Machine Learning in Applikationen

Programmieren ist der Versuch, Probleme in fixe Regeln zu pressen und damit zu lösen. Komplexe Aufgabenstellungen, wie etwa Sprach- oder auch Bilderkennung, bedürfen aber smarterer Lösungsansätze. Denn sie gehorchen keinem fixen Regelwerk. Computer können solche Herausforderungen nur dann meistern, wenn sie die notwendigen Fähigkeiten vorher erlernen. Erfahrt in diesem Blogbeitrag mehr über die faszinierende Technologie, und wie Ihr Google Machine Learning ganz einfach für Eure eigenen Software-Entwicklungen nutzen könnt.

Wenn Ihr ein Bild von einem Apfel betrachten, dann wisst Ihr, dass es sich um ein Bild von einem Apfel handelt. Dieses Wissen habt Ihr einem Computer voraus. Denn es gibt unzählige Möglichkeiten, wie ein Apfel aussehen und abgebildet werden kann. Ein Regelkorsett in Form eines Programmes über diese Vielfalt an Möglichkeiten zu stülpen, ist kaum möglich und wenig sinnvoll.

Ihr selbst habt allerdings auch nicht schon nach Euren ersten Schrei gewusst, dass beispielsweise ein Bild im Kreißsaal einen Apfel zeigt. Das habt Ihr erst lernen müssen. So wie wir Menschen, können Computer nun ebenfalls lernen. Das System bekommt viele Male das Bild eines Apfels vorgesetzt und die Info dazu serviert, dass es sich um eben ein Bild eines Apfels handelt. Nach einiger Zeit kann der Rechner ein solches Bild dann erkennen. Nie mit einer hundertprozentigen Sicherheit zwar – aber mit sehr hoher Wahrscheinlichkeit. Die Trefferquote hängt nämlich davon ab, wie gut der Rechner zuvor trainiert wurde.

Machine Learning wird in der Praxis oft als Synonym für Artificial Intelligence (Künstliche Intelligenz) verwendet. Das ist unpräzise: AI oder KI umschreiben die Versuche, einen Computer so zu programmieren, dass er eigenständig Probleme lösen kann. AI oder KI sollen also das menschliche Denken mechanisieren. Bei Machine Learning hingegen lernt ein System, aus Beispielen verschiedene Muster zu erkennen. Aufgrund dieser kann der Computer dann unbekannte Daten beurteilen.  

Wir selbst verwenden bereits zahlreiche Anwendungen wie selbstverständlich, in denen Machine Learning integriert ist. Hier findet Ihr fünf Beispiele für Google Machine Learning, die Euch vielleicht überraschen werden:

1. Google Suche
   Das Ergebnis der Google Suche wird etwa durch einen nicht unerheblichen Teil von RankBrain bestimmt. Der Algorithmus lernt anhand des Suchverhaltens der User, welche Ergebnisse für bestimmte Begriffe „gut“ oder „schlecht“ waren. Daraus zieht RankBrain seine Schlüsse und “verbessert” die Suchergebnisse. Besonders bei neuen Suchanfragen spielt dies eine wichtige Rolle.
2. Automatische Vervollständigung
   Für den User sichtbarer als RankBrain ist freilich die Auto-Suggest Funktion der Google Suche. Noch während Ihr einen Suchbegriff in das Fenster eingeben, schlägt Euch Google mögliche Begriffe vor. Auch hier ist Machine Learning im Spiel.
3. Spam-Erkennung im Mailprogramm
   Spam-Nachrichten von wichtigen Nachrichten zu unterscheiden ist oft nicht einfach. Das Mail-Programm G-Mail von Google filtert ungewollte oder gar gefährliche E-Mails selbständig heraus. Mithilfe der künstlichen Intelligenz von Tensor Flow hat Google den Spam-Filter nun weiter verbessert. Damit sollen täglich 100 Millionen Spam-Nachrichten zusätzlich als solche erkannt werden.
4. Google Fotos erkennt Inhalt der Bilder
   Innerhalb von Google Fotos könnt Ihr nach dem Inhalt der Bilder suchen. Gebt „Apfel“ oder „Sonnenuntergang“ ein, und erhaltet die gewünschten Ergebnisse. Dank Google Machine Learning ist es möglich, Informationen aus den Bildern zu lesen. Eine Leistung, die mit üblicher Programmierarbeit nicht möglich wäre.
5. Google Übersetzer für Schrift, Wort und Bild
   Diese Anwendung dient als Real-Time-Übersetzer für viele Sprachen – angefangen von Afrikaans bis Zulu. Den zu übersetzenden Text müsst Ihr dabei nicht per Tastatur eingeben. Ihr könnt ihn sprechen oder Ihr „zeigt“ der Applikation einfach das, was es zu übersetzen gilt. Auf Ihrem Display seht Ihr dann die übersetzte Version. Ein Beispiel: Ihr richtet Euer Smartphone auf eine fremdsprachige Speisekarte. Schon seht Ihr alle Gerichte in Eurer Muttersprache angezeigt.

