Web-Personalisierung mit Drupal und Machine Learning

Ein Machine-Learning-Modell, das einen Fahrer direkt zu einem freien Parkplatz lotsen könnte, gewann den zweiten Preis in der Kategorie Graduate Level: MS beim Science and Technology Open House Wettbewerb 2018. Es versteht sich von selbst, dass Träume von Computersystemen mit gottähnlichen Kräften und der Weisheit, diese einzusetzen, nicht nur ein theologisches Konstrukt, sondern eine technologische Möglichkeit sind. Und Sci-Fi-Koryphäe Arthur C. Clarke bemerkte zu Recht, dass "jede hinreichend fortschrittliche Technologie von Magie nicht zu unterscheiden ist".

Künstliche Intelligenz (KI) mag das Schlagwort unserer Zeit sein, aber Machine Learning (ML) ist das eigentliche Fundament. Machine Learning hat in verschiedenen Bereichen große Fortschritte gemacht. Es hat die Fähigkeit, Bilder von Biopsien zu betrachten und mögliche Krebserkrankungen herauszufiltern. Es kann gelehrt werden, den Ausgang von Rechtsstreitigkeiten vorherzusagen, Pressemitteilungen zu schreiben und sogar Musik zu komponieren! Die Sci-Fi-Zukunft, in der ein Machine Learning einen Menschen in allen denkbaren Bereichen schlägt und ständig lernt, ist jedoch noch keine Realität. Wie passt Machine Learning also in die Welt eines Content-Management-Systems wie Drupal? Bevor wir das herausfinden, gehen wir zurück in die Zeit, als es noch keine Computer gab.

Machine Learning ist älter als Computer! 

Heutzutage sind selbstfahrende Autos, sprachgesteuerte Assistenten und Social-Media-Feeds einige der Werkzeuge, die von Machine Learning angetrieben werden. Zusammenstellungen von BBC und Forbes zeigen, dass Machine Learning eine lange Geschichte hat, die auf Mathematik aus hunderten von Jahren und den enormen Entwicklungen in der Computertechnik im Laufe der Jahre beruht.

Machine Learning hat eine lange Geschichte, die auf Mathematik aus hunderten von Jahren und den enormen Entwicklungen in der Computertechnik im Laufe der Jahre beruht.

Mathematische Innovationen wie das Bayes-Theorem (1812), die Methode der kleinsten Quadrate zur Datenanpassung (1805) und die Markov-Ketten (1913) legten den Grundstein für das moderne Machine-Learning-Konzept. 

In den späten 1940er Jahren kamen speicherprogrammierbare Computer wie die Manchester Small-Scale Experimental Machine (1948) ins Spiel. In den 1950er und 1960er Jahren wurden mehrere einflussreiche Entdeckungen gemacht, wie der "Turing-Test", das erste Computerlernprogramm, das erste neuronale Netzwerk für Computer und der "Nearest-Neighbor"-Algorithmus. In den 1990er Jahren schlug IBMs Deep Blue den Schachweltmeister.

Nach der Jahrtausendwende arbeiten mehrere Technologiegiganten wie Google, Amazon, Microsoft, IBM und Facebook aktiv an fortschrittlicheren Machine-Learning-Modellen. Ein Beweis dafür ist der Alpha-Algorithmus, der von Google DeepMind entwickelt wurde und einen Profi im Go-Wettbewerb schlug, der als komplizierter als Schach gilt!

Machine Learning entdecken

Machine Learning ist eine Form der KI, die es einem System ermöglicht, aus Daten zu lernen, anstatt dies durch explizite Programmierung zu tun. Es ist kein einfacher Prozess. Wenn die Algorithmen Trainingsdaten aufnehmen, ist es möglich, genauere Modelle auf der Grundlage dieser Daten zu erstellen.

