Suche
Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Gegen Nahrungsmittelverschwendung und Recruiter Spam

Melanie Feldmann
shutterstock_302182778

© Shutterstock / Boonchuay1970

Maschinelles Lernen kann große Probleme lösen oder auch eher kleine. Im Einzelhandel können Algorithmen die Nachfrage besser vorhersagen und so den Einkauf von Nahrungsmitteln optimieren, was zu weniger Verschwendung führt. Außerdem kann ML Recruitern dabei helfen, den passenden Kandidaten für einen Job zu finden ohne vorher x unpassende anzurufen.

Kein Essen verschwenden

Tonnen an Nahrungsmitteln wandern täglich in den Müll, weil Supermärkte sie entweder nicht mehr verkaufen können oder dürfen. Vor allem bei frischem Obst und Gemüse ist das ein großes Problem. Maschinelles Lernen kann dabei helfen, den Einkauf auf einen vorhergesagten Absatz hin zu optimieren. Dabei kann ein ML-System auch Kosten für die Lagerung, Rabatte für ältere Ware und Verluste einrechnen, die enstehen, wenn doch zu wenig eingekauft wurde. Denn bisher hängen Bestellungen komplett an den Erfahrungswerten der Mitarbeiter und sind dementsprechend unsicher.

Bilder schärfer machen

Bildbearbeitung ist eines der schon fast klassischen Felder des Maschinellen Lernens. Bei Google haben sie mit RAISR (Rapid and Accurate Image Super-Resolution) eine neue Technik basierend auf Machine Learning entwickelt, die aus niedrig auflösenden Bildern Bilder mit besserer Qualität macht. Die Methode soll besser funktionieren als bisher genutzte und dabei auch noch zehn- bis hundertmal schneller sein. Trainiert wurde der Algorithmus mit Bilder niedriger Qualität und hoher Qualität. RAISR findet Filter, die auf jeden einzelnen Pixel angewendet Details kreiert, die mit dem Originalbild vergleichbar sind. Wie das Ganze genau funktioniert und einige erstaunliche Beispiele finden sich im Google Research Blog.

Musik passend zur Situation

Noch einmal Google: Google Play spielt jetzt passende Musik automatisch zur Situation des Anwenders. Ganz ähnlich wie Google das Kinoprogramm anzeigt, sobald man sich etwas länger in der Nähe eines Kinos aufhält, lernt Google Play nun die eigenen Musikvorlieben situationsabhängig. Die App merkt sich also, ob man morgens lieber etwas Ruhiges hört oder gleich zum Power Metal greift. Im Hintergrund schuftet Maschinelles Lernen und auch noch ein paar menschliche Musikkuratoren von Google  für die passende Musik zum passenden Augenblick.

Lesen Sie auch: Interview mit Christian Meder und Christoph Tempich: “Gerade kleine Firmen sollten Maschinelles Lernen für sich nutzen”

Lippenlesen für Fortgeschrittene

Watch, Listen, Attend and Spell (WLAS) ist ein System zum Lippenlesen der University of Oxford und DeepMind, das mit Sendungen des BBC trainiert wurde. Das funktioniert, indem ein Video- und Audio-Encoder sich auf die Lippenbewegungen von sprechenden Gesichtern fokussiert, die gesprochen Buchstaben werden vorhergesagt und dann als Worte ausgegeben. Die Forscher trainierten einen Maschinelles-Lernen-Algorithmus mit über 100.000 natürlichen Sätzen und 17.482 Wörtern. Zurzeit ist die Fehlerrate von WLAS bei 53,2 Prozent. Das ist besser als professionelle Lippenleser, die auf eine Fehlerrate von 73,8 Prozent kommen. Denn Lippenlesen ist keine einfache Aufgabe. Besonders schwierig sind Worte, die unterschiedlich klingen aber gleich aussehen, wenn sie ausgesprochen werden.

Recruiter schlauer machen

In letzter Zeit von Recruitern mit komplett unpassenden Job-Angeboten genervt worden? Maschinelles Lernen kann Personalern dabei helfen, die wirklich passenden Kandidaten zu finden. Erik Mathiesen von Octavia erklärt, wie das funktionieren kann:

Netzhautschäden erkennen

Schäden an der Netzhaut gehören zu einer der häufigsten Folgeerkrankungen von Diabetes. Eine Gruppe aus Mediziner und Google-Forschern hat deswegen getestet, wie gut Maschinelles Lernen Netzhautschäden auf Fotos erkennen kann. Mit 125.000 Netzhautbildern trainierten sie einen Depp-Learning-Algorithmus, der als Ergebnis bei 10.000 Bilder zu 87 Prozent richtig lag Schäden zu erkennen. Damit lag der Logarithmus über den Richtlinien, das Ärzte 80 Prozent erkennen sollten. Ein solcher Algorithmus könnte dabei helfen Netzhauterkrankungen frühzeitig und sicher zu erkennen.

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht.