Suchen

Microsoft Azure Machine Learning Wachsende Datenmengen effizient analysieren

| Autor / Redakteur: Thomas Joos / Nico Litzel

In Zeiten ständig wachsender Datenmengen, die analysiert werden müssen, spielt die Möglichkeit der effizienten Verwaltung dieser Daten eine wichtige Rolle – vor allem, wenn es um die Skalierbarkeit geht. Vorhersagen von Verkaufsergebnissen, Kaufempfehlungen im eigenen Online-Shop und Vieles mehr lassen sich mit Data Science durchführen. Microsoft stellt dazu den passenden Clouddienst zur Verfügung.

Firmen zum Thema

Microsoft Azure Machine Learning steht als Clouddienst in Microsoft Azure zur Verfügung.
Microsoft Azure Machine Learning steht als Clouddienst in Microsoft Azure zur Verfügung.
(Bild: T. Joos/Microsoft)

Microsoft Azure Machine Learning bietet die Möglichkeit, Predictive-Analyse-Modelle auf Basis von Machine-Learning-Modellen zu erstellen.

Was ist Machine Learning?

Machine Learning besteht, einfach ausgedrückt, darin, dass ein Computerprogramm, zum Beispiel Microsoft Azure Machine Learning, auf Basis einer bestimmten Datenmenge eine bestimmte Vorhersage in der Zukunft treffen soll. Je mehr Daten, die das Programm nutzen kann und je mehr Daten berechnet wurden, umso besser wird die Erfahrung des Programmes und umso besser wird das Ergebnis. Suchmaschinen können die Technik zum Beispiel nutzen, um möglichst optimierte Ergebnisse für die Anwender anzuzeigen.

Bildergalerie

Bildergalerie mit 6 Bildern

Besonders bei der Berechnung personalisierter und optimierter Werbung ist Machine Learning ideal. Die Lösung soll also das Verhalten von Menschen in der Zukunft berechnen können, damit Unternehmen möglichst optimal Produkte platzieren können. Machine Learning verwendet als Rechenbasis definierte Daten, zum Beispiel aus ERP-Systemen, aber auch die eigenen Vorhersagen und selbst errechneten Daten.

Allerdings kann Azure Machine Learning nur mit den Daten arbeiten, die das System erhält. Entwickler müssen außerdem Datenmodelle erstellen, auf deren Basis die Lösung Daten berechnen kann. Es bringt daher nichts, das System nur mit Daten zu füllen, ohne passende Berechnungen zu erstellen. Die Ergebnisse sind außerdem nie punktgenau, sondern geben in den meisten Fällen nur Ansatzpunkte.

Darum ist Machine Learning wichtig

Ein typisches Beispiel für Machine Learning sind auch die Empfehlungen in Netflix oder Amazon Prime Instant Video. Die Empfehlungen erfolgen anhand von Berechnungen auf Basis von Machine Learning mit der Datengrundlage, was Anwender vorher gesehen haben.

Je besser die Berechnungen sind, umso besser sind die Empfehlungen und umso treuer bleiben Kunden den eigenen Produkten. Unternehmen benötigen dazu keine eigenen Serveranwendungen, sondern alles Notwendige liegt in der Cloud. Die Daten, die Unternehmen mit Machine Learning verarbeiten, und die Daten, die Machine Learning speichern soll, lassen sich verschlüsselt im Azure-Speicher ablegen.

Machine Learning ist vor allem dann interessant, wenn es keine Möglichkeit gibt, Abfragen zu programmieren, um Daten auszugeben. Vor allem wenn Datenprozesse zu komplex für starre Berechnungen oder Abfragen sind, spielt Machine Learning eine Rolle. Liegen zu viele Daten vor, ist Machine Learning ebenfalls sinnvoll. Wichtig ist, dass genügend Informationen aus der Vergangenheit vorliegen, um Informationen zu verarbeiten. Auch beim Erkennen und bei Berechnungen von Handschriften kann Machine Learning helfen.

Supervised Learning vs. Unsupervised Learning

Microsoft Azure Machine Learning unterscheidet zwischen „Supervised Learning“ und „Unsupervised Learning“. Bei „Supervised Learning“ handelt es sich um die Möglichkeit, aus bereits bekannten Daten aus der Vergangenheit zu lernen und dadurch Ergebnisse aus der Zukunft vorhersagen zu können. In diesem Fall wissen Unternehmen genau, welche Ausgangslage vorliegt und welche Berechnungen erstellt werden sollen.