Fortschrittliche Machine-Learning-Algorithmen bestehen aus vielen Technologien (wie Deep Learning, neuronale Netze und Verarbeitung natürlicher Sprache), die beim unüberwachten und überwachten Lernen eingesetzt werden und sich an den Erkenntnissen aus vorhandenen Informationen orientieren. - Gartner

Wenn Sie Ihren Machine-Learning-Algorithmus mit Daten trainieren, ist die Ausgabe, die generiert wird, das Machine-Learning-Modell. Nach dem Training erhalten Sie eine Ausgabe, wenn Sie dem Modell eine Eingabe geben. Beispielsweise erstellt ein prädiktiver Algorithmus ein prädiktives Modell. Wenn dem prädiktiven Modell dann die Daten zur Verfügung gestellt werden, erhalten Sie eine Vorhersage auf der Grundlage der Daten, die das Modell trainiert haben.

Unterschied zwischen KI und Machine Learning

Machine Learning hat in letzter Zeit zwar einen großen Erfolg gefeiert, ist aber nur einer der Ansätze, um künstliche Intelligenz zu erreichen.
 
Forrester definiert künstliche Intelligenz als "die Theorie und die Fähigkeiten, die danach streben, menschliche Intelligenz durch Erfahrung und Lernen nachzubilden". KI-Systeme zeigen im Allgemeinen Eigenschaften wie Planung, Lernen, Schlussfolgern, Problemlösung, Wissenslösung, soziale Intelligenz und Kreativität.
 
Neben Machine Learning gibt es zahlreiche andere Ansätze, die zum Aufbau von KI-Systemen verwendet werden, wie z. B. evolutionäre Berechnungen, Expertensysteme usw.

Kategorien des Machine Learning

Machine Learning wird im Allgemeinen in die folgenden Kategorien unterteilt:

• Überwachtes Lernen: Es beginnt typischerweise mit einem etablierten Datensatz und mit einem gewissen Verständnis der Klassifizierung dieser Daten und beabsichtigt, Muster in Daten zu finden, um diese auf einen Analyseprozess anzuwenden.
• Unüberwachtes Lernen: Es wird verwendet, wenn das Problem eine große Menge unbeschrifteter Daten benötigt.
• Bestärkendes Lernen: Es ist ein Verhaltenslernmodell. Der Algorithmus erhält Feedback von der Datenanalyse und führt den Benutzer so zum besten Ergebnis.
• Deep Learning: Es integriert neuronale Netze in aufeinanderfolgenden Schichten, um die Daten iterativ zu lernen.

Warum beschleunigt sich Machine Learning?

Heute benötigen die meisten Unternehmen deskriptive Analysen, die für ein effizientes Management erforderlich sind, aber nicht ausreichen, um die Geschäftsleistung zu verbessern. Damit Unternehmen ein höheres Maß an Reaktionsfähigkeit erreichen können, müssen sie über deskriptive Analysen hinausgehen und die Intelligenzfähigkeits-Pyramide erklimmen. Hier spielt Machine Learning eine Schlüsselrolle.

Damit Unternehmen ein höheres Maß an Reaktionsfähigkeit erreichen können, müssen sie über deskriptive Analysen hinausgehen und die Intelligenzfähigkeits-Pyramide erklimmen.

Machine Learning ist keine neue Technik, aber das Interesse an diesem Bereich hat in den letzten Jahren um ein Vielfaches zugenommen. Für Unternehmen hat Machine Learning die Fähigkeit, in einer breiten Palette von Branchen wie Fertigung, Finanzdienstleistungen, Gesundheitswesen, Einzelhandel, Reisen und vielen anderen skaliert zu werden.

Geschäftsprozesse, die in direktem Zusammenhang mit der Umsatzgenerierung stehen, gehören zu den am höchsten bewerteten Anwendungen wie Vertrieb, Vertragsmanagement, Kundenservice, Finanzen, Recht, Qualität, Preisgestaltung und Auftragsabwicklung.
 
Das exponentielle Datenwachstum mit unstrukturierten Daten wie Social-Media-Posts, vernetzten Geräten, die Daten erfassen, Wettbewerber- und Partnerpreisen und Daten zur Verfolgung der Lieferkette ist einer der Gründe, warum die Akzeptanzraten von Machine Learning in die Höhe geschnellt sind.
 
Die Internet der Dinge (IoT)-Netzwerke, vernetzte Geräte und eingebettete Systeme generieren Echtzeitdaten, die sich hervorragend zur Optimierung von Lieferkettennetzwerken und zur Erhöhung der Genauigkeit von Bedarfsprognosen eignen.
 
