Maschinelles Lernen im Gebrauch mit mobilen Applikationen

Maschinelles Lernen im Gebrauch mit mobilen Applikationen

Von am 18.02.2021

Inhaltsverzeichnis

Einleitung

Was ist maschinelles Lernen?

Maschinelles Lernen und mobile Applikationen

Vergleich der Anwendung von maschinellem Lernen bei den Großanbietern: Apple und Microsoft.

Weitere aktuelle Einsatzgebiete von maschinellem Lernen im mobilen Bereich

Zusammenfassung

Literatur

Einleitung

Unsere heutige Zeit erfordert eine ständige Adaptierung und Weiterbildung im digitalen, aber vor allem auch im mobilen Bereich. Um Effizienz, Effektivität, Benutzererfahrung und Benutzerfreundlichkeit zu verbessern, geht der Trend sehr stark zur Integration von maschinellem Lernen (ML) in mobilen Anwendungen. Der Artikel beschäftigt sich mit den aktuellen Herausforderungen, Techniken und den dazugehörigen Vor- und Nachteilen bei der Implementierung von ML für mobile Applikationen. Dabei wird der aktuelle Forschungsstand und Ausblicke in die mögliche Zukunft des maschinellen Lernens im mobilen Bereich erörtert. Um diese Thematiken verständlich beantworten zu können, muss eingangs die Frage nach einer Definition zu maschinellem Lernen geklärt werden. Ganz allgemein wird bei maschinellem Lernen von einem Teilgebiet der sogenannten „artificial intelligence“ gesprochen und beschreibt im Wesentlichen dynamische Algorithmen mit der Fähigkeit selbstständig dazuzulernen, um dadurch Ergebnisse oder Performances zu verbessern. Gerade im mobilen Bereich wird diese Charakteristik wertgeschätzt, da so die Möglichkeit besteht, unterschiedlichste Faktoren, wie zum Beispiel die Benutzerfreundlichkeit, Stabilität oder Kosten, noch weiter zu verbessern.

Was ist maschinelles Lernen?

Dass es sich bei maschinellem Lernen um ein komplexes, sehr breit gefächertes Feld handelt, wird schnell deutlich. Die Einsatzgebiete haben sich in den letzten Jahren stetig erweitert und so kommt ML zum Beispiel im naturwissenschaftlichen Bereich, in der Bildung, der Industrie aber auch bei mobilen Applikationen zur Anwendung. Die Motivation auf maschinelles Lernen zurückzugreifen ist allerdings bei allen Anwendungsgebieten die gleiche. Ziel ist es Vorhersagen und Anwendungsbereiche zu präzisieren und zu verbessern. Oftmals handelt es sich hierbei um ernsthafte Themenbereiche ökologischer Natur oder im Bereich Gesundheitsprävention, so Jörg Frochte (2020). Maschinelles Lernen als Teilgebiet der künstlichen Intelligenz kommt allerdings nicht nur in solchen Bereichen zum Einsatz. Durch diese Technologie können auch Computerspiele oder Handyapplikationen, wie Tik-Tok oder Instagram, für ihre Nutzer attraktiver gestaltet werden.

So beliebt ist maschinelles Lernen mit der steigenden Popularität von künstlicher Intelligenz im Allgemeinen geworden. Um ML verstehen zu können ist ein Grundwissen über das allgemeine Lernen sowie der Einsatz von Algorithmen gefragt. Kurz zusammengefasst lässt sich sagen, dass Lernen aus Erfahrung entsteht und eine Änderung im Verhalten mit sich bringt (Frochte, 2020). Dieses Prinzip lässt sich im Grunde genommen auch auf die Maschine umlegen. Bei Erfahrungen handelt es sich hierbei um gesammelte Daten, die wiederum mit Hilfe von Algorithmen das gezeigte Verhalten, meist nur in einem bestimmten Bereich, anpassen. Das heißt, dass die jeweilige Maschine keine allgemeine, dem Menschlichen ähnliche, Intelligenz verfügt, sondern sich lediglich durch Erfahrungen in einem bestimmten Bereich verbessert. Hierbei lassen sich die Lernalgorithmen im Wesentlichen in drei Teilbereiche gliedern: „überwachtes Lernen, bestärkendes Lernen sowie „unüberwachtes Lernen“ (Frochte, 2020,  S.21).

