Maschinelles lernen
Maschinelles Lernen ist das Konzept, mit dem ein Computerprogramm lernen und sich an neue Daten anpassen kann, ohne dass der Mensch eingreift. Maschinelles Lernen ist ein Bereich der künstlichen Intelligenz (KI), der die eingebauten Algorithmen eines Computers unabhängig von Veränderungen in der weltweiten Wirtschaft auf dem neuesten Stand hält.
Maschinelles Lernen erklärt
Verschiedene Wirtschaftszweige haben es mit riesigen Datenmengen zu tun, die in unterschiedlichen Formaten aus unterschiedlichen Quellen verfügbar sind. Die enorme Datenmenge, bekannt als Big Data, wird durch den fortschreitenden Einsatz von Technologie immer leichter verfügbar und zugänglich. Unternehmen und Regierungen sind sich der enormen Einsichten bewusst, die durch die Nutzung von Big Data gewonnen werden können, ihnen fehlen jedoch die Ressourcen und die Zeit, um die Fülle an Informationen zu verarbeiten. Daher werden in verschiedenen Branchen künstliche Intelligenzmaßnahmen eingesetzt, um nützliche Informationen aus Datensätzen zu sammeln, zu verarbeiten, zu kommunizieren und auszutauschen. Eine Methode der KI, die zunehmend für die Verarbeitung großer Datenmengen eingesetzt wird, ist das maschinelle Lernen.
Anwendungen für maschinelles Lernen
Die verschiedenen Datenanwendungen des maschinellen Lernens werden durch einen komplexen Algorithmus oder Quellcode gebildet, der in die Maschine oder den Computer eingebaut ist. Dieser Programmcode erstellt ein Modell, das die Daten identifiziert und Vorhersagen um die identifizierten Daten erstellt. Das Modell verwendet im Algorithmus integrierte Parameter, um Muster für seinen Entscheidungsprozess zu bilden. Wenn neue oder zusätzliche Daten verfügbar werden, passt der Algorithmus die Parameter automatisch an, um zu prüfen, ob sich ein Muster ändert. Das Modell sollte sich jedoch nicht ändern.
Maschinelles Lernen wird aus verschiedenen Gründen in verschiedenen Bereichen eingesetzt. Handelssysteme können kalibriert werden, um neue Investitionsmöglichkeiten zu identifizieren. Marketing- und E-Commerce-Plattformen können optimiert werden, um ihren Benutzern genaue und personalisierte Empfehlungen basierend auf dem Internet-Suchverlauf oder früheren Transaktionen der Benutzer bereitzustellen. Kreditinstitute können maschinelles Lernen einbeziehen, um schlechte Kredite vorherzusagen und ein Kreditrisikomodell zu erstellen. Information Hubs können mithilfe von maschinellem Lernen eine Vielzahl von Nachrichten aus allen Teilen der Welt erfassen. Banken können Betrugserkennungs-Tools aus maschinellen Lerntechniken erstellen. Der Einzug von maschinellem Lernen in das Zeitalter des digitalen Lernens ist endlos, da sich Unternehmen und Regierungen der Chancen bewusst werden, die Big Data bietet.
So funktioniert maschinelles Lernen
Wie maschinelles Lernen funktioniert, lässt sich am Beispiel der Finanzwelt besser erklären. Traditionell durchsuchen Investmentakteure auf dem Wertpapiermarkt wie Finanzforscher, Analysten, Vermögensverwalter und Einzelinvestoren zahlreiche Informationen von verschiedenen Unternehmen auf der ganzen Welt, um rentable Anlageentscheidungen zu treffen. Einige sachdienliche Informationen werden jedoch möglicherweise von den Medien nicht in großem Umfang veröffentlicht und sind möglicherweise nur einigen wenigen Personen bekannt, die den Vorteil haben, Mitarbeiter des Unternehmens oder Einwohner des Landes zu sein, aus dem die Informationen stammen. Darüber hinaus gibt es nur so viele Informationen, die Menschen innerhalb eines bestimmten Zeitrahmens sammeln und verarbeiten können. Hier kommt maschinelles Lernen ins Spiel.
Eine Vermögensverwaltungsfirma kann maschinelles Lernen in ihrem Bereich der Investitionsanalyse und -forschung einsetzen. Angenommen, der Vermögensverwalter investiert nur in Bergbauaktien. Das im System integrierte Modell durchsucht das Web und sammelt alle Arten von Nachrichtenereignissen aus Unternehmen, Branchen, Städten und Ländern. Diese gesammelten Informationen bilden den Datensatz. Die Vermögensverwalter und Forscher des Unternehmens wären mit ihren menschlichen Kräften und ihrem Verstand nicht in der Lage gewesen, die Informationen im Datensatz abzurufen. Die neben dem Modell erstellten Parameter extrahieren nur Daten zu Bergbauunternehmen, regulatorischen Richtlinien für den Explorationssektor und politischen Ereignissen in ausgewählten Ländern aus dem Datensatz. Angenommen, ein Bergbauunternehmen XYZ hat gerade eine Diamantenmine in einer kleinen Stadt in Südafrika entdeckt. Die App für maschinelles Lernen würde dies als relevante Daten hervorheben. Das Modell könnte dann ein Analysetool namens Predictive Analytics verwenden, um Vorhersagen darüber zu treffen, ob die Bergbauindustrie für einen bestimmten Zeitraum rentabel sein wird oder welche Bergbauaktien zu einem bestimmten Zeitpunkt voraussichtlich an Wert gewinnen werden. Diese Informationen werden an den Vermögensverwalter weitergeleitet, um zu analysieren und eine Entscheidung für sein Portfolio zu treffen. Der Vermögensverwalter kann entscheiden, Millionen von Dollar in XYZ-Aktien zu investieren.
Im Gefolge eines ungünstigen Ereignisses, beispielsweise eines Streiks südafrikanischer Bergleute, passt der Computeralgorithmus seine Parameter automatisch an, um ein neues Muster zu erstellen. Auf diese Weise bleibt das in die Maschine integrierte Rechenmodell auch bei Änderungen der Weltereignisse auf dem neuesten Stand, ohne dass ein Mensch seinen Code anpassen muss, um die Änderungen widerzuspiegeln. Da der Vermögensverwalter diese neuen Daten rechtzeitig erhalten hat, kann er seine Verluste durch den Ausstieg aus dem Bestand begrenzen.
Vergleich von Anlagekonten Name des Anbieters Beschreibung Angaben zum Werbetreibenden × Die in dieser Tabelle aufgeführten Angebote stammen von Partnerschaften, von denen Investopedia eine Vergütung erhält.