Maschinelles Lernen klassifiziert jene IT-Systeme, die ohne oder mit nur sehr geringer menschlicher Beteiligung eigenständig Lösungen für Probleme entwickeln. Diese basieren auf großen Datenbeständen und darin (maschinell) erkennbaren Mustern.
Zwar sind die im maschinellen Lernen angewendeten Verfahren, wie bspw. neuronale Netze, seit Jahrzehnten bekannt, aber erst heutige Rechnerarchitekturen und deren Verarbeitungsgeschwindigkeit haben die Adaption auf reale Probleme ermöglicht. Seitdem erlebt maschinelles Lernen sowie die übergeordnete Klasse der künstlichen Intelligenz einen Boom, der sich nicht zuletzt in der medialen Aufmerksamkeit zu diesem Thema zeigt.
Anhand der inzwischen behandelten Problemstellungen erhalten wiederum jene Forscher, die entsprechende Ansätze weiterentwickeln, neue Informationen, welche die Verbesserung der Verfahren selbst wesentlich beschleunigen.
Maschinelles Lernen stellt einen iterativen Prozess dar, der versucht, anhand der verfügbaren Datenbasis zu stetig verbesserten Einsichten und Vorhersagen zu kommen. Die Bewertung entsprechenden Potenzials sollte daher ebenfalls in mehreren Iterationen und ohne vorschnelle Schlüsse geschehen; insbesondere sind sukzessive Verbesserungen der Datengrundlage und Offenheit für Rückschlüsse auf das eigene Verständnis notwendig, wie z. B. der bereits 1996 vorgestellte "Cross-industry standard process for data mining" illustriert (s. Abb. 1).
Abb. 1: Cross-industry standard process for data mining[1]
Die entsprechenden Ansätze werden speziell in Cloud-Lösungen einfach nutzbar gemacht. So besteht bspw. in SAP Analytics Cloud eine Vielzahl von Funktionen, die nicht nur für Data Scientists nutzbar sind.
Das ist nur ein Ausschnitt aus dem Produkt Finance Office Professional. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen