Der Autor macht sich mit dieser Arbeit zur Aufgabe, dem Leser einen klaren Überblick über die Grundprinzipien von Machine Learning zu verschaffen. Der Fokus hierbei liegt bei den Potenzialen und Hürden von Machine Learning. Vorerst werden Grundbegriffe, die im Machine Learning häufig wiederzufinden sind, und die für das weitere Verständnis essenziell sind, genauer erläutert.
Machine Learning wird unterteilt in verschiedene Arten des Lernens sowie Lernmodelle und anhand dieser Arten werden die Potenziale vorgestellt und analysiert. Ebenso werden vorhandene Hürden vorab vorgestellt, analysiert und bewertet. Der Einfluss von Machine Learning Anwendungen bzw. Technologien auf die Unternehmen wird mit Hilfe einer Marktanalyse durchleuchtet und angesichts dieser Erkenntnisse wird eine Prognose abgegeben.
Zuerst werden dem Leser einige Begriffe erklärt, die mit der Thematik zu tun haben. Anschließend im nächsten Kapitel, wird dem Leser der Begriff "Machine Learning" genauer erläutert, damit man einen Grundbaustein für das Verständnis der weiteren Themen hat. Des Weiteren werden dem Leser mehrere Arten von ML vorgestellt und anschließend auch einige Modelle, die beim Machine Learning aktuell Anwendung finden bzw. auch in der Vergangenheit bereits genutzt wurden. Bei den Potenzialen wird hauptsächlich auf Deep Learning eingegangen, da diese Technologie die größte Aufmerksamkeit im Machine Learning auf sich zieht. Dabei haben die Begriffe Deep Learning im allgemeinen, Transfer-Lernen, One-Shot-Lernen je eine besondere Bedeutung. Im anschließenden Kapitel werden die Hürden vorgestellt, hierzu gibt es sowohl technische, gesellschaftliche als auch ethische Hürden. Auch diese Hürden wurden auf ihre Überwindbarkeit bewertet. Das letzte Kapitel ist die Marktanalyse von ML-Anwendungen, ob und inwieweit sich dieser Markt entwickeln wird und was dies für die Unternehmen bedeutet. Zum Schluss werden die Ergebnisse der Arbeit analysiert und die Forschungsfrage wird daraufhin beantwortet.
Inhaltsverzeichnis
1 Einleitung
1.1 Forschungsfrage und Hypothese
1.2 Vorgehensweise und Struktur
1.3 Einführung in die Thematik – Begriffsdefinitionen
1.4 Big Data
1.5 Labeled – Unlabeled Data
1.6 Neuronale Netze
2 Machine Learning
2.1 Was ist Machine Learning? - Definition
2.2 - Wie funktioniert Machine Learning?
2.3 Arten von Maschine Learning
2.3.1 Überwachtes Lernen (Supervised Learning)
2.3.2 Unüberwachtes Lernen (Unsupervised Learning)
2.3.3 Teilüberwachtes Lernen (Semi-Supervised Learning)
2.3.4 Bestärktes Lernen (Reinforcement Learning)
2.4 Modelltypen - Klassifizierungsarten beim Machine Learning
2.4.1 Lineare Klassifikation
2.4.2 Lineare Regression
2.4.3 Support Vector Machines (SVM)
2.4.4 Decision Trees
2.4.5 Multi-Layer Perceptrons
2.4.6 Clustering – k-means Clustering:
2.4.7 Künstliches Neuronales Netzwerk
3 Potenziale
3.1 Effizientere Auswertung von visuellen Daten
3.1.1 Deep Learning
3.2 Echtzeitauswertung
3.2.1 Online-Lernen
3.3 Anpassungsfähigkeit und Flexibilität beim ML
3.3.1 Transfer Lernen
3.4 Machine Learning mit wenig Daten
3.4.1 One-Shot-Lernen
3.5 Bewertung der Potenziale
4 Hürden
4.1 Technische Hürden
4.1.1 Qualität der Daten
4.1.2 Mangelnde Fachkräfte
