• Skip to primary navigation
  • Skip to content
  • Skip to primary sidebar
  • Über
  • Abonnieren & Vernetzen
  • Datenschutzerklärung
  • Impressum
  • Login

neunetz.com

Wirtschaft im digitalen Zeitalter.

  • Analysen der digitalen Wirtschaft
  • Umbruch der Automobilbranche
  • Amazon analysiert
  • Big Tech
You are here: Home / Archives for Machine Learning

Machine Learning

Der Unterschied zwischen Machine Learning und „klassischer“ Software

13. September 2019 by Marcel Weiß

tensor-flow-io19-machine-learning

Das Bild stammt von einer Präsentation auf der Google I/O 19 von zwei Vertretern des TensorFlow-Teams bei Google und es stellt eine perfekte Beschreibung von Machine Learning dar. (via)

Software, wie wir sie bisher kannten, war grob so aufgebaut: Wir geben die Regeln (Algorithmen) ein, und die Software wendet diese Regeln auf die Daten ein, die wir einspeisen. Herauskommen die Antworten der Software.

Machine Learning dagegen ist ‚ungenauer‘. Wir füttern den Machine-Learning-Algorithmus mit ‚Antworten‘ in Form von großen Datenmengen, aus denen der Machine-Learning-Algorithmus sich eine Menge(!) an Regeln erarbeitet, die dann wiederum auf andere Datenmengen angewendet werden können. Auf diesem Weg können komplexe Regelwerke geschaffen werden, die nicht per Hand programmiert werden können.

Ein Beispiel: Wir füttern unsere lernende Maschine mit vielen Bildern von Katzen. Die Software lernt aus der Fülle der Bilder, wie Katzen aussehen können. Das wäre top-down, also mit hart einprogrammierten Regeln, schwierig zu realisieren. Zumindest wenn man möglichst akurat möglichst alle Katzen abdecken möchte.

Gleichzeitig kann hier auch einiges schief gehen, wenn man nicht auf das Learning Set achtet; also die „Antworten“ mit denen man den Machine-Learning-Algorithmus füttert. Wer dem Algorithmus beibringen will, wie Adler aussehen, sollte dabei nicht zu viele Bilder mit Adlern auf den Armen ihrer Halter zeigen, oder eine Regel ‚lautet‘ zwangsläufig dann quasi Vogel+Arm=Adler. Das ist, was man data bias nennt. (Hier etwa findet man sieben Formen von üblichen Fehlern bei der Datenauswahl.)

An diesem recht simplen Beispiel sieht man auch,

  1. dass es nicht zwingend so ist, dass „mehr Daten“ zu akkuraterem Machine Learning führt. Es geht eher um „bessere Daten“. Also bessere Antworten zum Füttern.
  2. dass es einen Unterschied macht, wie präzise die Daten sind und etwa branchenübergreifende Übersetzungen von Machine-Learning-Erfolgen auf absehbare Zeit unrealisitisch sind.

Was heute mit Machine Learning erfolgreich gebaut wird, ist teilweise phänomenal, hat aber nichts mit allgemeiner künstlicher Intelligenz a la Skynet zu tun. Deshalb wird jeder gesellschaftliche Bereich, jede Branche, einen eigenen Weg gehen, ohne dass „Machine Learning als Sektor“ von einem Unternehmen dominiert wird. Man vergleiche den Einsatz von Machine Learning eher mit dem Einsatz von Datenbanken und Computern allgemein.

Machine Learning ermöglicht uns, Computer auf neue Aufgabenfelder anzusetzen. Neben Katzenbildern etwa Früherkennung von Krebs.

a16z-Analyst Benedict Evans schreibt auf Twitter:

We’re used to software that give yes/no answers – is there a match or not? Is this licence plate flagged? is that credit card valid? But ML doesn’t say yes/no. It says ‚maybe/maybe not/probably‘ answers. And, if you tell a cop or judge a ‚maybe‘ is a MATCH, bad things will follow

Aber damit einher geht auch ein gesellschaftlich notwendiges Umlernen wie wir Software und computergenerierte Ergebnisse bewerten. Es macht einen großen Unterschied, wenn Software nicht mehr nur Ja/Nein-Fragen mit ja und nein beantworten kann, sondern komplexere Sachverhalte mit ‚vielleicht/vielleicht nicht/wahrscheinlich‘ beantwortet.

Mehr noch, das muss sich zwingend in den User Interfaces widerspiegeln.

Machine Learning ist nicht ‚vorhersehbare‘ (überschaubare, nachvollziehbare) Mathematik wie es ‚klassische‘ Software ist. Machine Learning ist Stochastik, so wie wir Menschen Stochastik im Alltag verwenden. Auch wir können ein Tier sehen und es zunächst einer falschen Tiergattung zuordnen.

Der Unterschied liegt, auch hier, zwischen Bottom-up vs top-down. Mit allen Vorteilen und Nachteilen.

