Neue Ansätze für die Software und die Bereitstellung von Cloud-Infrastruktur machen „Machine Learning as a Service“ (MLaaS) einfach benutzbar. Fast alle grossen Cloud-Anbieter wie zum Beispiel IBM, Amazon, Microsoft oder Google ermöglichen mittlerweile einen Zugang ohne hohe Kosten.
Im Zeitalter von Big Data existieren unübersichtliche komplexe Datensammlungen, die Informationen aus vielfältigen Quellen beinhalten. Die Analyse dieser Daten mit traditionellen Werkzeugen ist oft nicht ergiebig. Erst Machine Learning (ML) ermöglicht es, in solch grossen und komplexen Datenmengen verborgene Muster und Regeln zu finden, die den wahren Wert von Big Data ausmachen. ML kann aber nur so gut sein, wie die Datenbasis, auf der es arbeitet. Je mehr qualitativ hochwertige Daten zur Verfügung stehen um die Algorithmen zu modellieren und zu trainieren, desto besser sind die Aussichten auf neue sinnvolle Erkenntnisse.
Eine der oben genannten Cloud-ML-Plattformen ist Watson. IBM stellt unter diesem Namen ein breites Spektrum an Applikationen zur Verwendung von ML zur Verfügung. Neben Anwendungen wie Bildanalyse oder Natural Language Processing gibt es auch Werkzeuge zur Erforschung, Visualisierung und Analyse grosser Datenmengen. Über ein sehr einfach zu bedienendes Interface können die Rohdaten importiert und mit den Modulen Assemble und Explore aufbereitet und visualisiert werden. Watson analysiert die Daten und wählt dazu automatisch einen Algorithmus aus, den es für passend erachtet, um Muster und Trends zu erkennen. Es muss nicht erst manuell eine eigene Pipeline gebaut werden, was auch deutlich macht, dass diese Version von Watson sich an Endbenutzer und nicht an Developer im Bereich ML richtet.
Komplexe ML-Szenarien, die zum Beispiel auch die Echtzeit-Analyse von Live-Daten ermöglichen, gibt es allerdings nicht als Turn-Key Lösungen. Die automatische Steuerung von Prozessen und Geschäftsabläufen durch ML- Algorithmen erfordert eine massgeschneiderte Implementation.