Das überwachte Lernen bedarf eines Lehrers. In diesem Fall bedeutet dies, der Methode eine genügende Menge an bereits über einen korrekten Funktionswert verfügende Ein- und Ausgaben zur Verfügung zu stellen. Man spricht hierbei von gelabelten Datensätzen, an welchen die neuen Erfahrungen abgeglichen und dementsprechend sortiert und das Verhalten geändert werden kann. Beim bestärkenden Lernen hingegen wird mit agentenbasierten Ansätzen gearbeitet. Hierbei erhält das System laufend durch Belohnung oder Bestrafung Rückmeldung zu seinem Verhalten, welches mit der Zeit einen optimalen Lösungsweg finden soll. Ist weder überwachtes noch bestärkendes Lernen möglich, so spricht man von unüberwachtem Lernen. In diesem Fall ist lediglich eine unbestimmte Menge an Daten vorhanden, in welcher ohne Hilfe von bereits markierten Daten eine versteckte Struktur erkannt werden soll. Aufgrund der unmarkierten Daten für den Lernalgorithmus kann auch kein Lernen durch Belohnung oder Bestrafung stattfinden. Typischer Anwendungsbereich ist hierbei der Online-Shop, der versucht, ähnliches Kaufverhalten zu erfassen und zu gruppieren, um so zum Kauf weiterer, ähnlicher Artikel anzuregen. Das heißt im Fall von unüberwachtem Lernen gibt es kein richtig oder falsch, sondern es reicht im Allgemeinen Daten zu Gruppierungen zusammenzufassen, die einen Mehrwert haben (Frochte, 2020).

Maschinelles Lernen und mobile Applikationen

Maschinelles Lernen im Zuge der künstlichen Intelligenz ist in der digitalen Welt mittlerweile omnipräsent geworden und aus dieser nicht mehr wegzudenken. So zum Beispiel beim online Shopping aber auch Applikationen, wie Snapchat und Instagram, nutzen maschinelle Intelligenz, um das Benutzererlebnis zu verbessern. Dennoch steht die Implementierung von maschinellem Lernen aktuell noch vor unterschiedlichen praktischen Herausforderungen, wie zum Beispiel Rechenleistung, Energie, geringer Speicher oder die Privatsphäre, so Dai (2020). Mit diesen Themen hat sich Dai (2020) in seiner Arbeit zum aktuellen Forschungsstand im Gebiet des maschinellen Lernens beschäftigt. Er erörtert die derzeitigen unterschiedlichen Ausführungsmöglichkeiten im Rahmen von mobilen Applikationen. So ist es unter anderem möglich sowohl das Training, das heißt, den Prozess der Extrapolation eines ML-Modells, als auch die Inferenz, welche dann dieses Modell verwendet, um neue Vorhersagen treffen zu können, wahlweise auf dem Gerät selbst oder mithilfe einer Cloud durchzuführen. In diesem Zusammenhang gibt es aktuell fünf Möglichkeiten, die üblicherweise mit mobilen Applikationen zum Einsatz kommen. Welches Szenario wie zum Einsatz kommt, hängt hauptsächlich von bestimmten Faktoren wie der Datenmenge, der Komplexität des Modells oder den spezifischen Anforderungen der mobilen Anwendung ab.

So kommt es häufig bei mobilen Anwendungen dazu, dass die Berechnungen des maschinellen Lernens auf eine Cloud ausgelagert werden. Das hat den Vorteil, dass die App selbst kein Training durchführen muss und so weniger Speicherplatz benötigt wird. Dai (2020) beschreibt den Vorgang als recht simpel; die mobile Applikation sendet via Anwendungsprogrammierschnittstelle eine Anfrage an die Cloud. Diese neuen Daten werden verarbeitet und die Cloud gibt anschließend eine Vorhersage zurück. Diese Art der Architektur ist die einfachste und schnellste, um maschinelles Lernen in mobile Anwendungen zu integrieren. Als weiterer Vorteil ist hier zu erwähnen, dass die Dienstanbieter ihre Modelle stets auf dem neuesten Stand halten und diese in periodischen Abständen neu trainiert und verbessert werden. Davon profitieren die Applikationen automatisch. Hier sieht Dai (2020) allerdings auch einen der Nachteile, denn diese Art der Anwendung funktioniert nur für Applikationen, die häufig verwendete Daten verarbeiten, denn nur der Dienstanbieter und nicht der Entwickler der Anwendungen ist für das Sammeln der Daten zuständig.

Als Lösung hierfür bietet sich ein weiteres Modell an, welches dem gerade vorgestellten sehr ähnelt. Der Unterschied liegt lediglich darin, dass sowohl das Training als auch die Inferenz in der Cloud stattfindet. So erhält der mobile Entwickler durch den Service-Provider die Möglichkeit, die Daten einerseits zu trainieren aber auch ihre eigenen Modelle über den Dienst der Cloud zu erarbeiten. Dieses Modell bietet so eine erhöhte Flexibilität, allerdings erhöht das Senden von Benutzerdaten, vor allem wenn diese dort gespeichert werden, die Datenschutz- und Sicherheitsbedenken.

