Hybrides und konventionelles maschinelles Lernen im Vergleich

Damit maschinelles Lernen funktionieren kann, braucht es grosse Mengen an Daten. Sind aufgrund begrenzter Ressourcen wie Sensoren, Zeit und Budget jedoch nur geringe Datenmengen vorhanden, kann das dazu führen, dass der herkömmliche Ansatz des maschinellen Lernens schlecht abschneidet oder gar versagt. In solchen Fällen kann ein hybrider Ansatz, der verschiedene Methoden kombiniert, bessere Resultate erzielen, wie eine kürzlich publizierte Studie des Instituts für Intelligente industrielle Systeme (I3S) der Berner Fachhochschule BFH zeigt. In der Studie wurde zusätzlich physikalisches Wissen in Form von Formeln auf den Datensatz angewandt, was die Leistung des Algorithmus nachweislich verbesserte. Die Erkenntnisse der Studie sind insbesondere mit Blick auf die Digitalisierung in der Industrie interessant, da in diesem Kontext oftmals nur wenig Daten zur Verfügung stehen. Der Antrag für ein grösser angelegtes Forschungsprojekt, in dem der hybride Ansatz des maschinellen Lernens weiter untersucht wird, ist bereits eingereicht.

Erschienen ist der Beitrag im Fachmagazin «Applied Sciences» des Multidisciplinary Digital Publishing Institute (MDPI), ein Herausgeber von wissenschaftlichen Open-Access-Fachzeitschriften.