Geschäftsbereiche und Branchen zu integrieren. Erreichen wollen wir das mit SAP Leonardo Machine Learning, dem in unsere SAP Cloud Platform und Anwendungen eingebetteten KI-Portfolio für maschinelles Lernen. Dieser Ansatz wird Ihnen ganz neue Möglichkeiten zur Nutzung all Ihrer Daten eröffnen, alltägliche Prozesse vereinfachen und Ihren Mitarbeitern ermöglichen, sich auf höherwertige Aufgaben zu konzentrieren.
 
Werfen Sie einen Blick in die Zukunft – mit unserer ersten Generation von Anwendungen, Werkzeugen und Services für maschinelles Lernen, dir wir gemeinsam mit Kunden aus den verschiedensten Branchen entwickelt haben.
Die Vision von SAP für maschinelles Lernen ist, Lösungen für reale Geschäftsprobleme zu finden, die enorme Auswirkungen auf die Wirtschaft haben werden. Juergen Mueller, Chief Innovation Officer
Next
Previous

Finanzwesen: Zahlungen automatisieren

Das manuelle Abgleichen von Zahlungen mit Rechnungen ist ein arbeitsintensiver Buchhaltungsprozess. SAP Cash Application verwendet maschinelles Lernen, um den Anteil automatischer Abgleichprozesse deutlich zu erhöhen. 

Recruiting: Den richtigen Bewerber finden

Schluss mit dem Sichten tausender Bewerbungen – SAP Résumé Matching filtert automatisch die besten Kandidaten für eine bestimmte Stellenbeschreibung heraus.

Marketing: Logo- und Markenbekanntheit

Schätzen Sie den ROI Ihrer Marketingaktivitäten beim Corporate Event Sponsoring besser ein – mit einer App, die Logos in Bildern und Videos erkennt.

Next
Previous

Kundenservice: Bedürfnisse frühzeitig erkennen

Mit unserer Technologie für maschinelles Lernen können Sie Kundenfeedback blitzschnell erfassen, analysieren und darauf reagieren. Taggen und gruppieren Sie eingehende Beiträge in den sozialen Medien, E-Mails und mehr – so bestimmen Sie automatisch Klassifikationen, Weiterleitungen und Antworten.

Vertrieb und Marketing: Kundentreue und Kundenbindung  

Gewinnen Sie durch innovative maschinelle Lernprozesse sofortige Einblicke in das Kundenverhalten, indem wichtige Abwanderungsindikatoren erfasst und prognostiziert, und sogar entsprechende Maßnahmen ergriffen werden.

Next

Erste Schritte mit maschinellem Lernen


Previous

Bestimmen Sie, ob es das Richtige für Sie ist

Maschinelles Lernen eignet sich perfekt für Szenarien mit komplexen Regeln und unbekannten Elementen, für Prognosen auf der Basis von neuen statt historischen Daten und zur Automatisierung von immer wiederkehrenden Aufgaben. Wenn Sie die genauen Bedingungen für die Ausführung sämtlicher Anweisungen jedoch kennen, ist eine regelbasierte Programmierung ausreichend.

Nehmen Sie an einem Schnellkurs teil

Wenn Sie immer noch unsicher sind, wie Sie maschinelles Lernen im geschäftlichen Kontext anwenden können, führt Sie unser kostenloser openSAP-Kurs durch die nächsten Schritte – von der Identifizierung der relevanten Problemstellungen bis hin zur Vorbereitung von Daten in komplexen Landschaften. Zusätzlich erhalten Sie Informationen über Anwendungsfälle und Prototypen, Komponenten für die Entwicklung von KI-Produkten und vieles mehr.

Lernen Sie von Experten

Führen Sie KI-Technologie in Rekordgeschwindigkeit ein. Durch die Kombination aus Managementberatung und IT-Expertise können Ihnen unsere Business Transformation Services helfen, schneller an den Start zu gehen. Stimmen Sie Ihre Mitarbeiter, Prozesse und Technologie aufeinander ab und nutzen Sie bewährte Methoden und Services, um die neuesten digitalen Technologien und unsere Technologie für maschinelles Lernen zu implementieren.  

Next
Back to top