Use Cases

Machine Learning Use Cases begegnen uns heute auf allen möglichen Websiten im Internet und wird auch von Unternehmen vermehrt in der Produktion genutzt. In diesem Kapitel werden einige Beiträge aus den Bereichen Daten und Machine Learning praktisch umgesetzt, um zu zeigen, dass sich einfache Machine Learning Anwendungen schnell und unkompliziert realisieren lassen.

Use Cases aus dem Bereich Daten

Daten sind überlebenswichtig für jede Machine Learning Anwendung. Somit ist es eine unverzichtbare Fähigkeit mit großen Datenmengen richtig umgehen zu können, wenn man erfolgreiche Machine Learning Projekte umsetzen will.

Einige grundlegende Anwendungen im Bereich Daten sind:

• Datenbeschaffung: Wenn wir selbst nicht über die nötigen Datenmengen für ein Projekt verfügen, müssen wir Techniken kennen, wie wir an aussagekräftige Daten kommen können. Die Abfrage von Daten aus öffentlichen Application Programming Interfaces (APIs) oder das Scrapen von Websiten sind zwei Beispiele dafür.
• Datenspeicherung: Sobald die Daten gesichert sind, müssen sie entsprechend so abgespeichert werden, dass es kostengünstig ist und auch entsprechend leistungsfähig und schnell abgefragt werden kann.
• Datenqualität: Wir müssen mit geeigneten, statistischen Techniken feststellen können, ob die Daten aussagekräftig genug sind, um ein Vorhersagemodell darauf aufbauen können. Dazu müssen beispielsweise auch einige Datensätze gezielt entfernt werden.

Einige unserer Beiträge im Bereiche Machine Learning Use Cases

Verbreitete Machine Learning Use Cases

Algorithmen, die mit einer hohen Genauigkeit gewissen Zustände vorhersagen können, haben unterschiedlichste Anwendungsfelder. Die verbreitesten sind beispielsweise:

• Sprachassistenten: Diese Systeme nutzen Machine Learning, um natürliche Sprache verstehen und richtig interpretieren zu können und auf die Fragen zielgerichtet reagieren zu können. Es muss beispielsweise gelernt werden, auf verschiedene Sprachen und Dialekte reagieren zu können oder verschiedene Formulierungen für denselben Befehl zu verstehen.

• Dynamic Pricing: Hierbei geht es darum, spezifische Preise für dasselbe Produkte zu setzen abhängig vom Kunden, Land oder anderen Umständen. Vor ein paar Jahren war dies vor allem auf Fluggesellschaften beschränkt, die Flugpreise entsprechend angepasst haben, um so näher das Abflugdatum gerückt ist. Heutzutage ist diese Strategie in vielen Bereichen denkbar, beispielsweise im E-Commerce, in dem Kunden besonders vergünstigte Bundles angeboten werden, um den Kunden zurück in den Shop zu locken.
• Produktempfehlungen: Dies ist auch wieder ein Use-Case, der vor allem im E-Commerce stattfindet und darauf abzielt dem Kunden ein besonders passendes Produkt vorzuschlagen, basierend beispielsweise auf dessen Kaufhistorie, Suchverhalten oder anderen Kundeneigenschaften. Darüber hinaus werden solche Algorithmen auch bei Netflix oder Amazon Prime eingesetzt, um eine passende Serie oder Film zu recommenden.
• Fraud Detection: Dabei handelt es sich um die automatisierte Erkennung von auffälligem Verhalten aller Art, die meistens auf einen Missbrauch des Systems hinweisen. Der berühmteste Anwendungsfall sind Bankkonten auf denen auffällige Abbuchungen oder Kreditkartentransaktionen stattfinden, die darauf hinweisen könnten, dass die Kreditkarte in falsche Hände geraten ist.

Zusammenfassung

Es gibt viele Machine Learning Use Cases, die uns im Alltag begegnen und die für Unternehmen gewinnbringend einsetzbar sind. Dieses Kapitel soll zeigen, wie ein Einstieg in einige dieser Use Cases gelingen kann und dass die Anfänge auch mit vergleichsweise wenig und einfachem Python Code gelingen können.