Wenn Sie in der vergangenen Woche Google, Spotify oder Uber genutzt haben, haben Sie mit Produkten interagiert, die maschinelles Lernen verwenden.

Maschinelles Lernen, ein Teilbereich der künstlichen Intelligenz, verwendet Algorithmen und statistische Modelle, um Maschinen zu trainieren, Aufgaben zu erfüllen und Muster zu erkennen, ohne Anleitung. In Bezug auf unsere obigen Beispiele sind diese Aufgaben Dinge wie Suchvorschläge, Songempfehlungen und geschätzte Reisezeiten.

Aber es gibt heute noch mehr Möglichkeiten, wie maschinelles Lernen angewendet wird, von denen wir vielleicht nicht einmal wissen.

In diesem Leitfaden werden wir einige clevere Beispiele für maschinelles Lernen aus der realen Welt beleuchten. Um unsere Beispiele zu finden, haben wir fünf Unternehmensleiter kontaktiert, um zu erklären, wie sie heute maschinelles Lernen nutzen.

5 Beispiele für maschinelles Lernen

Sehen Sie ein Beispiel, das Sie interessiert? Fühlen Sie sich frei, weiterzuspringen:

1. Textanalyse für die Inhaltserstellung
2. Analysen für Immobilieninvestitionen
3. Anrufverifizierung zur Betrugserkennung
4. Preistracking für Flugreisen
5. Deep Learning für das Schreiben von Shakespeare

1. Textanalyse

Stephen Jeske, Content Strategist bei MarketMuse

Jeder Content-Marketer da draußen weiß, wie schwierig die Themenzuordnung sein kann. Es erfordert Fachwissen, eingehende Recherche und die Zusammenarbeit mit internen Teams, um sicherzustellen, dass der Inhalt sowohl relevant als auch genau ist. Stephen sagt, MarketMuse wendet maschinelles Lernen an, um die Arbeit von Content-Marketern ein wenig zu erleichtern.

„Eine Anwendung des maschinellen Lernens (ML) betrifft die Textanalyse; ein wichtiger Teil unserer ML-Implementierung bei MarketMuse. Die Fähigkeit, Text zu analysieren, ermöglicht es uns, ein Themenmodell zu jedem gegebenen Thema zu erstellen und Inhalte zu bewerten, um Content-Marketern zu helfen, ein besseres Erlebnis zu schaffen. Maschinelles Lernen für die Textanalyse ermöglicht es uns, semantische Relevanz zwischen Seiten auf einer Website herzustellen. Dies wird verwendet, um Verlinkungsvorschläge mit geeignetem Ankertext für die Erstellung von Content-Clustern anzubieten.

Ein Schritt weiter ermöglicht uns das maschinelle Lernen, thematische Cluster zu entdecken, die auf einer Website existieren, die möglicherweise nicht sofort erkennbar sind.“

Maschinelles Lernen hilft, die Annahmen des Content-Marketers darüber zu validieren, wonach Benutzer im Web in Bezug auf ein Thema suchen. Es eröffnet ihnen auch neue Content-Ideen.

2. Immobilien

Daniela Andreevska, Marketing Director bei Mashvisor

In Immobilien zu investieren kann lukrativ sein, wenn es richtig gemacht wird. Der Prozess kann jedoch zeitaufwändig sein und die meisten haben nicht die Ressourcen oder das Fachwissen, um eine Investition in Betracht zu ziehen. Daniela sagt, Mashvisor nutzt maschinelles Lernen und Datenanalyse, um den Prozess zu verkürzen und einfacher zu machen.

„Mashvisors Property Finder ist eines unserer herausragenden Tools, das maschinelles Lernen verwendet, um die am besten geeignete Immobilie für einen Investor basierend auf den von ihm eingegebenen Kriterien sowie seinem Hintergrund vorherzusagen. Benutzer können Immobilien mögen und nicht mögen, die der Property Finder ihnen basierend auf ihrem bevorzugten Standort, Budget, bevorzugtem Immobilientyp und anderen Kriterien vorschlägt. Je mehr der Benutzer mit dem Tool interagiert, desto genauer werden seine Vorhersagen.“

Die Fähigkeit, hochgradig personalisierte Empfehlungen zu geben, ist ein Beispiel für überwachtes Lernen, bei dem es sowohl Eingabe- als auch Ausgabewerte für den Algorithmus des maschinellen Lernens gibt. Je mehr es genutzt wird, desto genauer wird das Modell.

3. Anrufverifizierung

Tim Prugar, VP of Operations bei Next Caller

Etwa 190 Milliarden Dollar gehen jährlich durch Betrug verloren – was Händler, Kunden und Banken ihre Ruhe kostet. Mit Betrug umzugehen ist frustrierend, ebenso wie jeden Händler anzurufen, um mit der Betrugsspur Schritt zu halten. Tim sagt, Next Caller nutzt maschinelles Lernen, um den Wiederherstellungsprozess von Betrug zu beschleunigen.

