Flash-Vorhersagen: Optimierung des maschinellen Lernens für kleine Datensätze

Mit Machine Learning können Anwender ihre Einlagerstrategie optimieren und damit das Lager bestmöglich auslasten. Auch die Sievers-Group setzt bei Kundenprojekten zunehmend auf Machine Learning, um Informationen noch besser zu interpretieren, präzisere Vorhersagen zu treffen und dadurch insgesamt Prozesse zu optimieren. „Wir nutzen die Cloud-Lösung Microsoft Azure Machine Learning Studio“, erklärt Hendrik Ohlms, Teamleiter Vertrieb Business Solutions ERP bei der Sievers-Group. 60 Prozent der verfügbaren Daten heran, um Zusammenhänge zu erkennen und daraus zu lernen.

Was ist Maschinelles Lernen?

Es ist ein mächtiges Werkzeug, das Unternehmen hilft, fundierte Entscheidungen zu treffen und in einer datengesteuerten Welt erfolgreich zu bestehen. Mit der kontinuierlichen Weiterentwicklung der Technologie und der Verfügbarkeit immer größerer Datenmengen wird der Einfluss von Predictive Analytics in den kommenden Jahren weiter wachsen. Ein häufig genutztes Werkzeug ist die ROC-Kurve (Receiver Operating Characteristic), die die Trade-offs zwischen Sensitivität und Spezifität eines Modells darstellt. Die von uns vorgeschlagene Methodik ermöglicht eine Flexibilität bei der Wahl von Referenzverteilungen. Dadurch können wir einen massgeschneiderten Ansatz zur Bestimmung der Merkmalsbedeutung in verschiedenen Kontexten schaffen. Zum Beispiel identifizierte das Modell bei der Einkommensvorhersage Merkmale, die mit Alter, Bildung und Beruf zusammenhängen, als bedeutend.

Support Vector Machines

Die dritte Lernmethode, die wir im Artikel zu Machine Learning und künstliche Intelligenz vorgestellt haben, ist das Reinforcement Learning. Hier lernt der Computer teilweise durch selbständiges Ausprobieren („Exploration“) und durch das Maximieren einer Belohnungsfunktion („Exploitation“). Auf dieser Grundlage erkennt er jene Strategie, die in einem bestimmten Zusammenhang am sinnvollsten ist.

Hier steht dem Nutzer eine deutliche höhere Anzahl an Algorithmen zur Verfügung, sowie verschiedene Möglichkeiten zur Zeitreihenanalyse. Eine ausführliche Dokumentation und theoretische Grundlagen zu jedem Modell ermöglichen mehr Klarheit und Nachvollziehbarkeit. Wenn Sie mehr über die Funktionen der PAL erfahren möchten legen wir Ihnen unseren Übersichtsartikel ans Herz. Supervised Learning, auch bekannt als überwachtes Machine Learning, verwendet gekennzeichnete Datensätze, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse präzise vorhersagen können. Während Eingabedaten in das Modell eingespeist werden, passt das Modell seine Gewichtungen an, bis es angemessen angepasst ist.

Möchten Sie mit fortschrittlicher künstlicher Intelligenz arbeiten, führt jedoch kein Weg an klassischer Programmierung vorbei. Programmiersprachen wie beispielsweise Python bieten eine der besten Möglichkeit zur automatisierten Zeitreihenprognose. Verschiedenste Bibliotheken (z. B. fbprophet und pmdarima) werden bereitgestellt, sodass beispielsweise Prophet und Auto-ARIMA innerhalb kürzester Zeit implementiert und ausgeführt werden können. Durch ausführliche Dokumentationen und verschiedensten Veröffentlichungen lassen sich hierbei die Funktionen gut nachvollziehen.

