Neues Wissen durch Maschinelles Lernen
Durch maschinelles Lernen lassen sich Daten aufbereiten und veredeln, Muster und Beziehungen erkennen, aber auch andere KI-Algorithmen mit der besten Datengrundlage für ihre Berechnungen versorgen.
Muster und Strukturen in Daten erkennen
Das Maschinelle Lernen (ML), eine Unterdisziplin der Künstlichen Intelligenz (KI), zielt darauf ab, Systemen das Erkennen von Mustern in Daten zu ermöglichen. Typische Anwendungsfälle sind Klassifikation und Prädiktion, die in verschiedenen Bereichen wie Bild-, Video- und Spracherkennung Anwendung finden. Durch den Einsatz von ML können komplexe Datenstrukturen analysiert und für präzise Vorhersagen genutzt werden.
Der Prozess des Maschinellen Lernens umfasst mehrere Stufen: von der Datenaufbereitung (Harmonisierung, Transformation und Anreicherung) über die Auswahl der Erklärungsvariablen bis hin zum Training und der Evaluation der Modelle. Bei der Implementierung in anspruchsvollen Echtzeitumgebungen ist die Performance der Modelle von entscheidender Bedeutung. Während viele ML-Modelle, insbesondere Neuronale Netze, oft als "Black Boxes" betrachtet werden und schwer interpretierbar sind, ist das Feld der erklärbaren Künstlichen Intelligenz (XAI) eine aktive Forschungsdisziplin, die darauf abzielt, die Nachvollziehbarkeit und Interpretierbarkeit von ML-Modellen zu verbessern, was auch für die Anwendungen bei INFORM von großer Bedeutung ist. Deep Learning, eine spezielle Klasse von neuronalen Netzen, hat sich dabei als eine leistungsstarke Methode im Bereich des Maschinellen Lernens etabliert.
Innerhalb der INFORM werden regelmäßig neue Anwendungen maschinellen Lernens aufgedeckt, erprobt und implementiert. Oft bringen die Ergebnisse der ML-Modelle den anwendenden Unternehmen an sich bereits Mehrwerte. Sie lassen sich darüber hinaus aber auch nutzen, um den Such- und Optimierungsalgorithmen aus dem Operations Research eine noch bessere Datengrundlage für aktuelle Berechnungen zur Verfügung zu stellen. Zu den aktiv genutzten Erfolgsbeispielen bei Kunden zählen zum Beispiel die Lieferzeitenprognose für bestellte Waren, das Erkennen von neuen Betrugsmustern im Finanzbereich oder die Bewertung ein- und ausgehender Container am Hafen, um diese passend zu den zu erwartenden Beförderungsmitteln am richtigen Ort zu stapeln.