Es ist das Gleiche wie mit Plattformen mit user generated content und klassischen Medienorganisationen. Die Plattformen ermöglichen mehr, sehr viel mehr, als die klassischen Medienorganisationen, weil bottom-up ‚Überraschendes‘ nach oben kommen kann. Gleichzeitig kann auf diesem Weg anderes ’schief‘ gehen. Nichts ist perfekt.

Das beste Bild für Artificial Intelligence ist nach wie vor, Intelligence wie in Intelligence Service zu verstehen. Tiefe Einblicke, die man nur auf diesem Weg bekommen kann, die aber nicht automatisch fehlerfrei sind. Ganz im Gegenteil. Künstliche Intelligenz ist deshalb gar keine gute Beschreibung für Machine Learning et al. Denn es geht hier weniger um „Intelligenz“, was auch immer man darunter verstehen mag, und mehr um Einsichten, Ableitungen, Erkenntnisse.

(Siehe zum Thema auch meine kurzen Ausführungen in neunetz.fm Der Tag 32 vom Juni diesen Jahres)

Teilen mit:

  • E-Mail
  • WhatsApp
  • Telegram
  • Facebook
  • Twitter
  • LinkedIn
  • Pocket

Filed Under: AI, Analysen Tagged With: Machine Learning

Machine Learning: Services mit internen Skaleneffekten haben einen modellinhärenten Sog zu maximaler Verbreitung

12. Oktober 2018 by Marcel Weiß Leave a Comment

Alex Olma auf iPhoneBlog.de über die exklusiven Softwarefunktionen der Kamera im Google Pixel 3:

Google versuchte schon einmal seinem Pixel-Phone ein exklusives Alleinstellungsmerkmal unterzuschieben. Das allererste Pixel erhielt zu seinem Verkaufsstart im Herbst 2016 exklusiv den Google Assistant; ein halbes Jahr später ruderte man zurück.

Die rasante Verbreitung von Google Assistant förderte Googles klassischen Geschäftsbereich, bei dem Profitabilität mit Marktverteilung einhergeht (Stichwort: Werbung). Dem ‚Premium-Pixel‘ nahm man damit jedoch gleichzeitig ein entscheidendes Verkaufsargument.

Das Pixel 2 erkämpft sich durch seine hervorragende Kamera dieses Verkaufsargument zurück. Und da das Pixel eher dem Geschäftsmodell eines iPhones folgt (Profitabilität durch hohe Marge), bin ich nicht überrascht, dass das Pixel 3 die Software-Funktionen der Kamera wieder exklusiv für sich beansprucht. Wenn es Google mit seiner Hardware tatsächlich ernst meint, bleiben die Kamerafunktionen exklusiv dem Pixel 3 vorbehalten.

Software als Differentierungsmerkmal in einem Gerät eines OS-Anbieters? Ich bin skeptisch, dass das lang hält. Besonders da das Pixel eher ein Hobby für Google ist, während Android ein bisschen wichtiger ist.

Die Reibung zwischen dem horizontalen Servicegeschäft von Google und den Ökosystemdynamiken von Android auf der einen Seite und dem Versuch von Google, mit eigener Hardware zu punkten, auf der anderen wird zumindest im Smartphone-Sektor immer bestehen bleiben.

Für Services mit internen Skaleneffekten (Machine Learning) gibt es modellinhärent einen Sog zu maximaler Verbreitung. (Oder anders: Es gewinnen die, die maximale Verbreitung und damit bessere Angebote erlangen.) Man spricht in der Branche hier oft von „data network effects“, Datennetzwerkeffekte.

Gegen diesen Sog könnte man sich als Unternehmen noch verwehren, wenn die Einnahmen stimmen (Apple macht das), aber die Pixel-Familie ist wie gesagt nur ein Hobby für Google.

Die Ambitionen sind größer bei den Smart Speakern und Smart Displays von Google. Aber der Sog der Services hin zur Verbreitung bleibt.

Teilen mit:

  • E-Mail
  • WhatsApp
  • Telegram
  • Facebook
  • Twitter
  • LinkedIn
  • Pocket

Filed Under: AI, Google, Hardware Tagged With: Machine Learning

Primary Sidebar

neunetz.com Nexus

Bereits Mitglied? Bitte einloggen.

Über neunetz.com

"Die Zukunft ist hier. Sie ist nur noch nicht gleichmäßig verteilt." - William Gibson
Die Infusion von Software verändert jede Branche und jeden gesellschaftlichen Bereich. Manche früher, andere später. Plattformdynamiken und Netzwerkeffekte machen die digitale Wirtschaft komplexer. Seit 2006 analysiert und ordnet neunetz.com diese Aspekte und die Auswirkungen der wachsenden digitalen Wirtschaft auf andere Branchen und die Gesellschaft als Ganzes ein. (Mehr hier.)

Neue Artikel von neunetz.com per Email

Email-Adresse eingeben:

Podcasts

neunetz.fm
neunetz.fm
Digitale Wirtschaft besser verstehen

Podcast Subscription Menu

  • Visit Website
  • RSS Feed
Download
Share on facebook twitter linkedin email
Hier & Jetzt Video 6: IGTV vs. TikTok
by neunetz.fm

Bertram Gugel und Marcel Weiß schauen auf ein Jahr IGTV zurück und sprechen über das mit Smartphone-Videos sehr viel erfolgreichere TikTok. Was machte TikTok groß? Was unterscheidet TikTok von anderen Social Networks?