Dies führt zur dritten Möglichkeit maschinelles Lernen in mobile Applikationen zu integrieren. Bei dieser Variante bleiben das Training und die Inferenz auf dem mobilen Gerät selbst. Dies ist unerlässlich, wenn es um Anwendungen geht, bei denen eine möglichst kurze Reaktionszeit, zum Beispiel bei selbstfahrenden Autos, gefragt ist. In diesem Fall wird das vortrainierte Modell direkt auf die Applikation geladen und alle weiteren Berechnungen finden anschließend direkt am Gerät statt (Dai et al., 2020). Ein weiterer Vorteil dieser Art der Anwendung von maschinellem Lernen ist, dass die Applikation laufend von dem Verhalten der Nutzer lernen kann und so die Leistung für den jeweiligen Benutzer kontinuierlich steigern kann. Die Privatsphäre bleibt im Gegensatz zu den anderen Vorgehensweisen maximal geschützt, da die Daten zu keiner Zeit das Gerät verlassen müssen. Als weiterer Vorteil wird das Einsparen von Kosten für die Nutzung einer Cloud genannt. Ein erheblicher Nachteil ist, dass diese Art des Einsatzes von maschinellem Lernen zum aktuellen Zeitpunkt nur für kleine Datensätze funktioniert, die sich grundlegender ML-Algorithmen bedienen, da nur sehr begrenzt Speicherplatz, Energie und Rechenleistung zur Verfügung stehen.

Weiters gibt es noch die Möglichkeit der Nutzung eines Hybridmodells, das heißt Berechnungen finden sowohl auf dem Gerät als auch in einer Cloud statt. Das Hauptmodell wird in der Cloud trainiert, hier steht ein großer Standarddatensatz zur Verfügung und additiv werden alle Daten, die von Nutzern geteilt werden, zusammengetragen. Das individuelle Modell, auf jeden Nutzer angepasst, steht dann mit den eigenen Daten auf dem eigenen Gerät zur Verfügung. Dieses Anwendungsmodell ist jedoch sehr komplex und teuer in der Wartung, hat aber den Vorteil, dass es dem Entwickler erlaubt, durch individuelles Training und das mögliche Anpassen des Modells auf individuelle Nutzerdaten ein stetig verfeinertes Benutzererlebnis zu ermöglichen (Dai et al., 2020).

Vergleich der Anwendung von maschinellem Lernen bei den Großanbietern: Apple und Microsoft

Das maschinelle Lernen, so wie es bereits erläutert wurde, wird von verschiedenen mobilen Anbietern unterschiedlich eingesetzt. Das Grundprinzip ist stets das gleiche, nur die Ausführung kann sich in Details, den Frameworks, unterscheiden. Tantayakul und Panichpattanakul (2020) haben die zwei großen Anbieter Apple und Microsoft hinsichtlich des Einsatzes von maschinellem Lernen mit Hilfe einer Fischerkennungsapplikation von IOS verglichen und ihre aktuellen Standpunkte dargelegt. Diese Applikation soll thailändische Kampffische erkennen und in ihre Rassen einteilen oder Fische anderer Art aussortieren. Hierfür werden 1400 Bilder der Kampffische in sieben Unterkategorien eingeteilt. Die Datensätze werden trainiert, indem die Anzahl der Bilder von 350 auf 1400 steigerbar ist. Der nächste wichtige Schritt ist nun das Training des maschinellen Lernmodells. Hierbei kommen die Frameworks von Apple Create ML und Microsoft Custom Vision für diesen Vergleich zum Einsatz (Tantayakul & Panichpattanakul, 2020). Für kleine Datensätze, von 350 bis 525, stellt sich das Apple Create Ml Framework als geeigneter heraus. Auch bei größeren Datensätzen ab 720 Bildern hat das Apple Create ML Framework einen höheren Prozentsatz an richtiger Vorhersage erreicht, jedoch holt in diesem Bereich auch das Custom Vision Framework auf. Wird die Verarbeitungszeit beider ML-Modelle in der IOS-Anwendung verglichen, so schneidet das Framework „Custom Vision“ von Microsoft besser ab. Hinsichtlich einfacher Bedienbarkeit ist ebenfalls das Apple Create ML Framework vorzuziehen. Diese experimentellen Ergebnisse sind nützlich für Anwendungsentwickler bei der Auswahl eines geeigneten Frameworks für die Entwicklung ihrer intelligenten iOS Anwendungen mit der Methodik des maschinellen Lernens, so die Schlussfolgerung von Tantayakul und Panichpattanakul (2020).

