Machine Learning (deutsch: Maschinelles Lernen) ist ein Teilbereich der künstlichen Intelligenz (KI). Machine Learning ermöglicht es Computersystemen aus Daten zu lernen, Muster zu erkennen und so Vorhersagen zu treffen – ohne, dass sie explizit darauf programmiert wurden. Das funktioniert, indem das Maschinelle Lernen mit Algorithmen arbeitet. Diese werden darauf trainiert, auch mit neuen Daten auf ein gewünschtes Ergebnis zu gelangen.

Einer der prominentesten Bereiche, in dem maschinelles Lernen beispiellose Fortschritte erzielt hat, ist die Suchmaschinenoptimierung. Google, der unangefochtene Marktführer in der Welt der Suchmaschinen, nutzt intensiv maschinelles Lernen, um Benutzern genaue und relevante Suchergebnisse zu liefern.

Die Integration von ML in die Google-Suche hat das Potenzial, sowohl die Art und Weise, wie wir nach Informationen suchen, als auch die Art und Weise, wie Unternehmen ihre Online-Präsenz optimieren, zu revolutionieren. Dieser Leitfaden wird Sie durch die Grundlagen des maschinellen Lernens in der Google-Suche führen, wie es funktioniert, seine Anwendungen und wie Sie es nutzen können, um Ihre SEO-Strategie zu verbessern.

Egal, ob Sie ein erfahrener SEO-Profi sind, der sein Verständnis für maschinelles Lernen vertiefen möchte, oder ein Anfänger, der gerade erst in die Welt des digitalen Marketings einsteigt, dieser Leitfaden wird Ihnen die notwendigen Einblicke bieten, um die Möglichkeiten und Herausforderungen, die maschinelles Lernen in der Google-Suche mit sich bringt, zu verstehen und zu meistern.

Begleiten Sie uns auf dieser spannenden Reise durch die Welt der Algorithmen und KI, und entdecken Sie, wie maschinelles Lernen die Google-Suche formt und revolutioniert. Sie werden nicht nur die Technologie dahinter verstehen, sondern auch lernen, wie Sie sie zu Ihrem Vorteil nutzen können. Wir versprechen, dass Sie am Ende dieses Leitfadens besser gerüstet sein werden, um in der digitalen Landschaft erfolgreich zu navigieren.

Um zu verstehen, was Maschinelles Lernen ist, ordnen wir es zunächst in die Welt der Künstlichen Intelligenz ein. Das ist außerdem wichtig, weil diese Begriffe oft verwechselt werden:

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. Mit ihrer Hilfe soll intelligentes Verhalten automatisiert auf Computer übertragen werden.

Geht man einen Schritt tiefer in die Welt der KI befindet man sich im Machine Learning. Dabei werden Algorithmen mit Daten trainiert, um Vorhersagen zu treffen. Das Machine Learning lernt mit immer mehr Erfahrung (Daten) immer konkreter Vorhersagen zu machen.

Wagen wir noch einen weiteren Schritt, gelangen wir in einen neueren Teilbereich: Das Deep Learning. Mithilfe von künstlichen neuronalen Netzen ist Deep Learning in der Lage, unstrukturierte Informationen, also Texte, Bilder, Töne und Videos, in numerische Werte umzuwandeln. Diese werden anschließend für Mustererkennungen, Vorhersagen oder andere Learnings verwendet.

Nun wissen wir, wo Machine Learning einzuordnen ist. Doch was ist der Unterschied zwischen einer normalen Software und dem maschinellen Lernen? Kurz gesagt geben wir einer “normalen” Software vor, was sie tun soll – samt den dafür notwendigen Daten. Beim Machine Learning trainieren wir das System darauf, wie es eine gewünschte Lösung mit entsprechenden Daten selbst findet – also eigenständig. Im Vergleich sieht das so aus:

Stellt sich nun die Frage: Welche Aufgaben erfüllt Maschinelles Lernen? Und wie nutzen Sie diese für Ihr Unternehmen? Für die zweite Frage benötigt es noch etwas mehr Hintergrundwissen, das wir Ihnen in diesem Beitrag auch liefern. Doch die erst können wir Ihnen direkt beantworten:

• Vorhersagen von Werten (bspw. Stromverbrauch)
• Wahrscheinlichkeitsrechnung (bspw. Kaufwahrscheinlichkeit oder die Wettervorhersage)
• Clustering (bspw. durch erkennen einer bestimmten Gruppe)
• Zusammenhänge ermitteln
• Reduktion von Dimensionen
• Optimierung

Begriffe wie Big Data, Data Mining und Predictive Analytics werden oft in Verbindung mit Maschinellem Lernen gebracht. Ganz falsch ist das auch nicht, dennoch sollte man die Unterschiede kennen:

Big Data sind riesige, komplexe und schnelllebige Datenbestände. Sie bildet die Basis für das Maschinelle Lernen, denn das benötigt diese großen Datenmengen, um effizient arbeiten zu können.

