Unter Machine Learning versteht man ein Programm oder System, das ein Vorhersagemodell aus Eingabedaten erstellt (trainiert). Das System verwendet das erlernte Modell, um nützliche Vorhersagen aus neuen (nie zuvor gesehenen) Daten zu generieren, die aus derselben Verteilung stammen wie die, die zum Trainieren des Modells verwendet wurde. Etwas allgemeiner gefasst, kann Maschinelles Lernen als „ein Ansatz zur Erlangung künstlicher Intelligenz angesehen werden, bei dem durch die Erfahrung eines Systems, Muster in einem Datensatz gefunden werden.“
1. Synonyme:
Durch den anhaltenden Hype rund um Machine Learning wurde zuletzt auch der Begriff Artificial Intelligence (AI) / Künstliche Intelligenz (KI) als Synonym für den generellen Ansatz maschinellen Lernens verwendet. Tatsächlich aber beschreibt Künstliche Intelligenz ein nicht menschliches Programm oder Modell, das anspruchsvolle Aufgaben lösen kann. Man könnte auch sagen, Künstliche Intelligenz ist die Wissenschaft, Dinge intelligent zu machen.
2. Kurzhistorie:
Die Ursprünge von Machine Learning liegen bereits in den Anfängen des 19. Jahrhunderts, wo viele der mathematischen Grundlagen erarbeitet wurden, die jedoch vielmehr der Statistik zugeordnet sind. Wichtige Durchbrüche waren die Arbeiten von Thomas Bayes, die Pierre-Simon Laplace dazu veranlassten, das Bayes-Theorem (1812) zu definieren. Adrien-Marie Legendre entwickelte auch die Methode der “kleinsten Quadrate” für die Datenanpassung (1805), und Andrey Markov beschrieb Analysetechniken, die später Markov-Ketten (1913) genannt wurden. Diese Techniken sind alle grundlegend für das moderne maschinelle Lernen.
3. Ziel:
Machine Learning gilt als Kernpfeiler der digitalen Transformation, die das Potenzial hat, eine Vielzahl von existierenden Prozessen in Unternehmen zu revolutionieren und fundamentale Veränderungen in unserer Gesellschaft voranzutreiben. Auch das Gesundheitswesen soll von Machine Learning profitieren und dabei im Wesentlichen vier Bereiche transformieren.
4. Wesentliche Merkmale:
(1) Die digitale Disruption im Gesundheitswesen, bei der der Patient durch eine Personalisierung und das verknüpfte Erlebnis (wieder) im Mittelpunkt steht. (2) Die wissenschaftliche Disruption durch präzisionsmedizinische Initiativen mit Schwerpunkt auf genetischen Daten und einer personalisierten Medizin. (3) Die Disruption des bestehenden Geschäftsmodells durch die Entwicklung neuer Ökosysteme und plattformorientierten Geschäftsmodellen und schließlich die (4) Disruption existierender Regulierungen. Letzteres fokussiert sich auf den Pfad weg von “Volume” und hin zu “Value”.
5. Wesentliche Einsatzgebiete (Beispiel):
Machine Learning im Gesundheitswesen ist bereits heute in vielen Bereichen vorzufinden und erzielt vielfach außergewöhnliche Ergebnisse. (1) In einem Feldversuch konnte durch die Anwendung von ML 95 Prozent von Hautkrebs erkannt werden, wo Ärzte lediglich 87 Prozent identifiziert haben. In der (2) Brustkrebsvorsorge ist ML in der Lage, Tumore bis zu fünf Jahre früher zu identifizieren. Durch die Analyse der Sprache einer Person kann eine Maschine vorhersagen, ob diese unter Depressionen leidet. ML kann den Aufwachzeitraum eines Komapatienten bestimmen und liegt in 90 Prozent aller Fälle richtig. (3) Augenscans können durch ML auf einem Niveau führender Experten analysiert werden um z.B. Diabetes mellitus frühzeitig zu diagnostizieren, denn diabetische Retinopathie gehört zu der am schnellsten wachsende Ursache für Blindheit weltweit. In Indien erleiden 45 Prozent der Betroffenen einen Sehverlust vor der eigentlichen Diagnose. Bei der Entwicklung von Medikamenten führt der Einsatz von Machine Learning zu einer deutlichen Beschleunigung der Entwicklungszeit und hilft bei der Erforschung neuer biomedizinischer Erkenntnisse. So hilft z.B. das Colorado Center for Personalized Medicine (CCPM) Ärzten bei der Beurteilung von Patienten auf molekularer Ebene, um ihr individuelles Krankheitsrisiko vorherzusagen und personalisierte Therapien zu entwickeln, die auf ihrer DNA basieren. Diese Forschung erfordert eine umfassende Analyse der genetischen Zusammensetzungen und der Gesundheitsgeschichte von Tausenden von Patienten, um nach Mustern zu suchen, die zeigen, wie und warum Menschen mit bestimmten genetischen Profilen bestimmte Krankheiten bekommen und ob sie von gezielten Behandlungen profitieren könnten.
6. Unterscheidung von ähnlichen Begriffen:
keine
Autor:
Dr. Stefan Ebener
Manager Customer Engineering, Machine Learning , Google EMEA
Freiberuflicher Dozent sowie Mitglied des Instituts für IT-Management & Digitalisierung der FOM Hochschule
Ebener S. (2020) Definition Machine Learning (ML). In: Matusiewicz D. Kusch C. (Hrsg.) Digital Health Lexikon, Health&Care Management, URL: hcm-magazin.de, Holzmann Medien, 2020.