Weitere aktuelle Einsatzgebiete von maschinellem Lernen im mobilen Bereich

Wie bereits eingangs erwähnt, erfährt das maschinelle Lernen auch im Bereich der mobilen Applikationen einen Aufschwung. Es gibt kaum noch Anwendungen, die sich nicht zumindest einfachen Algorithmen und Frameworks bedienen, um ihre Programme benutzerfreundlicher, effizienter, schneller oder wirtschaftlich wertvoller zu gestalten. Unter anderem befassen sich Massimo Panella und Rosa Altilio (2019), aber auch Kevin Tsang (2020) und Jisha, Amrita, Aswini und Indhu (2020) mit spezifischen Einsatzmöglichkeiten von ML-Modellen. So beschrieben Panella und Altilio in ihrer Arbeit die Möglichkeiten und Herausforderungen einer mobilen Applikation zur Erkennung von Gesten. Allgemein wurde in den von ihnen durchgeführten Tests gute Leistungen erzielt und die Applikation ist in der Lage mit Hilfe einer Handy Front-Kamera unterschiedliche Handgesten zu erkennen und zuzuordnen. Probleme bestanden primär im Zusammenhang mit den unterschiedlichen Lichtverhältnissen und der Rechenleistung der Endgeräte (Panella & Altilio, 2019).

Tsang (2020) stellte Forschungen zur Nutzung von maschinellem Lernen im Bereich von Gesundheitsapplikationen an und experimentierte mit einer Anwendung zur Selbsthilfe für Asthma. Auch diese Applikation zeigt großes Potenzial und steigt im Bereich der Treffgenauigkeit und Vorhersage gut aus. Ein Nachteil der Applikation ist, dass sie nur von Apple Geräten nutzbar ist und somit die Stichprobe nicht repräsentativ für die amerikanische Bevölkerung angesehen werden kann (Tsang et al., 2020)

Jisha, Amrita, Aswini und Indhu (2020) beschäftigen sich allgemein mit der Erstellung von mobilen Empfehlungssystemen basierend auf der Methodik des maschinellen Lernens. Diese soll Nutzern helfen, nach bestimmten Vorlieben leichter Entscheidungen für, in diesem Fall neue Handy-Apps, treffen zu können.

Zusammenfassung

Das Gebiet rund um maschinelles Lernen und künstliche Intelligenz ist ein komplexes und sehr breit gefächertes, welches sich laufend entwickelt. Aufgrund der großen Nachfrage werden Applikationen ständig verbessert, nutzerfreundlicher und effizienter gestaltet. Forschungen auf diesem Gebiet finden laufend statt und der vorliegende Artikel sollte einen kompakten Überblick zum aktuellen Stand dieser bieten. Beschrieben werden die derzeit verwendeten Methoden im maschinellen Bereich sowie ein kurzer Vergleich zweier Frameworks von großen Anbietern einer Applikation, die mit Hilfe von maschinellem Lernen betrieben wird. Die Besprechung von derzeitigen unterschiedlichen Anwendungen, deren Herausforderungen und Vorteile soll einen Eindruck der heterogenen Anwendbarkeit maschinellen Lernens bei mobilen Applikationen aufzeigen.

Literatur

Dai, X., Spasić, I., Chapman, S., & Meyer, B. (2020). The State of the Art in Implementing Machine Learning for Mobile Apps: A Survey. 2020 SoutheastCon, 1–8. https://doi.org/10.1109/SoutheastCon44009.2020.9249652

Frochte, J. (2020). Maschinelles Lernen: Grundlagen und Algorithmen in Python. Carl Hanser Verlag GmbH  Co KG.

Jisha, R. C., Amrita, J. M., Vijay, A. R., & Indhu, G. S. (2020). Mobile App Recommendation System Using Machine learning Classification. 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC), 940–943. https://doi.org/10.1109/ICCMC48092.2020.ICCMC-000174

Panella, M., & Altilio, R. (2019). A Smartphone-Based Application Using Machine Learning for Gesture Recognition: Using Feature Extraction and Template Matching via Hu Image Moments to Recognize Gestures. IEEE Consumer Electronics Magazine, 8(1), 25–29. https://doi.org/10.1109/MCE.2018.2868109

Tantayakul, K., & Panichpattanakul, W. (2020). A Comparative Study of Machine Learning for iOS based on Siam Betta Mobile Application. 2020 – 5th International Conference on Information Technology (InCIT), 104–109. https://doi.org/10.1109/InCIT50588.2020.9310932

Tsang, K. C. H., Pinnock, H., Wilson, A. M., & Ahmar Shah, S. (2020). Application of Machine Learning to Support Self-Management of Asthma with mHealth. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 5673–5677. https://doi.org/10.1109/EMBC44109.2020.9175679


The comments are closed.