Datenanalyse vs. Machine Learning

Bei all dem Hype um das maschinelle Lernen fragen sich viele Unternehmen, ob es in ihrem Unternehmen überhaupt maschinelle Lernanwendungen geben sollte...

In der überwiegenden Mehrheit der Fälle ist die Antwort ein klares Nein.

Wie Sie vor einigen Kapiteln gelernt haben, ist einer der Hauptvorteile der Cloud, dass sie es Ihnen ermöglicht, praktisch unendliche Speicher- und Rechenleistung zu nutzen, um wichtige Erkenntnisse aus den Daten zu gewinnen, die Ihre Sensoren/Geräte sammeln werden. Sowohl die Datenanalyse als auch das maschinelle Lernen können dabei leistungsstarke Werkzeuge sein, aber es gibt oft Verwirrung darüber, was sie tatsächlich bedeuten und wann es am besten ist, das eine oder andere zu verwenden.

Später werden wir den Wert des maschinellen Lernens eingehender untersuchen, aber auf hohem Niveau nimmt das maschinelle Lernen große Datenmengen auf und erzeugt nützliche Erkenntnisse, die der Organisation helfen. Das könnte bedeuten, dass Prozesse verbessert, Kosten gesenkt, ein besseres Erlebnis für den Kunden geschaffen oder neue Geschäftsmodelle erschlossen werden.

Die meisten Unternehmen können jedoch viele dieser Vorteile von der traditionellen Datenanalyse nutzen, ohne kompliziertere maschinelle Lernanwendungen zu benötigen.

Die traditionelle Datenanalyse ist hervorragend geeignet, um Daten zu erklären. Sie können Berichte oder Modelle darüber erstellen, was in der Vergangenheit passiert ist oder was heute passiert ist, und nützliche Erkenntnisse für die Anwendung auf das Unternehmen gewinnen.

Datenanalysen können helfen, Ziele zu quantifizieren und zu verfolgen, eine intelligentere Entscheidungsfindung zu ermöglichen und dann die Mittel zur Erfolgsmessung im Zeitablauf bereitzustellen.

Wann ist maschinelles Lernen also wertvoll?

Die Datenmodelle, die für die traditionelle Datenanalyse typisch sind, sind oft statisch und von begrenztem Nutzen, um schnell wechselnde und unstrukturierte Daten zu adressieren.

Wenn es um IoT geht, ist es oft notwendig, Zusammenhänge zwischen Dutzenden von Sensoreingaben und externen Faktoren zu identifizieren, die schnell Millionen von Datenpunkten produzieren.

Während die traditionelle Datenanalyse ein Modell benötigen würde, das auf früheren Daten und Expertenmeinungen aufbaut, um eine Beziehung zwischen den Variablen herzustellen, beginnt das maschinelle Lernen mit den Ergebnisvariablen (z.B. Energieeinsparung) und sucht dann automatisch nach Prädiktorvariablen und deren Wechselwirkungen.

Im Allgemeinen ist maschinelles Lernen wertvoll, wenn man weiß, was man will, aber nicht die wichtigen Eingangsgrößen kennt, um diese Entscheidung zu treffen. Sie geben dem maschinellen Lernalgorithmus also die Ziele und "lernen" dann aus den Daten, welche Faktoren für die Erreichung dieses Ziels wichtig sind.

Ein gutes Beispiel ist die Anwendung von maschinellem Lernen in den Rechenzentren von Google im vergangenen Jahr. Rechenzentren müssen kühl bleiben, so dass sie große Mengen an Energie benötigen, damit ihre Kühlsysteme ordnungsgemäß funktionieren. Dies stellt für Google einen erheblichen Kostenfaktor dar, so dass das Ziel darin bestand, die Effizienz durch maschinelles Lernen zu steigern.

Mit 120 Variablen, die das Kühlsystem beeinflussen (d.h. Ventilatoren, Pumpen, Drehzahlen, Fenster usw.), wäre der Bau eines Modells mit klassischen Ansätzen ein großes Unterfangen. Stattdessen wandte Google maschinelles Lernen an und senkte seinen Gesamtenergieverbrauch um 15%. Das entspricht Hunderten von Millionen Dollar an Einsparungen für Google in den kommenden Jahren.