Ein weiterer Grund, warum Machine Learning erfolgreich ist, ist seine Fähigkeit, massive Datensätze durch synthetische Mittel zu generieren, wie z. B. die Extrapolation und Projektion bestehender historischer Daten, um realistische simulierte Daten zu entwickeln.
 
Darüber hinaus verschmelzen die Wirtschaftlichkeit von sicherer digitaler Speicherung und Cloud Computing, um die Infrastrukturkosten in den freien Fall zu bringen, wodurch Machine Learning für alle Unternehmen kostengünstiger wird.

Machine Learning für Drupal

Eine Sitzung auf der DrupalCon Baltimore 2017 enthielt eine Präsentation, die für Machine-Learning-Enthusiasten nützlich war und keine Programmiererfahrung erforderte. Sie zeigte, wie man Daten aus der Sicht eines Machine-Learning-Ingenieurs betrachtet. 

Sie nutzte auch Deep Learning und Site-Inhalte, um Drupal Superkräfte zu verleihen, indem sie dieselbe Technologie verwendete, die bei Facebook, Google und Amazon explodiert.

Die Demonstration konzentrierte sich auf das Mining von Drupal-Inhalten als Treibstoff für Deep Learning. Sie zeigte, wann bestehende ML-Modelle oder -Dienste verwendet werden sollten, wann eigene erstellt werden sollten, die Bereitstellung von ML-Modellen und deren Verwendung in der Produktion. Sie zeigte kostenlose vorgefertigte Modelle und kostenpflichtige Dienste von Amazon, IBM, Microsoft, Google und anderen.

Eine Drag-and-Drop-Oberfläche wurde verwendet, um mit Hilfe der Microsoft Azure ML API ein einfaches ML-Modell zu erstellen, zu trainieren und in der Cloud bereitzustellen. Die Google Speech API wurde verwendet, um gesprochene Audioinhalte in Textinhalte umzuwandeln, um sie mit Chatbots und virtuellen Assistenten zu verwenden. Die Watson REST API wurde genutzt, um eine Stimmungsanalyse durchzuführen. Das Google Vision API-Modul wurde verwendet, damit hochgeladene Bilder Gesichts-, Logo- und Objekterkennung hinzufügen können. Und die ML API von Microsoft wurde genutzt, um automatisch Zusammenfassungen aus Node-Inhalten zu erstellen.

Eine weitere Sitzung auf der DrupalCon Baltimore 2017 zeigte, wie man Web-Content-Erlebnisse personalisiert, basierend auf subtilen Elementen der digitalen Persönlichkeit einer Person.

Standard-Personalisierungsansätze empfehlen Inhalte auf der Grundlage des Profils einer Person oder der vergangenen Aktivität. Wenn eine Person beispielsweise nach einer Sporttasche sucht, funktioniert so etwas wie dieses - "Hier sind noch ein paar Sporttaschen". Oder wenn er oder sie über Filmkritiken liest, würde dies funktionieren - "Vielleicht gefällt Ihnen diese Kritik des kürzlich veröffentlichten Films".

Aber die in dieser Sitzung gezeigte Demonstration hatte fortgeschrittene Motive. Sie zeigten Deep Feeling, ein Proof-of-Concept-Projekt, das Machine-Learning-Techniken verwendet, um den Benutzern bessere Empfehlungen zu geben. Dieser Proof-of-Concept empfahl Reiseerlebnisse auf der Grundlage der Art von Dingen, die eine Person mit Hilfe des Acquia Lift-Dienstes und Drupal 8 teilt.

Mit Hilfe der Instagram-API, um auf den Bewusstseinsstrom einer Person zuzugreifen, zeigte die Demo, dass ihre Feeds über eine Computer-Vision-API gefiltert wurden und verwendet wurden, um subtile Themen über die Vorlieben der Person zu erkennen und zu lernen. Sobald eine Vorstellung davon etabliert ist, welche Art von Erfahrungen die Person für teilenswert hält, wurden die Eigenschaften der Person mit ihren eigenen Datenbanken abgeglichen.

