Andere Anwendungen für lernende Algorithmen

Die in diesem Buch beschriebenen Methoden sind nicht neu, und auch wenn sich die Beispiele auf internetbasierte Probleme kollektiver Intelligenz beziehen, kann Wissen über Algorithmen zum maschinellen Lernen für Softwareentwickler in vielen anderen Bereichen ebenfalls hilfreich sein – insbesondere dort, wo mit großen Datenmengen umgegangen wird, die nach interessanten Mustern durchsucht werden können. Zum Beispiel:

Biotechnologie

Fortschritte bei der Sequenzierungs- und Screening-Technologie haben zu immensen Datenmengen verschiedenster Art geführt, wie zum Beispiel DNASequenzen, Proteinstrukturen, Compound Screens und RNA-Expressions. Techniken des maschinellen Lernens werden ausgiebig auf alle diese Daten angewandt, um Muster herauszufinden, die beim Verstehen biologischer Prozesse helfen können.

Ermittlung finanzieller Betrügereien

Kreditkartenfirmen sind kontinuierlich auf der Suche nach neuen Wegen, um herauszufinden, ob Transaktionen betrügerisch sind. In diesem Bereich wurden Techniken wie neuronale Netze und induktive Logiken genutzt, um Transaktionen zu überprüfen und unerwünschte Nutzungen abzufangen.

Maschinelles Sehen

Das Interpretieren von Bildern einer Videokamera für militärische Zwecke oder zum Retten von Menschen ist ein aktives Forschungsgebiet. Viele maschinelle Lerntechniken werden verwendet, um zu versuchen, automatisch Eindringlinge aufzuspüren, Fahrzeuge zu identifizieren oder Gesichter zu erkennen. Besonders interessant ist die Verwendung nicht überwachter Techniken, wie die Independent Component Analysis, die interessante Merkmale in großen Datenmengen findet.

Produkt-Marketing

Lange Zeit war das Verstehen von Demografie und das Erkennen von Trends mehr eine Kunst als eine Wissenschaft. Neuerdings haben die gewachsenen Möglichkeiten beim Sammeln von Konsumentendaten zu erweiterten Anwendungsbereichen des maschinellen Lernens wie dem Clustering geführt, um die natürliche Aufteilung besser zu verstehen, die in den Märkten vorhanden ist, und um bessere Voraussagen über zukünftige Trends machen zu können.

Lieferkettenoptimierung

Große Unternehmen können Millionen von Dollars sparen, indem sie ihre Lieferketten effektiver machen und die Produktnachfrage in den verschiedenen Bereichen genauer voraussagen können. Die Anzahl der möglichen Lieferkettenvarianten ist riesig, da es viele Faktoren gibt, die die Nachfrage potenziell beeinflussen können. Optimierung und Lerntechniken werden häufig genutzt, um diese Daten zu analysieren.

Aktienmarktanalysen

Seit es einen Aktienmarkt gibt, haben Menschen versucht, mithilfe der Mathematik mehr Geld zu verdienen. Da die Teilnehmer dieses Markts zunehmend fortschrittlichere Techniken einsetzen, wird es notwendig, größere Datenmengen zu analysieren und aufwendigere Methoden zu nutzen, um Muster zu erkennen.

Nationale Sicherheit

Staatliche Institutionen auf der ganzen Welt sammeln große Informationsmengen, und die Analyse dieser Daten erfordert Computer, um Muster zu erkennen und sie mit möglichen Bedrohungsszenarien in Verbindung zu bringen.