Darüber hinaus ist maschinelles Lernen auch nützlich, um zukünftige Ereignisse genau vorherzusagen. Während die Datenmodelle, die mit Hilfe der traditionellen Datenanalyse erstellt wurden, statisch sind, verbessern sich die Algorithmen des maschinellen Lernens im Laufe der Zeit ständig, da mehr Daten erfasst und assimiliert werden. Das bedeutet, dass der Algorithmus des maschinellen Lernens Vorhersagen treffen kann, sehen kann, was tatsächlich passiert, mit seinen Vorhersagen vergleichen und sich dann anpassen kann, um genauer zu werden.

Die prädiktive Analytik, die durch maschinelles Lernen ermöglicht wird, ist für viele IoT-Anwendungen von großem Wert. Werfen wir einen Blick auf einige konkrete Beispiele.

Anwendungen des maschinellen Lernens im IoT

Das maschinelle Lernen ist in Bezug auf IoT v.a. aus 2 Perspektiven interessant.

Kosteneinsparungen in industriellen Anwendungen

Prädiktive Fähigkeiten sind in einem industriellen Umfeld äußerst nützlich. Durch das Zeichnen von Daten von mehreren Sensoren in oder an Maschinen können maschinelle Lernalgorithmen "lernen", was für die Maschine typisch ist, und dann erkennen, wenn etwas Ungewöhnliches zu geschehen beginnt.

Eine Firma namens Augury macht genau das mit Vibrations- und Ultraschallsensoren, die auf Geräten installiert sind:

"Die gesammelten Daten werden an unsere Server gesendet, wo sie mit früheren Daten, die von dieser Maschine gesammelt wurden, sowie mit Daten, die von ähnlichen Maschinen gesammelt wurden, verglichen werden. Unsere Plattform kann geringste Veränderungen erkennen und Sie vor Fehlfunktionen warnen. Diese Analyse erfolgt in Echtzeit und die Ergebnisse werden innerhalb von Sekunden auf dem Smartphone des Technikers angezeigt."

Die Vorhersage, wann eine Maschine gewartet werden muss, ist unglaublich wertvoll und führt zu Millionen von Dollar an eingesparten Kosten. Ein großartiges Beispiel ist Goldcorp, ein Bergbauunternehmen, das immense Fahrzeuge einsetzt, um Materialien abzutransportieren. Wenn diese Schlepper ausfallen, kostet Goldcorp 2 Millionen Dollar pro Tag an verlorener Produktivität. Goldcorp nutzt jetzt das maschinelle Lernen, um mit einer Genauigkeit von über 90% vorherzusagen, wann Maschinen gewartet werden müssen, was enorme Kosteneinsparungen bedeutet.

Erfahrungen für den Einzelnen gestalten

Wir sind eigentlich alle mit maschinellen Lernanwendungen in unserem Alltag vertraut. Sowohl Amazon als auch Netflix nutzen maschinelles Lernen, um unsere Präferenzen zu erlernen und dem Benutzer ein besseres Erlebnis zu bieten. Das könnte bedeuten, dass Sie Produkte vorschlagen, die Ihnen gefallen könnten, oder relevante Empfehlungen für Filme und Fernsehsendungen geben.

Ebenso kann maschinelles Lernen im IoT sehr wertvoll sein, um unsere Umgebung nach unseren persönlichen Vorlieben zu gestalten. Der Nestthermostat ist ein großartiges Beispiel: Er nutzt das maschinelle Lernen, um Ihre Vorlieben für Heizen und Kühlen zu erlernen und stellt sicher, dass das Haus die richtige Temperatur hat, wenn Sie von der Arbeit nach Hause kommen oder wenn Sie morgens aufwachen.

Wichtige Takeaways

Die oben beschriebenen Anwendungsfälle sind nur einige der nahezu unbegrenzten Möglichkeiten, aber sie sind wichtig, weil sie nützliche Anwendungen sind.

des maschinellen Lernens im IoT, die derzeit stattfinden. Um es jedoch zu wiederholen: Traditionelle Datenanalyse ist in der Regel gut genug für die meisten IoT-Anwendungen. Lassen Sie sich nicht von einer IoT-Plattform täuschen, die Sie mit ihren maschinellen Lernfähigkeiten verkauft, wenn Sie nur versuchen, Trends im Zeitablauf zu betrachten, um Ihre Effizienz zu messen und zu verbessern.

Um einen letzten, kritischen Punkt zu erreichen: Sowohl bei der traditionellen Datenanalyse als auch beim maschinellen Lernen benötigen Sie Daten. Die Gewinnung und Aufrechterhaltung großer Mengen an sauberen, relevanten Daten ist eine wesentliche Voraussetzung, um den gesamten Wert, den sowohl die Datenanalyse als auch das maschinelle Lernen zu bieten haben, zu erschließen.