„Unsupervised Learning“ kann Muster und Strukturen in Daten erkennen, diese Daten zusammenfassen, Beispieldaten verstehen und in die Berechnung mit einbeziehen. Es liegen also keinerlei Erfahrungswerte aus der Vergangenheit vor oder Erfahrungen, welche Informationen aus den Daten ausgelesen werden sollen. Wichtig ist bei „Unsupervised Learning“ vor allem das Erkennen von Mustern und das Festlegen der wichtigen Attribute aus den Daten. Ein typisches Beispiel für „Unsupervised Learning“ sind Wettervorhersagen oder auch die Empfehlungen bei Videoportalen wie Netflix.

Vorhersageanalysen selbst erstellen

Parallel zu diesem Clouddienst, bietet Microsoft das Azure Machine Learning Studio an. Dieses erlaubt die Erstellung von Vorhersageanalysen. Mit ML Learning Studio können Entwickler Machine Learning auch ohne Azure-Abonnement testen. Die Anmeldung erfolgt in diesem Fall über ein Microsoft-Konto.

Die Lösung kann die Modelle webbasiert zur Verfügung stellen, sodass diese von anderen Tools wie Excel oder Business-Intelligence-Anwendungen weiter verwendet werden können. Microsoft stellt Azure Machine Learning Studio als Webapp innerhalb von Microsoft Azure zur Verfügung.

Da es sich bei ML Studio um einen Webdienst handelt, können Entwickler auch andere Entwickler einladen und gemeinsam Modelle entwickeln. Außerdem stellt Microsoft im ML Studio Beispiele und Vorlagen zur Verfügung, die Entwickler verwenden dürfen. Die Vorlagen lassen sich direkt in Azure Machine Learning integrieren.

Einstieg in Microsoft Azure Machine Learning

Um Microsoft Azure Machine Learning zu verwenden, müssen Entwickler zunächst die zu berechnenden Daten in das System integrieren. Danach müssen durch bestimmte Prozesse die Daten gesäubert, transformiert und weiter berechnet werden. Auf Basis dieser angepassten Daten und der optimierten Datensätze müssen Entwickler ein Datenmodell erstellen. Dazu steht das erwähnte Machine Learning Studio zur Verfügung. Über ein Modell werden auch nicht benötigte Daten ausgefiltert. Am Ende des Prozesses steht die Vorhersage. Microsoft bietet sehr interessante deutschsprachige Videos an, die den Umgang mit Microsoft Azure Machine Learning genau erläutern und in der Praxis zeigen:

Um einen neuen ML-Arbeitsbereich zu erstellen, öffnen Entwickler das Azure-Portal und klicken auf Neu\Datendienste\Machine Learning\Schnellerfassung.

Zukünftig erscheinen die Arbeitsbereiche über den Menüpunkt Machine Learning. Hier lassen sich alle weiteren Aufgaben durchführen, auch das Öffnen des Arbeitsbereiches mit dem ML Studio. Innerhalb des Studios lassen sich jetzt die verschiedenen Bereiche des Projektes bearbeiten und ergänzen.

Über die Schaltfläche New lassen sich neue Experimente erstellen und Entwickler können auch auf Beispieldaten zugreifen.

Neben Beispielen, können Entwickler über den Menüpunkt Dataset auch eigene Daten aus anderen Quellen importieren, zum Beispiel aus Datendateien. Welche Möglichkeiten es sonst noch für den Import gibt, erklärt die Dokumentation von Microsoft Azure Machine Learning

Nachdem das Experiment geöffnet ist, stehen im linken Bereich verschiedene Menüpunkt zur Verfügung. Hier lassen sich die notwendigen Einstellungen für das Experiment vorgeben.

Fazit

Wer sich tiefgehender mit dem Thema Microsoft Azure Machine Learning auseinandersetzen will, sollte sich die vier von Microsoft zur Verfügung gestellten Videos ansehen und sich eine Testumgebung mit Microsoft Azure oder direkt dem ML Studio zulegen. Um Microsoft Azure Machine Learning effizient zu verwenden, sollte sich allerdings mit der Entwicklung von Programmen, mit den Datenbanken, Mathematik und Data Science auskennen, denn das Thema ist keine leichte Kost, auch für erfahrene ITler nicht.

(ID:43644205)

Über den Autor

 Thomas Joos

Thomas Joos

Freiberuflicher Autor und Journalist