(Datei)

Mit Bertram Gugel vernetzen: Blog, auf Twitter, auf LinkedIn

Mit Marcel Weiß vernetzen: neunetz.com, marcelweiss.de, auf Twitter, auf LinkedIn

Links zu den Themen:

  • Hier & Jetzt Video 3: IGTV unter der Lupe
  • Videoplattform TikTok blockiert Inhalte mit Bezug zu Homosexualität | heise online
  • Revealed: how TikTok censors videos that do not please Beijing | Technology | The Guardian
  • Leak: Wie TikTok-Moderatoren Inhalte zensieren | heise online
  • Families of missing Uighurs use Tiktok video app to publicise China detentions | World news | The Guardian
  • Your Private Instagram Stories Aren’t Exactly Private
  • HOW TO TIK TOK IT UPPPPP – YouTube
  • Beyond Platforms Initiative

Frühere Ausgaben von Hier & Jetzt Video mit Bertram Gugel:

  • Hier & Jetzt Video 5: Was können und sollten RTL und co. jetzt tun?
  • Hier & Jetzt Video 4: Netflix unter der Lupe – Warum es so mächtig ist & wie es arbeitet
  • Hier & Jetzt Video 3: IGTV unter der Lupe
  • Hier & Jetzt Video 2: YouTube und das Geld
  • Hier & Jetzt Video 1: YouTube unter der Lupe

‚Hier & Jetzt‘ kann man per RSS-Feed abonnieren und findet man natürlich auch bei Apple Podcast und in jeder Podcast-App.

Oder einfach auf den gewünschten Serviervorschlag tippen:

Hier & Jetzt abonnieren!

  • Apple Podcasts
  • RSS
  • Overcast
  • Castro
  • PocketCasts

jQuery(document).ready(function($) {
‚use strict‘;
$(‚#podcast-subscribe-button-16990 .podcast-subscribe-button.modal-5df0ba12a4f46‘).on(„click“, function() {
$(„#secondline-psb-subs-modal.modal-5df0ba12a4f46.modal.secondline-modal-16990″).modal({
fadeDuration: 250,
closeText: “,
});
return false;
});
});

Alle Podcasts von neunetz.fm (Hier & Jetzt, Thingonomics, neunetzcast, und mehr) lassen sich ebenfalls in einem Rutsch per Feed oder bei Apple Podcasts und in jeder Podcast-App abonnieren. (Einfach nach neunetz suchen und neunetz.fm abonnieren.)

Außerdem besteht die Möglichkeit über Twitter, Facebook oder Email bei neunetz.fm auf dem Laufenden zu bleiben.

—
Hier & Jetzt Video 6: IGTV vs. TikTok ist ein Podcast von neunetz.fm ~
Alle Folgen aller Shows auf neunetz.fm abonnieren:
Auf iTunes | Feed | Auf SoundCloud | Auf Twitter | Auf Facebook | Per Email

Hier & Jetzt Video 6: IGTV vs. TikTok
26. November 2019
neunetz.fm
Zukunft | Bildung 4: Blick in die Welt
15. November 2019
neunetz.fm
Hier & Jetzt Open Web 4: Mastodon, ActivityPub und das Fediverse
1. November 2019
neunetz.fm
neunetzcast 78: Fortnite und die Abhängigkeit der Apps von den Appstores
25. Oktober 2019
neunetz.fm
neunetzcast 77: iPad Galore
10. September 2019
neunetz.fm
Hier & Jetzt Open Web 3: Github Sponsors, WordPress-Tumblr, Mastodon
6. September 2019
neunetz.fm
neunetzcast 76: Facebook Libra – die Ambitionen, das Potenzial, die offenen Fragen
30. August 2019
neunetz.fm
Hier & Jetzt Video 5: Was können und sollten RTL und co. jetzt tun?
23. Juli 2019
neunetz.fm
neunetzcast 75: Der Amazon-Vogel
28. Juni 2019
neunetz.fm
neunetz.fm Der Tag 40: Didi Chuxing vs. die Welt der chinesischen Super-Apps
24. Juni 2019
neunetz.fm

Podcasts in der Lieblingsapp abonnieren!

Alle Podcasts von neunetz.fm jetzt abonnieren!
  • Apple Podcasts
  • RSS
  • SoundCloud
  • Overcast
  • PocketCasts
  • Castro

 

neunetz.com durchsuchen

Archiv

Copyright © 2019 · News Pro on Genesis Framework · WordPress · Log in

loading Abbrechen
Beitrag nicht abgeschickt - E-Mail Adresse kontrollieren!
E-Mail-Überprüfung fehlgeschlagen, bitte versuche es noch einmal
Ihr Blog kann leider keine Beiträge per E-Mail teilen.