Für die Firmenanwendung: Kundenverhalten per LSTM vorhersagen
Wer aus Kundendaten Vorhersagen treffen will, sollte ML-Netze wie Long Short-Term Memory (LSTM) einsetzen – es eignet sich insbesondere für lange Seuqenzreihen.
Viele Unternehmen arbeiten daran, das Verhalten ihrer Kunden per maschinellem Lernen vorhersagen zu können. Hierzu müssen sie auf die bereits angefallenen Daten und die gespeicherten Attribute der Nutzer zurückgreifen. Diese Daten liegen als Sequenz vor, zum Beispiel weil es sich um aufeinanderfolgende Handlungen handelt. Wie Ramon Wartala in der aktuellen iX 9/2019 schreibt, eignen sich für Vorhersagen auf Basis langer Sequenzreihen in erster Linie Rekurrente Neuronale Netze (RNNs).
Nicht alle RNNs eignen sich
RNNs verarbeiten die eingegebenen Daten schrittweise, die Zellen des Systems merken sich den vorherigen Zustand. Jedoch zieht der Ansatz zwei ungewollte Effekte nach sich: ein verschwindender oder ein explodierender Gradient. Hier kommen Netze namens Long Short-Term Memory (LSTM) zum Einsatz, wobei es sich um ein langes Kurzzeitgedächtnis handelt. Mit dieser Form eines RNN lassen sich auch besonders lange Sequenzen effektiv verarbeiten.
Hierzu werden zwei Tricks angewandt: LSTMs verfügen über Zustandszellen, die Informationen über mehrere Zeitschritte hinweg sichern. Hinzu kommen drei Gates in jeder Zelle; per Input lassen sich neue Daten hinzufügen, Output bestimmt über die Aktivierung die Zelle unter Berücksichtigung ihres internen Zustands und Forget löscht die Informationen über vorherige Zellzustände.
Große Konzerne verwenden LSTM-Netze bereits, unter anderem Google für automatisch generierte Übersetzungen oder Amazon für die Spracherkennung mit Alexa. Unternehmensentwickler können sie jedoch ebenfalls in eigene Anwendungen integrieren – wie das mit Keras und Pythin geht, erklärt der Artikel.
Siehe dazu auch:
- Machine Learning: Geschäftsanwendungen mit Long-Short-Term-Memory-Netzen in Keras und Python entwickeln, iX 9/2019, S. 136
(fo)