Dabei lernt eine Software, indem sie selbstständig neues Wissen generiert – ohne explizite Programmierung. Zum Einsatz kommen Algorithmen, die komplexe Zusammenhänge zwischen den vorhandenen Daten verstehen, Muster erkennen und daraus nach einer Lernphase allgemeingültige Modelle ableiten. Ob der Algorithmus zuverlässige Ergebnisse liefert, bitkingz schweiz hängt dabei allerdings wesentlich von dem Umfang und der Qualität der zur Verfügung stehenden Daten ab. Die Lernphase sehr aufwendig ist, sind die resultierenden Modelle deutlich einfacher und damit auch in der Lage, Daten schnell zu analysieren.

Diese Ressourcen sind ideal für alle, die ihr Wissen erweitern und praktische Fähigkeiten in diesem zukunftsweisenden Bereich entwickeln möchten. Die wichtigsten Konzepte und Techniken im maschinellen Lernen umfassen überwachte und unüberwachte Lernmethoden, neuronale Netze und Deep Learning, die alle auf statistischen Modellen und Algorithmen basieren. Wichtige wissenschaftliche Arbeiten und Literatur bieten eine solide Grundlage für das Verständnis und die Anwendung dieser Techniken.

• Es ist in der Lage hunderte Features automatisiert aus einer Zeitreihe zu extrahieren und das Forecasting Problem so zu einem Regressionsproblem zu transformieren.
• Auf dem Entscheidungsbaum basierende Methoden eignen sich daher gut für Zeitreihen, bei denen wichtige Merkmale leicht zu identifizieren sind.
• Bekannte Beispiele für Deep Learning-Architekturen, die an Zeitreihendaten angepasst wurden, sind Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) oder, in jüngerer Zeit, die Transformer-Architekturen.

In einzelnen Abteilungen wie dem Einkauf, Lager und Logistik, aber auch bis hinauf in die Chefetagen kann prognostisches Wissen Entscheidungen verbessern und Prozesse optimieren. Um aussagekräftige und realistische Prognosen zu erhalten, müssen Prognosemodelle regelmäßig überprüft und gegebenenfalls erweitert oder angepasst werden. Bestimmte Störeinflüsse und Systemunsicherheiten können so identifiziert und reguliert werden. Im Kern geht es also darum, in vorab bestimmten Sets von Daten Muster zu finden, die ein tiefergehendes Verständnis von vergangenen Ereignissen oder von vergangenen Verhaltensweisen von Kunden erlaubt. Diese Erkenntnisse werden dann als Grundlage für die Simulation zukünftigen Verhaltens verwendet. Überwachte Lernverfahren lassen sich einteilen in Klassifikations- und Regressionsprobleme.

Meist gibt es nicht nur ein geeignetes Modell, so dass mehrere Methoden in Frage kommen, die jeweils Vor- und Nachteile für die spezifische Anwendung, für die man die Vorhersage anwenden will, aufweisen. Daher lohnt es sich, besonders bei den nicht-parametrischen Modellen genauer zu differenzieren und konventionelle Machine Learning Methoden mit Deep Learning Modellen zu vergleichen. Im Folgenden geht es daher weniger um die Eigenschaften der Zeitreihe, sondern mehr um die Modelle und ihre Eignung für eine bestimmte Anwendung. PoseMatcher verbessert die Genauigkeit der Pose-Schätzung für unbekannte Objekte in verschiedenen Bereichen. Exploration bedeutet, nach neuen Fehlermustern zu suchen, während sich die Ausnutzung auf die Bestätigung bekannter Muster konzentriert. Das Ziel ist daher, eine Methode zu schaffen, die die Anzahl der Proben minimiert, die annotiert werden müssen, während das Verständnis der Fehlklassifikationsmuster maximiert wird.

Zeitlich gesehen können relevante Merkmale weit voneinander entfernt liegen oder sich in unmittelbarer Nachbarschaft befinden. Folglich sollte ein geeignetes Machine Learning Modell in der Lage sein, langfristige Trends und zeitlich weit entfernte Zusammenhänge zu erfassen, ohne lokale Muster zu vernachlässigen.