„Wir nutzen maschinelles Lernen, um das Problem des Telefonbetrugs zu bekämpfen – insbesondere Menschen, die Konten bei Banken, Versicherungen, Kabelunternehmen, Fluggesellschaften und Hotels übernehmen. Unser VeriCall-Produkt schafft ein positives Kundenerlebnis durch Echtzeit-Anrufverifizierung. Wir verwenden ML, um sicherzustellen, dass Sie schnell, passiv und mühelos authentifiziert werden können – was es Unternehmen ermöglicht, Ihr Problem zu lösen, ohne quälende Zeit damit zu verbringen, herauszufinden, wer Sie sind.“

Die Identitätsverifizierung mit maschinellem Lernen ist nur ein weiteres Beispiel dafür, wie Automatisierung unser tägliches Leben verbessert. Dies ist besonders nützlich, da Betrug nur komplexer wird.

4. Preistracking

Valerie Layman, Chief Product and Services Officer bei Yapta

Also, Sie gehen auf eine Geschäftsreise und Ihr Chef hat Ihnen die Aufgabe gegeben, den kostengünstigsten Flug zu finden. Was kommt als nächstes? Valerie sagt, Yapta wendet maschinelles Lernen für intelligenteres Preistracking bei Flugreisen an.

„Yapta hilft seinen Unternehmenskunden, bei Flug- und Hotelkosten zu sparen, indem es maschinelle Lernalgorithmen zur Optimierung von Verhandlungen mit Reiseanbietern und zur Einhaltung von Richtlinien verwendet. Es nutzt eine Kombination aus Flug- und Hotelbuchungsdaten, Echtzeit-Preisdaten und maschinellem Lernen, um Bereiche zu identifizieren, in denen Unternehmen Möglichkeiten zur Einsparung schaffen oder verbessern können.

Auf einen Blick liefert die Technologie umsetzbare Einblicke in die Nutzung und Leistung von Anbietern, die Leistung von Vertragsraten und die Effektivität von Reiserichtlinien. Die Technologie aggregiert auch anonyme Preisdaten aus den Milliarden von Reiseplänen, die von Yapta verfolgt werden, und erstellt Benchmarks nach Ausgabenhöhe, Geografie, Branche und Anbieter.“

Preistracking, Optimierung und Vorhersage sind einige der pragmatischeren Anwendungen des maschinellen Lernens heute. Tatsächlich hat Yapta durch das Tracking bereits mehr als 250 Millionen Dollar bei Flugreisen für Unternehmen eingespart.

5. Shakespeare schreiben

Rosaria Silipo, Ph.D., Principal Data Scientist bei KNIME

Dieses Beispiel mag weniger geschäftsorientiert und mehr spaßig sein, aber KNIME konnte die Leistungsfähigkeit des Deep Learning mit Long Short-Term Memory (LSTM)-Einheiten zeigen, um originelle Shakespeare-Texte zu generieren. Rosaria sagt:

„Sie kennen das Problem, den ansprechendsten, nicht urheberrechtlich geschützten Namen für Ihr neues Produkt zu finden? Das Problem, das eine Reihe von Brainstorming-Sitzungen der kreativsten Köpfe im Unternehmen erfordert? Nun, ein Deep-Learning-Neuronales Netzwerk mit einer Schicht von LSTM-Einheiten kann auf einer Liste spezifischer Namen trainiert werden – sagen wir Namen mit einem gemeinsamen Thema wie Bergnamen – und eine Liste von bergähnlichen, nicht urheberrechtlich geschützten Namen erstellen, die als Kandidaten für den neuen Produktnamen verwendet werden können.

Ein ähnliches Netzwerk kann auch verwendet werden, um freie Texte zu generieren, wie Shakespeare-ähnliche Texte oder Rap-Songs. Diese Entwürfe können als Grundlage für den endgültigen Text oder Song verwendet werden.“

Es ist erwähnenswert, dass das Generieren von Originaltexten mit Deep Learning ziemlich schwierig ist und noch schwieriger wird, wenn man von komplexen Satzstrukturen und Shakespeare-Englisch ausgeht. Trotzdem ist dies immer noch ein unterhaltsames Beispiel von KNIME.

Das Deep-Learning-Netzwerk wurde mit Shakespeares Stücken „Othello“, „König Lear“ und „Viel Lärm um nichts“ trainiert. Klicken Sie unten, um das Skript zu lesen:

Das Skript schien heiß zu beginnen, aber gegen Ende abzukühlen.

Es ist erwähnenswert, dass das Generieren von Originaltexten mit Deep Learning ziemlich schwierig ist und noch schwieriger wird, wenn man von komplexen Satzstrukturen und Shakespeare-Englisch ausgeht. Trotzdem ist dies immer noch ein unterhaltsames Beispiel von KNIME.

Was kommt als nächstes für maschinelles Lernen?

Von früheren Betrugserkennungen bis hin zur Verbesserung medizinischer Diagnosen steht maschinelles Lernen hinter vielen großen technologischen Durchbrüchen heute, aber was kommt als nächstes?

Wir haben fünf Experten gefragt, um uns ihre Meinungen darüber zu geben, wie die Zukunft des maschinellen Lernens aussieht. Lesen Sie, wie Quantencomputing, Suchmaschinen und No-Code-Umgebungen die Zukunft beeinflussen werden.