In der Forschung kann Machine Learning Prozesse, Aufgaben und Ergebnisse stark beschleunigen. Dafür wird die Maschine mit Daten trainiert, um diese zu analysieren und interpretieren. Wir haben uns einige Anwendungsfälle näher angeschaut, welche bereits jetzt unser Leben bereichern und für die Zukunft erfolgversprechende Aussichten liefern.
Mit Machine Learning forschen und die Zukunft gestalten
Machine Learning Anwendungen sind inzwischen in der Lage, große und heterogene Dokumenten- und Datenmengen durch lernende Algorithmen kontinuierlich besser zu klassifizieren. Das heißt auch, sie können deren Inhalte besser verstehen und diese miteinander in Verbindung setzen. Dabei entwickeln die Maschinen bereits ein grobes semantisches Verständnis der Inhalte. Daraus ergeben sich unterschiedliche Anwendungsfälle. Denn wiederkehrende Prozesse setzen Machine Learning Anwendungen schneller um und sorgen damit bei der Arbeit für mehr Effizienz. Damit können viele Routineaufgaben beschleunigt, aber auch die Informationsgewinnung verbessert werden. Wir führen einige dieser Anwendungsfälle in diesem Artikel aus.
Medizinische Forschung und Daten
Daten sind Goldwert und dank moderner Technologien in großen Mengen vorhanden. Jetzt müssen Unternehmen diese nur mehr sinnvoll verarbeiten. Und dafür bietet sich in jedem Fall Machine Learning an, wobei besonders der medizinische Bereich stark von Daten und ML Algorithmen profitiert. Allein hier kommen unzählige Daten von Patienten, Krankheiten, Sensoren, Medikamenten, Diagnosen, Verhaltensmustern und Forschungsergebnissen zusammen. Machine Learning Algorithmen können all diese Daten verstehen und interpretieren und so die Qualität unserer medizinischen Versorgung verbessern.
Blog Reihe Machine Learning
Hier gehts zu den weiteren Beiträgen der Blog Reihe Machine Learning in im Supply Chain Management, in Bau und Maschinenbau, in Recht und Verwaltung.
Machine Learning in der Medikamentenentwicklung
In der Medikamentenforschung wird heutzutage vermehrt Deep Learning, als ein Teil des Machine Learnings, eingesetzt. Beispielsweise zur Erkennung von potenziellen Wirkstoffen für Medikamente. Dafür wird der Computer mit Daten zu Beschreibungen von Wirkstoffen trainiert, um daraus Vorhersagen zu treffen, welche dieser Wirkstoffe funktionieren kann. Mit Machine Learning können wir sogar noch einen Schritt weitergehen und gar neue Substanzen generieren, die ein wirksames Medikament darstellen können. Bei der Medikamentenentwicklung bei Merck wird auf neuronale Netzwerke zurückgegriffen, welches ein Bereich innerhalb des Machine Learnings ist. Den Bereich neuronale Netzwerke sprechen wir in unserer Blog Reihe zum ersten Mal an. Genauer ist ein künstliches neuronales Netzwerk dem menschlichen Gehirn nachempfunden. Neuronen, die miteinander verbunden und speziell angeordnet und verknüpft sind, bilden das Netz. Die Neuronen können Informationen von anderen Neuronen oder von außen aufnehmen und als Ergebnis ausgeben. Der Einsatz von ML in diesen Bereich ist aber dennoch ziemlich jung und befindet sich aktuell noch in der Anfangsphase, in der noch viele Forschungsprojekte und Studien laufen. So gab es im letzten Jahr einen erfolgversprechenden Durchbruch am MIT: Hier wurde mittels Machine Learning Algorithmus ein Wirkstoff identifiziert, welches viele Arten von antibiotikaresistenten Bakterien abtöten kann. Die Forscher glauben, dass das Modell auch dazu verwendet werden könnte, neue Medikamente zu entwickeln, basierend auf dem, was es über die chemischen Strukturen gelernt hat, die es den Medikamenten ermöglichen, Bakterien zu töten. Noch findet sich die eigentliche Entdeckung in der Forschungsphase, in der Hoffnung, es für den Einsatz beim Menschen zu entwickeln.
Machine Learning in der Krebsforschung
Krebs ist trotz moderner Medizin immer noch eine weit verbreitete und gefährliche Krankheit. Machine Learning kann hier im Bereich der Diagnose Ärzte unterstützen, wie eine Studie aus Berlin zeigt. Das vorangehende Problem ist die Unterscheidung von primären Lungentumoren und Metastasen eines Kopf-Hals-Tumors. Die Unterscheidung dieser Tumortypen hat wichtige klinische Implikationen, da die Frage, ob der Lungentumor primär ist oder von einem Kopf-Hals-Tumor gestreut hat, die Behandlungsoptionen für einen Patienten beeinflusst. Mit aktueller Methodik ist es noch immer schwierig, dies richtig zu diagnostizieren. Weshalb ein Machine Learning Algorithmus mit vorhandenen Daten so trainiert wurde, dass er diese Unterscheidung sehen kann und somit die richtige Diagnose getroffen und Behandlung durchgeführt werden kann. Es zeichnet sich anhand dieser Anwendungsfälle also ein vielversprechendes Bild für die Zukunft von Machine Learning in der Forschung ab, besonders in der medizinischen Forschung. Andere potenzielle Anwendungsbereiche für den Einsatz von Machine Learning in der Forschung sind die Weiterentwicklung des autonomen Fahrens, Frühwarnsysteme in der Luft- und Raumfahrt, Modelle zu Vorhersagen des Wetters, Kundenverhalten und vieles mehr.