4.1.3 Hackerangriffe
4.2 Rechtliche Hürden
4.2.1 Datenschutz
4.2.2 Haftung
4.3 Gesellschaftliche Hürden
4.3.2 Akzeptanz und Nachvollziehbarkeit
4.4 Bewertung der Hürden
5 Marktanalyse
5.1 Marktgröße
5.2 Marktwachstum & Marktdynamik
5.3 Marktpotenzial
6 Fazit und Ausblick
6.1 Beantwortung der Forschungsfrage mithilfe der bisherigen Erkenntnisse
6.2 Überprüfung der Forschungshypothese mit den bisherigen Erkenntnissen
6.3 Ausblick
Zielsetzung und thematische Schwerpunkte
Die vorliegende Arbeit untersucht, inwieweit die Potenziale von Machine Learning trotz aktuell bestehender technischer, rechtlicher und gesellschaftlicher Hürden in absehbarer Zeit nutzbar sind. Dabei wird analysiert, wie sich der zunehmende Einsatz von Machine Learning auf die Industrie auswirkt und inwieweit Anbieter dieser Technologien von einer steigenden Nachfrage profitieren können.
- Grundlagen und Definitionen von Machine Learning und Künstlicher Intelligenz
- Analyse der Potenziale von Machine Learning (u.a. Deep Learning, Online-Lernen, Transfer-Lernen)
- Identifikation und Bewertung technischer, rechtlicher und gesellschaftlicher Hürden
- Durchführung einer Marktanalyse zur Bestimmung von Wachstumstrends
- Prognose zur weiteren Entwicklung und wirtschaftlichen Bedeutung von Machine Learning
Auszug aus dem Buch
One-Shot-Lernen
Meistens werden beim ML riesige Datenmengen benötigt. Damit man ein Objekt korrekt klassifizieren kann, muss das Objekt sich häufig mit leichter Veränderung in den Beispieldaten vorfinden. Einige Ereignisse treten nur selten auf, da sie kaum in den Daten vertreten sind, dies kann sowohl in der Robotik als auch in personalisierten Medien oder in sicherheitsrelevanten Anwendungen sein. Auch aus Datenschutzgründen oder wegen des Urheberrechts kann es zu Einschränkungen der Datennutzung kommen. Fachleute aus dem ML haben das Lernen mit wenig Daten als sehr wichtig eingeschätzt, da in manchen Bereichen nur wenig nutzvolle Daten vorliegen. Des Weiteren wurde auf das umfassende Hintergrund- und Expertenwissen hingewiesen, insbesondere in der deutschen Industrie, was für das Lernen einen Wert bringen sollte. Daher bemüht man sich, vorhandenes Expertenwissen und Naturgesetze in ML Verfahren zu vereinen, um im Voraus sinnvolle Einschränkungen zu bestimmen und die Trainingsphase der Maschine effektiver und effizienter zu gestalten.
Man kann mit unüberwachten Verfahren eine Repräsentation vorlernen, wodurch man überwacht mit weniger Parametern nur noch ein kleineres Netz trainieren muss. Eine weitere Option ist das Wiederverwenden von Schichten, damit man die ähnlichen Eingabedaten von zuvor gelernten Repräsentationen nutzen kann. In beiden Fällen würde man für die Lernaufgabe nur eine geringe Anzahl von Daten mit Label benötigen. Jedoch müsste man eine große Menge an Beispieldaten ohne Zielvorgaben besitzen. Falls die Möglichkeit, mehr Daten in der gewünschten Form zu sammeln, nicht besteht, ist es sinnvoll, wenn man andere Daten aus ähnlichen Aufgaben nutzt. Auch wenn viele Daten vorliegen sollten, kann der eigene Trainingsaufwand verringert und die Resultate verbessert werden, indem man bestehende Modelle aufnimmt, in welche bereits zahlreiche Daten eingeflossen sind.
