Was haben das selbstfahrende Auto von Google und die Empfehlungen von Netflix gemeinsam? Für alle diese Lösungen wird zu einem gewissen Grad maschinelles Lernen eingesetzt, um wiederholbare Entscheidungen zu treffen, bestimmte Aufgaben auszuführen und bei geringer bis keiner menschlichen Interaktion eigenständig Anpassungen vorzunehmen.

Eine einfache Definition von maschinellem Lernen lautet: Die Wissenschaft, Computer dazu zu bringen, ähnlich wie Menschen zu lernen und zu handeln, während sie gleichzeitig anhand von realen Interaktionen und Trainingsdaten, mit denen wir sie füttern, eigenständig lernen.

Maschinelles Lernen ist keine neue Technologie. Die Algorithmen, die die heutigen Anwendungen für Mustererkennung und maschinelles Lernen steuern, gibt es schon seit vielen Jahren. Doch erst jetzt beginnen Modelle für maschinelles Lernen, mit komplexeren Datensets zu interagieren und aus früheren Berechnungen und Vorhersagen zu lernen, um zuverlässige Entscheidungen und Ergebnisse zu erzeugen. Wenn Sie das richtige Modell entwickeln, haben Sie eine bessere Chance, unbekannte Risiken zu vermeiden und gewinnbringende Möglichkeiten in Ihrem Unternehmen zu erkennen.

Lesen: Do Security Analysts Trust Machine Learning Powered Analytics? (in Englisch)

Maschinelles Lernen ist keine exakte Wissenschaft. Es umfasst ein breites Spektrum an Tools, Techniken und Konzepten. Hier folgen die gängigsten Arten von Techniken und Algorithmen des maschinellen Lernens zusammen mit einer kurzen Zusammenfassung, wie sie zur Lösung von Problemen eingesetzt werden können.

Überwachtes Lernen

Einige der einfachsten Aufgaben fallen unter überwachtes Lernen. Ein Algorithmus zur Handschrifterkennung wird zum Beispiel typischerweise als überwachte Lernaufgabe eingestuft. Diese Aufgaben können jedoch nur erledigt werden, wenn dem Computer passende Eingabe-Ausgabe-Paare vorgegeben wurden.

Unüberwachtes Lernen

Während überwachte Algorithmen für maschinelles Lernen in einem Datensatz mit richtigen Antworten nach Mustern suchen, finden unüberwachte Lernaufgaben Muster, die für einen Menschen oft unmöglich zu erkennen sind. Zum Beispiel kann ein Marketing-Algorithmus mithilfe von unüberwachtem Lernen Segmente von Interessenten mit ähnlichen Kaufgewohnheiten ermitteln.

Verstärkendes Lernen

Anstatt den Computer mit passenden Eingabe-Ausgabe-Paaren zu versorgen, stellt das verstärkende Lernen dem Computer eine Methode zur Verfügung, um seine Leistung mittels positiver Verstärkung zu messen. Ähnlich wie Menschen und Tiere Aufgaben lösen, probiert der Computer mehrere Wege zur Lösung eines Problems aus und wird bei Erfolg mit einem Signal belohnt. Dieses Verhalten wird dann gelernt und beim nächsten Mal wiederholt, wenn das gleiche Problem vorliegt.

Diese Technologie ist natürlich nutzlos, wenn sie nicht sinnvoll eingesetzt wird. Es gibt zahlreiche Tools und Anwendungsmöglichkeiten für maschinelles Lernen, die derzeit in sämtlichen Branchen zum Einsatz kommen. Die gängigsten davon sind u. a.:

Datensicherheit

Malware ist ein Problem, das in absehbarer Zeit nicht verschwinden wird. Die schlechte Nachricht ist, dass jeden Tag Tausende neuer Varianten von Malware entdeckt werden. Die gute Nachricht ist, dass neue Malware fast immer den gleichen Code wie Vorgängerversionen hat. Das bedeutet, dass mithilfe von maschinellem Lernen nach Mustern gesucht werden kann und Auffälligkeiten erkannt werden können.

Finanzhandel

Es sind Muster und Vorhersagen, die den Aktienmarkt am Laufen halten und Börsenmakler reich machen. Algorithmen für maschinelles Lernen werden von einigen der renommiertesten Finanzhandelsunternehmen der Welt eingesetzt, um Transaktionen mit hohem Volumen und hoher Geschwindigkeit vorherzusagen und auszuführen.

Personalisiertes Marketing

Wenn Sie Ihre Kunden verstehen, können Sie ihre Wünsche besser erfüllen. Wenn Sie ihre Wünsche besser erfüllen, verkaufen Sie mehr. Beim personalisierten Marketing kommen Algorithmen des maschinellen Lernens zum Einsatz, um ein wirklich personalisiertes Kundenerlebnis zu schaffen, das auf das bisherige Verhalten des Kunden, seine Vorlieben und Abneigungen sowie auf standortbezogene Daten, wie z. B. den Ort, an dem er bevorzugt einkauft, abgestimmt wird.

Apple, Google, Facebook und Microsoft sind nur einige der Tech-Giganten, die beim maschinellen Lernen eine Führungsrolle übernommen haben. Im Juni letzten Jahres veröffentlichte Apple seine Core ML API zur Beschleunigung künstlicher Intelligenz auf dem iPhone. Die Azure-Cloud-Dienste von Microsoft verfügen nun über eine Emotion-API, die in der Lage ist, menschliche Emotionen wie Traurigkeit, Wut, Freude, Abscheu und Überraschung zu erkennen.

All diesen Tools ist gemeinsam, dass sie dynamisch sind und sich an neue Regeln, neue Umgebungen und neu erlernte Informationen anpassen können. Von Empfehlungsmodulen bis zur Gesichtserkennung – maschinelles Lernen ist für Unternehmen, die sich mit Big Data und großen Entscheidungen befassen, ein echter Wegbereiter. In einer Welt, in der Unternehmen den neuesten Bedrohungen, dem Wettbewerb und menschlichen Fehlern immer einen Schritt voraus sein müssen, wird diese Technologie Unternehmen in die Lage versetzen, agiler und reaktionsschneller als je zuvor zu sein.

Neben dem Einsatz von maschinellem Lernen zum Verbessern von Prozessen und Treffen datengesteuerter Entscheidungen müssen Unternehmen in der Lage sein, die Sicherheit ihrer Daten effizienter und so zu verwalten, dass Mitarbeiter nicht ausgebremst werden. Die Antwort ist Dynamic Data Protection von Forcepoint. Mithilfe der am Faktor Mensch orientierten Verhaltensanalyse und individualisierter, adaptiver Datensicherheit reduziert Dynamic Data Protection den Zeitaufwand für das Sichten von Warnungen und ermöglicht es Ihren DevSecOps-Teams, vorausschauender zu handeln.