Machine Learning

Maschinelles Lernen (engl. Machine Learning) ist ein Zweig der künstlichen Intelligenz (Simulation menschlicher Fähigkeiten) und beschreibt eine Datenanalysemethode. Dabei wird durch ein künstliches System Wissen aus Erfahrung generiert. Inzwischen wird es in beinahe allen Branchen erfolgreich eingesetzt, zentrale Anwendungsgebiete sind vor allem Bild- bzw. Videoanalyse und Sprachverarbeitung.

Wie funktioniert Machine Learning?

In das Computerprogramm werden Beispiele eingepflegt, anhand derer es Muster und Gesetzmässigkeiten erkennt und Entscheidungen treffen kann. Durch Rückmeldungen des Programmierers werden die Modelle angepasst und optimiert. Es lernt so zu verallgemeinern und schlussendlich allgemeine Einschätzungen zu treffen. Dabei spielen Algorithmen eine entscheidende Rolle: Sie bauen nämlich, basierend auf den Daten aus dem Training, beim maschinellen Lernen ein statistisches Modell auf. Dabei ist jeder Algorithmus eine Sammlung von unendlich vielen Einzelschritten, die eine Regel zur Lösung von Problemen oder einer Kategorie von Problemen ergeben. Nach dem Training können idealerweise auch unbekannte Daten beurteilt werden. Machine Learning hat das Ziel, Daten intelligent miteinander in Beziehung zu setzen, Zusammenhänge zu erkennen und daraus Vorhersagen zu treffen.  

Machine Learning am Beispiel von Google Ads

Google Ads nutzt maschinelles Lernen unter anderem in den Bereichen Smart Bidding (automatische Gebotsstrategien) und bei dem Leistungsplaner. Bei jeder Kampagne in Google Ads lässt sich eine automatische Gebotsstrategie einsetzen, die bestimmt, auf welche Leistung optimiert wird. Der Verwender muss also nicht manuell bei beispielsweise jeder Auktion von Suchanzeigen sein Angebot anpassen. Das übernehmen die Algorithmen von Google Ads, die anhand der jeweiligen Kampagne und deren Daten ständig dazulernen und Gebote abgeben, um die angestrebte Leistung zu erreichen. Der Leistungsplaner basiert ebenfalls auf Machine Learning. Dabei werden alle Daten der vergangenen Kampagnenlaufzeit ausgewertet, um Vorschläge für die Leistungsoptimierung der (Online) Kampagnen zu erbringen und deren Weiterentwicklung mit verschiedenen Budgets vorherzusagen. So erhält der Nutzer Prognosen ohne selbst viel Zeit in umfangreiche Berechnungen anhand unzähliger Daten investieren zu müssen.