Machine Learning und Deep Learning – Zukunftstechnologien im Check
Um was geht es eigentlich bei Machine Learning? Und was hat es mit Deep Learning auf sich? Welchen Nutzen bringen diese Zukunftstechnologien ganz konkret für die Logistik?
Über die Revolution durch Künstliche Intelligenz wird aktuell viel gesprochen. In den meisten Fällen steckt Machine Learning dahinter, eine sich derzeit rasant entwickelnde Computer-Technologie. Wie bei jedem Hype-Thema gilt auch für Machine Learning, dass diese Technologie nicht alle Probleme lösen und damit nicht alles verändern wird. So werden die meisten bestehenden IT-Systeme in der Logistik nicht durch Machine Learning, also Künstliche Intelligenz, ersetzt werden. Aber die Technologie hat das Potenzial, Aufgabenstellungen anzugehen, die sich mit herkömmlicher Programmierlogik bisher nicht lösen ließen. Dazu zählen vor allem Bild-, Text- und Spracherkennung, die Interpretation komplexer Datenmengen sowie Predictive Analytics. Daraus ergeben sich mögliche Anwendungen in der Logistik: Zum Beispiel die Prognose von Mengen- und Preisentwicklungen, die Klassifizierung von Packstücken anhand von Bildern, die Interpretation und automatische Weiterverarbeitung von unstrukturierten Inputdaten, wie beispielsweise E-Mail-Anfragen, oder die Steuerung von autonomen Fahrzeugen und Maschinen in sich verändernden Arbeitsumgebungen.
Selbsttätige Lernphasen und klassische mathematische Verfahren
Beim Einsatz klassischer If-then-else-Programmierung müssten bei solchen Einsatzszenarien im Vorfeld alle Eventualitäten erdacht und in Programmzeilen verwandelt werden. Dies ist aufgrund der Komplexität und der Datenmengen in der Regel aber nicht möglich. Machine Learning verfolgt einen anderen Ansatz: Auf Basis von historischen Input-Daten trainiert sich ein Algorithmus selbsttätig. Dieser Prozess wird auch als Lernphase bezeichnet. Erfolgreich ist das Lernen, wenn der Algorithmus bei ähnlichen, aber unbekannten Inputdaten ebenfalls die gewünschten Outputdaten berechnet. Der Algorithmus hat dann durch sein Training eigenständig eine Gesetzmäßigkeit gefunden.
Hinter Machine Learning verbergen sich zum einen eine Vielzahl von klassischen mathematischen Verfahren wie Entscheidungsbäume oder sogenannte k-Means (Clusterbildung). Außerdem kommen Künstliche Neuronale Netze (KNN) zum Einsatz, die eine Art Abstraktionsmodell des menschlichen Gehirns und ein durch das menschliche Lernverhaltens inspirierte Methode darstellen. Hier setzen viele Entwickler derzeit auf das Deep Learning – also KNN mit einer Vielzahl von Neuronenschichten, um hohe Komplexitäten abbilden zu können. Momentan werden insbesondere hier diverse Methoden und Tools ausprobiert.
Machine Learning ist eine interessante Technologie mit ersten vielversprechenden Anwendungen, die sich aber insgesamt noch in der Entwicklungsphase befindet. Wann und wie intensiv Machine Learning die Supply Chains verändert, wird sich erst in den kommenden Jahren erweisen.
