MACHINE LEARNING & ARTIFICIAL INTELLIGENCE (KÜNSTLICHE INTELLIGENZ)

Machine Learning dient zur Generierung von Informationen und Wissen durch ein technisches System z.B. einer Software. Auf Basis von vorherigen Beispielen, lernt das System Muster oder Strukturen und ist in der Folge fähig, Informationen und Daten selbständig zu bewerten und zu klassifizieren.

Beispiele und Anwendungsszenarien sind:

Sentiment-Analyse, Content-Monitoring, Technologie-Kategorisierung, Predictive Coding, Clustering, Natural Language Processing, Alerting und die Dokumenten-Recherche.

Gerade im Kontext Big Data hat Machine Learning stark an Bedeutung gewonnen, da es ermöglicht, große Datenmengen schnell und einfach zu verarbeiten.

averbis machine learning and artificial intelligence künstliche intelligenz

Warum Machine Learning?

Das Zeitalter Big Data führt zu einer enormen Zunahme an digitalen Informationen. Speicherplatz ist heute verhältnismäßig günstig und beinahe unbegrenzt verfügbar.

Dies führt jedoch zu einer neuen Herausforderung:

Was bis dato einzig dem Verstand des Menschen vorbehalten war – Textinhalte und Zusammenhänge zu verstehen – ist aufgrund der Masse an Informationen ohne technische Hilfe heute nicht mehr zuverlässig möglich.

Hier unterstützen hochprofessionelle Machine Learning Softwarelösungen.

Unterschied Machine Learning und Artificial Intelligence (kurz AI)

Machine Learning wird häufig im direkten Kontext mit künstlicher Intelligenz, der sogenannten Artificial Intelligence erwähnt. Gerade im Bereich von Big Data erfahren die Ansätze zunehmend an Bedeutung.

Während die Artificial Intelligence eher den breiten Ansatz von ‚intelligenten‘ Maschinen bezeichnet, geht man bei Machine Learning tendenziell von software-gestützten Ansätzen aus. Machine Learning ist folglich ein Teilthema der künstlichen Intelligenz, der Artificial Intelligence.

Anstatt auf umfangreiche, systemgestützte Rechenarbeiten zu setzen, versucht das Machine Learning auf Basis von gelernten Mustern menschliche Entscheidungsprozesse nachzuahmen.

Schematische Darstellung: Machine Learning für Dokumentenklassifikation

1. Kategorien

Definiere die Zielkategorien, in die Dokumente kategorisiert werden sollen (Diagnosen, Schemata…).

2. Beispiele

Stelle Dokumente bereit, die bereits in die Klassen einkategorisiert wurden.

3. Autokategorisierung

Lass das System weitere Dokumente klassifizieren, inkl. einer Aussage über die Sicherheit.

Active Learning

4. Ergebnisprüfung

Prüfe die Ergebnisse mit der geringsten Sicherheit für optimalen Lernerfolg

GO

Machine Learning vs. traditioneller Ansatz

Traditioneller Ansatz

  • Daten / Regeln

  • Computer

  • Vorhersagen

Machine Learning

  • Daten / Beispiele

  • Computer

  • Vorhersagen

Sie möchten mehr Informationen zu Machine Learning, Natural Language Processing und Dokumenten-Klassifikation erhalten? Sprechen Sie mit uns!

Jetzt weitere Informationen und Demo anfordern!

kostenlos & unverbindlich

Anwendungsgebiet
HealthcarePatentePharmaAndere

Vorname (Pflichtfeld)

Name (Pflichtfeld)

Jobtitle / Rolle (Pflichtfeld)

Firma (Pflichtfeld)

E-Mail-Adresse (Pflichtfeld)

Telefon

Nachricht

Get more Information or schedule a FREE Demo

Use case
HealthcarePatentsPharmaOthers

First Name (required)

Last Name (required)

Job Title / Role (required)

Company (required)

Email (required)

Phone

Message