Eine weitere Präsentation auf dem Bay Area Drupal Camp 2018 untersuchte, wie das CMS und die Drupal-Community Machine Learning in die Praxis umsetzen können, indem sie ein Drupal-Modul, ein Taxonomiesystem und die Natural Language Processing API von Google nutzen.

Konzepte der Verarbeitung natürlicher Sprache wie Stimmungsanalyse, Entitätsanalyse, Themensegmentierung, Spracherkennung wurden unter anderem diskutiert. Zahlreiche Alternativen zur Verarbeitung natürlicher Sprache wurden verglichen, wie z. B. die Natural Language Processing API von Google, TextRazor, Amazon Comprehend und Open-Source-Lösungen wie Datamuse.

Es wurden Anwendungsfälle untersucht, indem Nachrichtenartikel bewertet und automatisch mit dem Taxonomiesystem von Drupal kategorisiert wurden. Diese Kategorien wurden mit der Stimmungsanalyse zusammengeführt, um ein Empfehlungssystem für ein hypothetisches Nachrichtenpublikum zu erstellen.

Zukunft des Machine Learning

Ein Bericht von Markets and Markets besagt, dass die Marktgröße für Machine Learning von 1,41 Milliarden USD im Jahr 2017 auf 8,81 Milliarden USD bis 2022 mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 44,1 % wachsen wird.

Der Bericht stellt weiter fest, dass die wichtigsten treibenden Faktoren für den globalen Machine-Learning-Markt der technologische Fortschritt und die Verbreitung der Datengenerierung sind. Darüber hinaus wird erwartet, dass die steigende Nachfrage nach intelligenten Geschäftsprozessen und die zunehmende Akzeptanz moderner Anwendungen Möglichkeiten für weiteres Wachstum bieten.

Einige der kurzfristigen Vorhersagen sind:

• Die meisten Anwendungen werden Machine Learning beinhalten. In wenigen Jahren wird Machine Learning Teil fast jeder anderen Softwareanwendung sein, wobei Ingenieure diese Fähigkeiten direkt in unsere Geräte einbetten.
• Machine Learning as a Service (MLaaS) wird alltäglich sein. Immer mehr Unternehmen werden die Cloud nutzen, um MLaaS anzubieten und die Vorteile von Machine Learning zu nutzen, ohne große Hardwareinvestitionen zu tätigen oder ihre eigenen Algorithmen zu trainieren.
• Computer werden gut darin sein, wie Menschen zu sprechen. Da die Technologie immer besser wird, werden Lösungen wie IBM Watson Assistant lernen, endlos zu kommunizieren, ohne Code zu verwenden.
• Algorithmen werden sich ständig neu trainieren. In naher Zukunft werden sich mehr ML-Systeme mit dem Internet verbinden und sich ständig mit den relevantesten Informationen neu trainieren.
• Spezialisierte Hardware wird Leistungsdurchbrüche liefern. GPUs (Graphics Processing Unit) sind vorteilhaft für die Ausführung von ML-Algorithmen, da sie eine große Anzahl einfacher Kerne haben. KI-Experten nutzen auch Field-Programmable Gate Arrays (FPGAs), die manchmal sogar GPUs übertreffen können.

Fazit

Ob Computer uns eines Tages durch den Erwerb einer Superintelligenz zu beherrschen beginnen, ist kein wahrscheinliches Ergebnis. Auch wenn es eine Möglichkeit ist, weshalb sie immer wieder diskutiert wird, wenn künstliche Intelligenz und Machine Learning zur Sprache kommen.
 
Auf der helleren Seite hat Machine Learning eine Fülle von Möglichkeiten, unser Leben mit seinen enormen Fähigkeiten zu verbessern, beispiellose Einblicke in verschiedene Angelegenheiten zu gewähren. Und wenn Drupal und Machine Learning zusammenkommen, ist es noch aufregender, da es zur Bereitstellung eines großartigen Web-Erlebnisses führt.

Opensense Labs ist stets bestrebt, die digitalen Transformationsbestrebungen unserer Partner mit einer Reihe von Dienstleistungen zu erfüllen.

Kontaktieren Sie uns unter [email protected], um zu erfahren, wie Machine Learning in Ihrer Drupal-Webanwendung optimal eingesetzt werden kann.