Der Weg zu Machine Learning

Den meisten Führungskräften aus IT und Business ist bewusst, dass trotz der wirtschaftlichen und gesellschaftlichen Beeinträchtigungen durch die COVID-19-Pandemie die digitale Transformation nicht an Tempo verlieren, sondern zulegen wird. Aufgrund der unmittelbaren Herausforderungen aufgrund der Pandemie haben Unternehmen innovative Wege gefunden, ihr Business am Laufen zu halten, und haben dabei häufig auf datengestützte Entscheidungen und Technologien gesetzt.

Der Umfang und die Verschiedenartigkeit von Daten aus bestehenden und neu entstehenden Anwendungsfällen nehmen explosionsartig zu, und wir müssen in Echtzeit auf diese Daten reagieren. Es ist für Menschen nicht möglich, Logdaten effektiv zu sichten und beispielsweise nach Warnzeichen für aufkommende Sicherheits- oder Betriebsprobleme zu suchen. Für die Gewinnung von Erkenntnissen aus Daten ist Machine Learning erforderlich. Machine Learning-Algorithmen können selbstständig aus den Daten lernen, die sie verarbeiten, um bestimmte Aufgaben durchzuführen – und zu beschleunigen. („Machine Learning“ und „künstliche Intelligenz“ werden zwar häufig synonym verwendet, doch eigentlich ist ML ein Teilbereich von KI.)

Sowohl für eine bessere Resilienz in künftigen Krisen als auch für den Erfolg in Zeiten der beschleunigten digitalen Transformation ist Machine Learning die einzige Möglichkeit, wie wir die anfallenden Datenmengen auswerten und als Grundlage für Handlungen nutzen können, und zwar mit der Geschwindigkeit, die erforderlich ist, um unsere Kunden zu bedienen, Mitbewerber zu übertreffen oder unsere Mission zu erfüllen.

Machine Learning ist ein komplexes Thema, das derzeit in aller Munde ist – wobei nicht alle Nachrichten und Schlagzeilen dazu positiv und auch nicht immer alle zutreffend sind. Das Bild wird zusätzlich dadurch verzerrt, dass Anbieter Machine Learning häufig als Merkmal anpreisen, wie eine Spezialzutat eines besonders schmackhaften Gerichts, anstatt es als Sinn und Zweck des ganzen Essens zu präsentieren. Und dabei ist von all den Technologien, die unsere Entwicklung hin zum Datenzeitalter vorantreiben, Machine Learning die grundlegendste von allen. Machine Learning-Algorithmen werden uns in die Lage versetzen, die Datenmengen zu verwerten, die die heutigen und zukünftigen Technologien mit sich bringen. Es ist unerlässlich, dass sich Unternehmen damit befassen, wie man Machine Learning zu nutzen beginnt. Glücklicherweise heißt es bei Machine Learning nicht „alles oder nichts“. Zur Veranschaulichung vergleiche ich die ML-Nutzung oft damit, wie wir erst lernen zu krabbeln und zu gehen, bevor wir laufen können.

1. Krabbeln: Vertrauen mit Kontrolle. Für Unternehmen ohne KI-Hintergrund ist es oft am besten, zu Anfang ein Produkt mit „integriertem“ ML zu verwenden, bei dem sich das Machine Learning quasi in einer Black Box befindet. Beispielsweise wird bei einer SIEM-Lösung Machine Learning eingesetzt, doch während die Lösung selbst konfiguriert werden kann, findet im Prinzip keine Interaktion zwischen dem Benutzer und den Algorithmen statt. Hier liegt das Hauptaugenmerk auf der Erklärbarkeit. Wenn der Algorithmus Malware-Aktivitäten von False Positives und normalem Verhalten trennt, solltet ihr zumindest ansatzweise verstehen, wie diese Unterscheidung vorgenommen wird. Ihr könnt dann nämlich die Ergebnisse prüfen, wodurch euer Vertrauen in den Algorithmus entweder zunimmt (oder aber aus gutem Grund schwindet). 
   
   
2. Gehen: Eingaben optimieren, Ausgaben verbessern. Wenn Mitarbeiter eures Unternehmens die nächste Stufe von ML umsetzen können, habt ihr deutlich mehr Möglichkeiten als nur die Erklärbarkeit, um die Sichtung der ML-Ausgaben zu erleichtern und die daraus resultierenden Handlungen zu verbessern. Mit etwas mehr Codieraufwand beginnt ihr selbst, die Funktionen zu steuern, die im System genutzt werden. Der Ansatz lautet hier eher „zeige mir Malware-Instanzen, und ich prüfe deine Arbeit“. Ihr könnt steuern, wie viel Metadaten ihr zur Verbesserung des Algorithmus bereitstellt, und könnt die Daten verfeinern, so dass der Algorithmus mit den relevantesten Informationen arbeitet. 
   
   
3. Laufen: Kontrolle übernehmen, Tests ausführen. Die dritte Stufe erfordert deutlich mehr Fachkenntnisse, damit man die Algorithmen viel tiefgreifender einsetzen kann. Wenn die Optimierung eines Algorithmus schon hilfreich ist, hilft es umso mehr, wenn man Algorithmen miteinander vergleichen kann. Ihr habt Algorithmus A soweit es ging optimiert und möchtet ihn jetzt im Vergleich zum neu erstellten Algorithmus B testen, um feststellen, welcher besser ist. Dies ist ein wissenschaftlicher Ansatz für den Einsatz von Machine Learning zur Ergebnisoptimierung, der euch maximale Transparenz und Vertrauen bietet.
    

Im Zusammenhang mit Machine Learning und im weiteren Sinne auch mit künstlicher Intelligenz gibt es eine Menge Bedenken und Unklarheiten. Manche Bedenken sind gerechtfertigt. Es wurde nachgewiesen, dass Algorithmen einer Verzerrung unterliegen können, die identifiziert und aus dem Algorithmus entfernt werden muss. Außerdem wird sich KI auf die Arbeitswelt auswirken, und zwar dahingehend, welche Qualifikationen wir in unserem beruflichen Werdegang ausbauen müssen, und, welche Funktionen vollständig von der Automatisierung übernommen werden. Diese Fälle sind jedoch eine Frage des Designs und der Bereitstellung der KI. Die Lösung besteht nicht darin, sich vor der Technologie zu verstecken – das ist nicht möglich. Die Lösung besteht vielmehr darin, sich die Technologie vorsichtig anzueignen, ihre Funktionsweise kennenzulernen und die Fähigkeit zu entwickeln, sie intensiver zu nutzen, um kontinuierliche Verbesserungen zu unterstützen.

Da unsere Welt immer schnelllebiger wird und immer mehr Daten produziert, wird Machine Learning zu einem unerlässlichen Tool, um hier einen erfolgreichen Kurs einzuschlagen.

^{*Dieser Artikel wurde aus dem Englischen übersetzt und editiert. Den Originalblogpost findet ihr hier: How to Introduce Yourself to Machine Learning.}

----------------------------------------------------
Thanks!
Splunk