Google verwendet Machine Learning allerdings nicht nur für die eigenen Applikationen. Es ist leicht möglich, diese Technologie in Ihre eigenen Anwendung einzubinden. Es gibt zwei Möglichkeiten, um Google Machine Learning zu nutzen:

Fertige APIs in die Software einbinden

Auf der Google Cloud Plattform (GCP) stehen verschiedene fixfertige Anwendungen (APIs) zur Verfügung. Diese müsst Ihr lediglich in Eure Software einbinden. Know-how über Machine Learning ist dabei nicht notwendig. 10 verschiedene AI-Bausteine stehen derzeit zur Verfügung:

• Inhalte von Bildern erkennen
  Mit Cloud Vision könnt Ihr Informationen aus Bildern gewinnen. Diese Anwendung eröffnet Euch eine Fülle an Anwendungsmöglichkeiten: Große Mengen an Fotos lassen sich damit in Kategorien einteilen. Use-Cases angefangen von der Produktbildkategorisierung bis hin zur Krankheitsdiagnose sind damit realisierbar. In Bildern enthaltenen Text könnt Ihr mit der Vision API ebenfalls erfassen. Bei Services, die es Nutzern erlauben, eigene Bilder hochzuladen, erkennt Vision API unangemessene Inhalte.

• Bewegtbild verstehen
  Video API erkennt die Inhalte von Bewegtbild. Die Anwendungsmöglichkeiten sind vielfältig: Damit könnt Ihr etwa kontextbezogene Werbung realisieren, große Videobibliotheken indexiert archivieren und Inhalte daraus rasch verfügbar machen, sowie Bewegtbild moderieren und filtern.
   
• Schnelle und lernfähige Übersetzung
  Mithilfe des Translation API können Sie Texte schnell und dynamisch übersetzen. Im vortrainierten Modell stehen dabei mehr als 100 Sprachen zur Verfügung.
   
• Bedeutung und Struktur von Text verstehen
  Natural Language API ermöglicht es, die Struktur und die Bedeutung von Texten zu analysieren und den Inhalt zu verstehen. Mit diesem Baustein ist es möglich, Personen, Orte oder Ereignisse in einem Text zu erkennen. Auch Stimmungen und Meinungen lassen sich analysieren. Bei der Auswertung von Kundenrezensionen oder Postings auf Social Media Plattformen ist dies beispielsweise sehr nützlich.
   
• Intelligente Chatbots erstellen
  Dialogflow ermöglicht intelligente Konversationen zwischen Mensch und Maschine. Diese könnt Ihr auf verschiedenen Plattformen zur Verfügung stellen – wie etwa auf Websites aber auch über IoT-Geräte. Chatbots, die die Fragen der Nutzer analysieren und intelligent beantworten, lassen sich beispielsweise mit Dialogflow verwirklichen.
   
• Text in gesprochene Sprache umwandeln
  Mit der Cloud Text-to-Speech könnt Ihr Text in natürlich klingende Sprache umwandeln. Für über 20 Sprachen stehen derzeit mehr als 100 Stimmen zur Verfügung. Die Lösung eignet sich für die Interaktion mit Geräten oder auch für den Kundendienst.

• Gesprochenes in Text transformieren
  Die Cloud Speech-to-Text-API erkennt 120 Sprachen und kann diese in Text umwandeln. Die Anwendung eignet sich beispielsweise für die Steuerung von Geräten durch Sprache oder auch das Transskripieren von Sprachaufzeichnungen in Text.

• Erkenntnisse aus strukturierten Daten gewinnen
  Mit AutoML Tables könnt Ihr Daten aus Eurem Unternehmen dazu nutzen, um mit Hilfe von Machine Learning wichtige Erkenntnisse daraus zu gewinnen.  Das erlaubt Euch, genauere Prognosen über die Nachfrage Eurer Kund:innen zu erstellen.
   
• Kund:innen besser verstehen
  Recommondations AI (Beta) hilft Euch, das Verhalten Eurer Kund:innen besser zu verstehen und die Produktempfehlungen stärker zu personalisieren.
   
• Schnellere Erkenntnisse aus Zeitreihen
  Die Analyse von Zeitreihen – etwa die Fußgängerfrequenz vor einem Schaufenster – bilden für viele Unternehmen die Basis für wichtige Entscheidungen. Mit Cloud Inference API (Alpha) lassen sich aus Zeitreihendatensätzen Erkenntnisse in Echtzeit gewinnen. 

Mithilfe der Cloud Auto ML Produkten könnt Ihr aus vielen der eben beschriebenen Bausteine benutzerdefinierte Modelle erstellen und diese trainieren. Ihr könnt aber auch Eure eigenen Lern-Modelle generieren, indem Ihr das Google Machine Learning als Managed Service aus der Cloud nutzen. Eure Modelle erstellt Ihr dabei mit der plattformunabhängigen Open-Source-Programmbibliothek TensorFlow. Ein Beispiel dafür: Der Japaner Koike Makoto verwendete TensorFlow, um für die Farm seiner Eltern eine intelligente Sortiermaschine für Gurken zu realisieren. 

Dank Machine Learning lässt sich das Verständnis zwischen Mensch und Maschine erheblich erleichtern. Ein solches wertet Ihre Anwendungen auf. Mit Google Machine Learning könnt Ihr vorgefertigte Anwendungen in Ihre eigenen Applikationen leicht integrieren. Oder aber, Ihr nutzt die Ressourcen von Google Machine Learning, um Eure selbst kreierten Lern-Modelle laufen zu lassen.