Das Data Mining wird vom Menschen an Datensätzen durchgeführt, um daraus interessante Muster zu finden. Dabei verwendet Data Mining Techniken, die mithilfe von Maschinellem Lernen entwickelt wurden.

Predictive Analytics ist ein Verfahren, bei dem anhand von historischen Datenquellen ein mathematisches Modell erstellt wird, welches Ereignisse in der Zukunft voraussagen. Auch Predictive Analytics nutzt Techniken des Maschinellen Lernens für sich. Wie Sie die Vorausschauende Analyse für Ihre Marketingstrategie nutzen können, haben wir in einem extra Beitrag erklärt.

Maschinelles Lernen nutzt also Algorithmen, um aus Daten Muster und anschließend Vorhersagen zu machen. Dabei kommen drei Arten von Algorithmen für das Maschinelle Lernen zum Einsatz:

Beim überwachten Lernen (englisch: Supervised Learning) werden dem Algorithmus vollständig beschriftete Trainingsdaten übergeben. Aus ihnen soll er Muster und Zusammenhänge erkennen, um anschließend richtige Voraussagen über unbekannte Daten treffen zu können. Vorausgesagt wird dabei immer eine klare Zielvariable. Sie unterscheidet sich in Klassifikation und Regression.

Bei der Klassifikation geht es darum festzustellen, ob etwas Teil einer Gruppe ist oder nicht. Beispielsweise die Voraussage, ob ein Kunde ein Produkt kaufen wird oder nicht. Gruppe Käufer und Gruppe Nicht-Käufer.

Ist die Zielvariable der Regression einzuordnen, geht es darum, wie viele Kunden das Produkt kaufen werden.

Gehört ein Algorithmus dem unüberwachten Lernen (englisch: Unsupervised Learning) an, wird er nicht mit Beispieldaten, sondern mit unbezeichneten Daten gefüttert. Ohne Zielvariable soll er die Daten dann eigenständig in Muster und Zusammenhänge clustern.

Diese Art von Algorithmus wird verwendet, wenn viele Daten zur Verfügung stehen, Sie im Voraus aber nicht wissen, wie Sie diese verwenden sollen. Das Clustering zeigt Ihnen dann, wie Sie sie verwenden können.

Das verstärkte maschinelle Lernen ist eine besondere Form des Algorithmus, da es mit seiner Umgebung interagiert und keine Beispieldaten benötigt. Aktionen werden durch ein Belohnungssystem bewertet. So lernt der Algorithmus selbstständig die Lösung für ein Problem.

Das funktioniert, indem dem Algorithmus zuvor nicht antrainiert wurde, welche Aktion die richtige ist. Er erhält lediglich positives oder negatives Feedback. So kann eine Handlung dem richtigen Zeitpunkt zugeordnet werden

Alle großen Suchmaschinen nutzen maschinelles Lernen auf eine oder mehrere Arten. Mit einem Marktanteil von 84 % ist Google bekanntlich die größte. Und nutzt eine Vielzahl von Algorithmen für maschinelles Lernen, um die Suchergebnisse für Nutzer zu verbessern. Wir wollen Ihnen einige der wichtigsten Algorithmen die Google für Machine Learning nutzt, vorstellen:

1. Natural language processing (NLP): Google verwendet NLP-Technologien, um die Bedeutung von Suchanfragen besser zu verstehen und relevantere Ergebnisse zu liefern. Dazu gehört die Verarbeitung von Anfragen in natürlicher Sprache, die Erkennung von Schreibfehlern und die Unterstützung von Anfragen in mehreren Sprachen.
2. Recommender Systeme: Recommender Systeme analysieren die Verhaltens- und Präferenzdaten von Nutzern, um Vorlieben zu erkennen. Google nutzt diese Recommender Systeme, um personalisierte Suchergebnisse liefern zu können.
3. Clustering und Klassifikation: Google nutzt das Clustering und die Klassifikation von (un)überwachtem maschinellem Lernen, um einzuordnen, wie relevant eine Website für eine Suchanfrage ist.
4. Anomaly detection: Identifiziert innerhalb großer Datenmengen ungewöhnliche Aktivitäten von normalen. So erkennt Google beispielsweise Spam-Ergebnisse und kann sie entfernen..
5. Google FLAN beschleunigt die Übertragung von Lernprozessen von einem Bereich auf einen anderen und macht sie weniger rechenaufwändig. Wichtig zu wissen: Beim maschinellen Lernen bezieht sich eine Domäne nicht auf eine Website, sondern auf die Aufgabe oder eine Gruppe von Aufgaben, die sie erfüllt, wie z. B. die Stimmungsanalyse im Natural language processing (NLP) oder die Objekterkennung in der Computer Vision (CV).
6. V-MoEs einzige Aufgabe besteht darin, das Training von großen Bildverarbeitungsmodellen mit weniger Ressourcen zu ermöglichen.
7. Sub-Pseudo-Labels verbessert die Erkennung von Handlungen in Videos und hilft bei einer Vielzahl von videorelevanten Erkenntnissen und Aufgaben.

Außerdem nutzt Google noch einige Kernalgorithmen, um die Suchergebnisse seiner Nutzer zu optimieren:

RankBrain

Eingeführt wurde dieser Algorithmus im Jahr 2015 und trug dazu bei, dass Google die Welt nicht mehr als Zeichenketten aus Schlüsselwörtern und Zeichen, sondern als Dinge (Entitäten) betrachtet. Aus Schlüsselwörtern, Zeichen und zu Sätzen zusammengeführten Worten wurden also sogenannte Entitäten. Eine Entität ist ein Ding oder Konzept, das einzigartig, klar definiert und unterscheidbar ist. Zuvor betrachtete Google eine Eingabe wie (Frankfurt, Hessen) als zwei Wörter. Sie kommen regelmäßig zusammen vor, genauso häufig aber auch getrennt voneinander. Mit RankBrain wurden aus den beiden Schlüsselwörtern Frankfurt und Hessen eine Entität. Das bedeutet, wenn ein Kontext besteht, erkennt Google bei beiden Schlüsselwörtern den Zusammenhang und somit die Entität (Frankfurt, Hessen).

BERT

BERT (Bidirektional Encoder Representations from Transformers) ist etwas jünger. 2019 wurde es eingeführt und verschaffte Google den Übergang von einem unidirektionalen Verständnis von Konzepten hin zu einem bidirektionalen. Während vorherige Modelle nur in eine Richtung Erkenntnisse aus den Wörtern gewinnen konnten (unidirektional), gewinnt es jetzt ein kontextuelles Verständnis auf der Grundlage von Wörtern in beiden Richtungen (bidirektional). Die Reihenfolge der Worte spielt beim unidirektionalen Modell also eine wichtige Rolle, beim bidirektionalen werden Informationen auch wieder zurückgesendet.

MUM

MUM steht für Multitask Unified Model und ist multimodal. Das heißt: Das Modell gewinnt Informationen aus unterschiedlichen Modalitäten wie Texten, Bildern, Videos usw. Viel interessanter ist aber, dass MUM Informationen in unterschiedlichen Sprachen sammeln kann, die er zu einer Antwort in die Sprache des Nutzers übersetzt. Wenn Sie beispielsweise Sushi zubereiten wollen, wird ein japanischer Sushi-Meister wohl die besten Tipps für Sie haben – aber eben auf Japanisch. Durch MUM erhält der Nutzer die japanischen Zubereitungstipps in seiner Sprache. Das verbessert zudem den Informationszugang für jene Sprachen, die im Internet nicht so häufig berücksichtigt werden.

Wir haben nur einige der Schlüsselalgorithmen angesprochen, die Einfluss auf die organische Suche haben können. Doch es gibt noch mehr, wozu maschinelles Lernen eingesetzt wird.

Fragen wie:
Was treibt in Ads die Systeme hinter automatisierten Gebotsstrategien und Anzeigenautomatisierung an?
Woher weiß News, wie Storys zu gruppieren sind?
Wie werden in Bildern bestimmte Objekte identifiziert?
Wie werden Videoempfehlungen getroffen?

Diese Fragen können alle mit maschinellem Lernen beantwortet werden.