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Thematik Machine Learning ein, definiert Grundbegriffe wie Big Data und neuronale Netze und leitet die Forschungsfrage sowie die Hypothese ab.
2 Machine Learning: Hier werden die Funktionsweise, verschiedene Lernarten (überwacht, unüberwacht etc.) sowie diverse Modelltypen wie Entscheidungsbäume und neuronale Netze detailliert erläutert.
3 Potenziale: Dieses Kapitel analysiert verschiedene Anwendungsbereiche und Potenziale wie Deep Learning, Echtzeitauswertung durch Online-Lernen und Transfer-Lernen.
4 Hürden: Hier werden technische, rechtliche und gesellschaftliche Herausforderungen, wie der Fachkräftemangel oder Datenschutzvorgaben (DSGVO), vorgestellt und evaluiert.
5 Marktanalyse: Dieses Kapitel untersucht die aktuelle Marktsituation, das Wachstum und das Potenzial von Machine Learning anhand von Unternehmensbeispielen wie Alteryx.
6 Fazit und Ausblick: Der abschließende Teil beantwortet die Forschungsfrage, überprüft die Hypothese und gibt einen Ausblick auf die zukünftige Entwicklung und Bedeutung der Technologie.
Schlüsselwörter
Machine Learning, Künstliche Intelligenz, Deep Learning, Big Data, neuronale Netze, Transfer-Lernen, One-Shot-Lernen, Datenschutz, DSGVO, Marktanalyse, Algorithmen, Automatisierung, Fachkräftemangel, Cybersecurity, technologische Potenziale
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit behandelt die grundlegenden Potenziale und bestehenden Hürden von Machine Learning sowie deren Einfluss auf die zukünftige wirtschaftliche Entwicklung von Unternehmen.
Was sind die zentralen Themenfelder?
Zentrale Felder sind die verschiedenen Lernarten im Machine Learning, die Bewertung technologischer Ansätze wie Deep Learning und die Analyse gesellschaftlicher, technischer sowie rechtlicher Hindernisse.
Was ist das primäre Ziel oder die Forschungsfrage?
Die Forschungsfrage lautet: „Ist es möglich, trotz der aktuell bestehenden Hürden, die Potenziale von Machine Learning in absehbarer Zeit zu nutzen?“
Welche wissenschaftliche Methode wird verwendet?
Der Autor stützt sich auf eine Literaturanalyse sowie eine Marktanalyse, in der empirische Daten und Studien ausgewertet werden, um die Forschungsfrage und -hypothese zu beantworten.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die Erläuterung der Machine-Learning-Grundlagen, die detaillierte Vorstellung der Potenziale und Hürden sowie die Analyse der Marktentwicklung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär durch Machine Learning, Künstliche Intelligenz, Deep Learning, Datenschutz und Marktanalyse charakterisieren.
Wie bewertet der Autor die Hürde „Hackerangriffe“?
Der Autor bewertet Hackerangriffe mit der Stufe 3 (langfristig umsetzbar), da das Risiko aufgrund der stetig fortschreitenden Digitalisierung und Cyberkriminalität auch bei hochentwickelten Sicherheitslösungen dauerhaft präsent bleibt.
Welche Rolle spielt die DSGVO in diesem Kontext?
Die DSGVO stellt einen wichtigen rechtlichen Rahmen dar, der insbesondere Anforderungen an Datenschutz, Transparenz und Zweckbindung der Datenverarbeitung bei Machine-Learning-Projekten festlegt.
Warum ist „One-Shot-Lernen“ für die Industrie relevant?
One-Shot-Lernen ist relevant, da es ermöglicht, Modelle mit sehr wenigen Beispieldaten zu trainieren, was besonders in Bereichen mit geringer Datenverfügbarkeit oder bei der Identifizierung seltener Ereignisse von großem Vorteil ist.
- Citar trabajo
- Mecit Akcay (Autor), 2021, Machine Learning. Welche Potenziale und Hürden hat es?, Múnich, GRIN Verlag, https://www.grin.com/document/1012818
