Ich werde in letzter Zeit oft von einigen Kunden gefragt, ob das Thema und die Technologie zu Machine Learning nicht schon bald obsolet sei. Die Themen AI und Deep Learning dominieren derzeit die Sozialen Medien und Tech-Zeitschriften. Aber warum stellen unsere Kunden nun vermehrt diese Frage?
Eigentlich ist es lediglich ein Abgrenzungsthema, denn Machine Learning und Deep Learning sind nicht nur dem Namen nach sehr verwandt, sondern bei Deep Learning handelt es sich eigentlich um eine Untergruppe. Aber ja, diese Untergruppe ist bekanntlich fähig, die modernen Probleme wie Bilderkennung, Spracherkennung und sogar Videointerpretation hervorragend zu lösen.
Somit wären wir auch schon beim zweiten Begriff, nämlich der Artificial Intelligence (aka Künstliche Intelligenz, AI, KI, usw.). Die Aufgaben des menschlichen Gehirns sind nämlich traditionellerweise für den Computer unheimlich kompliziert und umgekehrt. Unser Gehirn tut sich zum Beispiel schwer damit, 2.12345677900777777 hoch 2.122333 zu rechnen, nicht so der Computer. Für uns ist es wiederum ein Klacks, ein echtes Auto von einem Bild oder Spielzeugauto zu unterscheiden. Ein „Computer“ hat hier aber seine Schwierigkeiten. Für ihn ist es unheimlich kompliziert.
Genau aus dieser Schwierigkeit haben nun die Machine Learning Algorithmen rund um Neuronale Netze (und deren Verwandte) und das Deep Learning (Neuronale Netze mit vielen Hidden Layers bzw. versteckten Schichten) lösbare Probleme gemacht. Die Lösung findet sich aber zumeist in einem sehr rechenintensiven und parametersensiblen Modell, welches ohne Pruning und Tuning, und was wir Data Scientisten sonst so gerne machen, etwas sehr Instabiles werden kann.
Die Herausforderung ist es, hier von einem reinen Modell zu einer Lösung zu gelangen. Für andere Herausforderungen – abgesehen von AI und KI – brauchen wir ein anderes Toolkit. So lassen sich zum Beispiel Vorhersagen zur Predictive Maintenance, Customer Churn, Stromverbrauch, Budget, Absatz oder von Preisen zumeist immer noch am optimalsten mit den herkömmlichen Machine Learning Methoden/Algorithmen lösen. Diese Machine Learning Methoden sind wesentlich effizienter als die des Deep Learning.
Lassen Sie mich bitte abschließend den Ideengeber für diesen Beitrag William Vorhies zitieren: „So decidedly no, Deep Learning has not and will not make traditional Machine Learning techniques obsolete. And yes, to become a data scientist, you need to master the full traditional ML toolkit.“
