Geschäftsanwendungen mit Long-Short-Term-Memory-Netzen (LSTM) entwickeln

Mit rekurrenten Netzen lassen sich Kundenentscheidungen voraussagen und Texte erzeugen. Mit Keras und TensorFlow kann man LSTMs in eigenen Anwendungen nutzen.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 1 Kommentar lesen
Geschäftsanwendungen mit Long-Short-Term-Memory-Netzen in Keras und Python entwickeln
Lesezeit: 16 Min.
Von
  • Ramon Wartala
Inhaltsverzeichnis

Menschen erzeugen ständig Daten. Sie verschicken E-Mails, öffnen Apps auf dem Smartphone, fahren Auto und zahlen per Karte an der Supermarktkasse. Für jede Handlung innerhalb der digitalisierten Welt werden mindestens vier Attribute gespeichert:

  • die Nutzeridentität, wie User-ID oder Fahrgestellnummer;
  • die konkrete Aktion (Suchwort eingeben, auf die Bremse treten);
  • der Zeitstempel (24. Juni 2019, 8:39 Uhr);
  • das Ergebnis, also Erfolg oder Nichterfolg der Aktion.

Zeitlich aufeinander folgende Handlungen lassen sich auch als Sequenz beschreiben. Das können nicht nur Messwerte sein, die man über einen bestimmten Zeitraum verfolgt. Auch Äußerungen, also die Aneinanderreihung von Buchstaben zu Wörtern, von Wörtern zu Sätzen und von Sätzen zu Texten, stellen Sequenzen dar.

Anwendungsfälle dieser Art lassen sich mit statistischen Verfahren wie der linearen oder der logistischen Regression oder zum Beispiel mit Markov-Modellen modellieren. Algorithmen für ihre Anwendung sind in viele bekannte Frameworks geflossen und haben so zum Siegeszug des maschinellen Lernens (ML) einen nicht unerheblichen Teil beigetragen. In den letzten Jahren brachten der Trend zu Big Data, das Aufkommen hochoptimierter GPUs und die Verfügbarkeit von Rechenpower-on-Demand in der Cloud die künstlichen neuronalen Netze aus ihrem Nischendasein.