Nun haben wir viel zur Theorie um Machine Learning aufgeklärt; haben den Zusammenhang zu KI und Big Data klargestellt, die Aufgaben erläutert und die Algorithmen in unterschiedliche Arten aufgeteilt. Doch wie funktioniert das Maschinelle Lernen in der Praxis? Bei der Erklärung hilft uns eine Grafik:

Definition: Grundlage jedes maschinellen Lernprozesses ist die Definition eines Problems oder Ziels. Sie müssen festlegen, was das maschinelle Lernen optimieren soll.

Daten: Im zweiten Schritt folgt die Datenbeschaffung. Er ist meist sehr zeitintensiv, denn hier gilt: Je besser die Datenqualität, desto eher gelangen Sie an Ihren gewünschten Output.

Training: Während dieser Phase wird der Algorithmus trainiert – das eigentliche maschinelle Lernen beginnt. Muster werden erkannt, aus denen Wahrscheinlichkeiten oder Werte vorhergesagt werden.

Interpretation: Die Ergebnisse des Trainings werden ausgewertet. Das dient zum einen, um den Algorithmus zu verstehen. Zum anderen, um zu erkennen, ob er zu den gewünschten Ergebnissen führt. Tut er das nicht, wird er erneut mit mehr Daten ins Training geschickt.

Modell: Aus den erfolgreichen Trainingsergebnissen wird ein Modell entwickelt.

Praxis: Das Modell wird für die Praxis genutzt und auf unbekannte Daten angewandt

Machine Learning lässt sich in einer Vielzahl von Arbeitsbereichen anwenden, beispielsweise bei Notdiensten wie der Polizei, für Logistiksysteme, in der Mobilität wie beim autonomen Fahren und in der IT-Security. Für uns spielt Maschinelles Lernen natürlich im Marketing eine wichtige Rolle.

Insbesondere bei der Personalisierung kann Machine Learning eine große Hilfe sein. Die Algorithmen werden dann angewandt, um das Verhalten von Kunden zu erlernen und zu vergleichen. Mit dem Output kann individualisiertes Marketing in Form von Produkt- oder Handlungsempfehlungen betrieben werden.

Im Customer Relationship Management (CRM) kommt maschinelles Lernen zum Einsatz, um die Prozesse effektiv zu optimieren und Prognosen für den Kundenwert zu treffen.

Wie bereits erwähnt, nutzen einige mittlere und große Unternehmen Machine Learning bereits, um ihre Marketingstrategien zu individualisieren. Verfahren wie Predictive Analytics werden angewandt, um die personalisierte Customer Experience zu personalisieren und neue passende Kunden zu gewinnen.
Die Entwicklung der Algorithmen für Machine Learning ist jedoch sehr aufwändig. Ab welchem Punkt ergibt es also Sinn, Maschinelles Lernen für Ihr Unternehmen anzuwenden?

Viele gut strukturierte Daten
Sie haben eine hochwertige, große und gut strukturierte Datenmenge? Hervorragend, dann kann Machine Learning eine hilfreiche Lösung für Ihr Unternehmen sein. Schließlich sind die Grundlage jedes maschinellen Lernens die Daten und die haben Sie schonmal.

Regeln als Entscheidungshelfer
Sie lösen Ihre Probleme bereits mit Heuristiken (Regeln und Strategien)? Dann haben Sie einen wichtigen Grundstein, um einen Schritt weiter zu gehen. Das Machine Learning kann Ihnen dabei helfen, komplexere Regeln zu finden und so auch komplexere Probleme zu lösen.

Einsetzbar ist Machine Learning in so ziemlich jedem Bereich. Um zu entscheiden, ob Sie Machine Learning brauchen müssen Sie sich zwei Fragen stellen:

1. Brauche ich Machine Learning jetzt?
2. Wie hoch ist mein ROI (Return on Investment)? Die Frage aller Fragen: Lohnt sich das überhaupt?

Der Einsatz von Maschinellem Lernen ist nicht mal ebenso getan. Es bedarf viel Zeit, kompetente Arbeitskräfte, Geld und eben die Daten. Überlegen Sie sich also gut, wann der richtige Zeitpunkt ist, damit Machine Learning einen Mehrwert für Sie bieten kann. Stellen Sie sich diese beiden Fragen regelmäßig. Dabei kann auch eine Beratung von Experten hilfreich sein.