Beginnen wir mit einigen grundlegenden Kenntnissen über maschinelles Lernen für die Zwecke dieses Artikels. Unter maschinellem Lernen versteht man den Einsatz von Technologien zur Erkennung von Mustern in großen Datensätzen und zur entsprechenden Anpassung, d. h. zum "Lernen" zur Verbesserung eines bestimmten Prozesses oder einer Wissensbasis. Schauen wir uns das mal genauer an.
Warum maschinelles Lernen?
Maschinen lernen ständig etwas über Sie, vor allem, um Sie gezielt mit Werbung anzusprechen. Es gibt jedoch eine wachsende Zahl von Unternehmensanwendungen für maschinelles Lernen. Big Data spielt eine große Rolle bei der Begeisterung für maschinelles Lernen, aber die Wahrheit ist, dass es nicht neu ist, sondern die Technologie einfach ausgereift ist. Mit der Veröffentlichung von Tools wie Amazon SageMaker kann nun jeder mit der Erstellung von Modellen beginnen, ohne ein Datenwissenschaftler zu sein.
Was ist Workflow?
Bevor wir fortfahren, wollen wir kurz den Begriff Workflow definieren. Workflow ist die Orchestrierung von Aufgaben durch mehrere Akteure, um die Erreichung eines gemeinsamen Ziels zu fördern, oft auf der Grundlage einer Reihe von Bedingungen. Denken Sie einen Moment darüber nach. Aufgaben können von Menschen oder Computern erledigt werden. Die Akteure können Menschen oder Computer sein. Das Ziel kann physisch oder digital sein. Die Bedingungen können umweltbezogen oder rechnerisch sein. Das sind eine Menge Datenpunkte.
Maschinelles Lernen und Workflow
Algorithmen des maschinellen Lernens durchsuchen ständig und in Echtzeit riesige Datensätze, um Muster zu finden und sich anzupassen. Ein gutes Beispiel ist eine Fabrik. Eine Fabrik ist voll von Arbeitsabläufen, an denen menschliche und nicht-menschliche Akteure beteiligt sind, und Daten, die von Computern und Menschen stammen. Algorithmen sind objektiv, denn sie betrachten alle Daten und vergleichen sie mit dem Endergebnis. Sie erkennen alle Ineffizienzen, ob menschlich oder nicht, und korrigieren sich automatisch selbst, um die Effizienz der Fabrik im Prozess zu verbessern.
Maschinelles Lernen kann überall zur Optimierung von Arbeitsabläufen beitragen. In Personalabteilungen beispielsweise werden tagtäglich dieselben Anfragen eingereicht. Daraus ergeben sich riesige Datensätze, mit denen Modelle erstellt werden können, um die Effizienz der Personalabteilung zu verbessern. In vielen Fällen macht maschinelles Lernen nicht nur die Teams effizienter, sondern auch die Systeme und das Zusammenspiel von Systemen und Menschen. Außerdem wird es ständig verbessert und weiterentwickelt, weshalb maschinelles Lernen auf Ihrer Liste der Technologien stehen sollte, die Sie 2019 im Auge behalten sollten.
In der nächsten Folge dieser Serie werden wir drei Beispiele für den Einsatz von maschinellem Lernen zur Optimierung gängiger Geschäftsprozesse vorstellen.