Es gibt noch Raum für Fortschritte in Bereichen wie der Kombination verschiedener Bewertungstechniken, um bessere Ergebnisse zu erzielen. Ausserdem könnten Forscher diese Techniken auf verschiedene maschinelle Lernaufgaben über die Klassifikation hinaus anwenden, einschliesslich Regressionsproblemen. Die Ergebnisse der Experimente zeigten, dass bestimmte Techniken zur Berechnung von Inkompetenzscores besser abschnitten als andere. Feature-basierte und Logit-basierte Scores waren besonders effektiv, da sie halfen, die Genauigkeit des Modells im Umgang mit Out-of-Distribution-Daten zu verbessern. Im Gegensatz dazu schnitten Methoden wie dichtestützende Ansätze in den meisten Fällen nicht so gut ab.

Unsere Forschung hat das Ziel, zu diesem wichtigen Ziel beizutragen und Werkzeuge sowie Perspektiven bereitzustellen, die Nutzern helfen können, Vertrauen in ihre Entscheidungsprozesse zu gewinnen. Während unser einheitlicher Ansatz viele Vorteile hat, gibt es Einschränkungen, die wir anerkennen müssen. Ein kritischer Gesichtspunkt ist, wie gut unsere Definitionen von Ausreichend und Notwendig mit menschlicher Intuition übereinstimmen. Da Modelle möglicherweise andere Merkmale verwenden als die, die Menschen für wichtig halten, kann dies zu Diskrepanzen in den Interpretationen führen. In einem ML-Modell sind Merkmale die einzelnen Datenstücke, die zur Vorhersage verwendet werden.

Indem wir diese Konzepte formalisiert und in eine einheitliche Perspektive integriert haben, können wir tiefere Einblicke in die Merkmalsbedeutung geben und die Interpretierbarkeit in verschiedenen Machine Learning Aufgaben verbessern. In einem Experiment verwendeten wir demografische Merkmale, um vorherzusagen, ob das Jahreseinkommen einer Person einen bestimmten Schwellenwert überschreitet. Wir trainierten ein Modell, um diese Merkmale zu analysieren und seine Vorhersagen zu bewerten. Durch die Verwendung von sowohl ausreichenden als auch notwendigen Merkmalen in unserer Analyse konnten wir wichtige Merkmale aufdecken, die möglicherweise unbemerkt geblieben wären, wenn wir sie isoliert betrachtet hätten. Durch die Analyse von Faktoren wie Verkehr, Wetter und historischen Daten können ML-Modelle die effizientesten Routen vorhersagen und so Zeit und Kraftstoff sparen.

Prognosemodelle sind zudem ein wichtiges Instrument, wenn es darum geht, Produkte, Angebote und Services entsprechend der Trends und der Wünsche der Kunden anzupassen. Prognosemodelle können dabei in unterschiedlichsten Branchen und unternehmerischen Bereichen eingesetzt werden. Beim unüberwachten Lernen hat man nur Eingabedaten (X) und keine entsprechenden Ausgangsvariablen. Beispielsweise könnten diese Eingabedaten die Wohnorte von Menschen sein – dann wären Städte die zugehörigen Cluster. Es wäre dann etwa denkbar, dass Restaurantketten aufgrund der Ergebnisse einer Clusteranalyse eine Standortplanung durchführen könnten. Weiterhin wäre es auch denkbar, die Clusteranalyse zu nutzen, um Umfragen auszuwerten und die Antworten in entsprechende Cluster einzuteilen.

Mit dem gleichen Ziel wurden auch Deep Neural Network Architekturen angepasst, um den spezifischen Herausforderungen von Zeitreihendaten gerecht zu werden. Bekannte Beispiele für Deep Learning-Architekturen, die an Zeitreihendaten angepasst wurden, sind Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) oder, in jüngerer Zeit, die Transformer-Architekturen. Deswegen ist es entscheidend die grundlegenden Eigenschaften von Zeitreihendaten zu verstehen.