Machine Learning (ML) bezeichnet IT-Systeme, die durch das Erkennen von Mustern in vorliegenden Daten eigenständig Lösungen für Probleme finden können.
Und so funktioniert das im Detail:
Das Perzeptron, der Urahn eines neuronalen Netzes, wurde bereits 1958 von Rosenblatt entwickelt. Ein einzelnes Perzeptron kann nur sehr einfache lineare Zusammenhänge lernen, bereits bei einer X-Oder Operation scheitert es. Heute gibt es sehr weit entwickelte tiefe neuronale Netze, wie die Convolutional Neural Networks (CNNs), die vor allem bei der Bilderkennung eingesetzt werden. Konzepte zu Recurrent Neural Networks (RNNs) entstanden 1997, die zusammen mit ihren Nachfolgearchitekturen unter anderem zur Spracherkennung und Zeitreihenanalyse eingesetzt werden.
In der unternehmerischen Praxis sind ML-Systeme jedoch erst vor wenigen Jahren wirklich angekommen da ML-Systeme große Anforderungen an Datenmengen, Rechenleistung sowie Erfahrungswerte stellen. Mit zunehmender Rechenleistung durch Parallelisierung (GPU-Programmierung), der großen Datenverfügbarkeit (Big-Data), sowie der einfacheren Zugänglichkeit durch Software-Bibliotheken oder kostenfreien Cloud Services (wie z.B. Google’s Colab Link) wird Machine Learning (ML) nun als Praxis-Technologie immens relevant. Dabei ruht die Entwicklung nicht, aktuelle Weiterentwicklungen wie wie GANs (2014), Transformer (2017) oder BERT (2018) zeigen, dass das technologische Potential noch nicht ausgeschöpft ist.
Einhergehend mit den hohen Investitionen der US-Technologieunternehmen wie Microsoft, Google, amazon und Co., wird KI und ML auch zunehmend relevanter für europäische und deutsche Unternehmen, weshalb Consileon dort einen Schwerpunkt in seinem Angebot setzt.
