Zum Inhalt wechseln

Quantum Machine Learning in Your Business 

Technology

16 November 2022 - 4 Minuten lesen

2827 Quantum Machine Learning 416X300
Michał Bączyk Quantum Computing Specialist

Michal ist Absolvent von Cambridge und der ETH Zürich. Im Laufe seiner Karriere absolvierte er Praktika in Quanten-KI-Gruppen am CERN und am Los Alamos National Laboratory in der USA. In seiner Arbeit zielt er darauf ab, die Welten des Quantum Computings und der Wirtschaft zu verbinden. 

Alle Beiträge von Michał anzeigen

1394 DE Resources Thumbs

Teilen

KI ist bereits unter uns 

Wenn Sie Ihr Smartphone entsperren und die Fahrzeit zum Restaurant, das Ihnen zum Abendessen empfohlen wurde, überprüfen, haben Sie KI bereits mehrmals verwendet. Durch den Einsatz von Graph Neural Networks verbesserte Google Maps die Genauigkeit von ETA-Vorhersagen um 21 % in New York, 16 % in London, 21 % in Berlin und 43 % in Sydney. Apple hat die Face ID-Sicherheit durch maschinelles Lernen verbessert, wodurch die Wahrscheinlichkeit, dass ein Fremder Ihr Gerät entsperrt, insgesamt auf eins zu einer Million reduziert wird. Es besteht kein Zweifel, dass künstliche Intelligenz zu einem festen Bestandteil unseres Alltags geworden ist. Darüber hinaus beeinflusst es Geschäftsentscheidungen und die Form von Unternehmen, indem es beispielsweise den Recruitern über LinkedIn-Tools passende Kandidaten vorschlägt. Jetzt beginnt eine neue Ära - mit dem Quantum Machine Learning (QML). 

Was ist QML? 

Quantum Machine Learning unterscheidet sich vom maschinellen Lernen genauso grundlegend wie Quantum Computing vom klassischen Computing. Wann immer wir uns mit Quanten beschäftigen, werden die Schritte von Algorithmen zur Auswertung an Quantenverarbeitungseinheiten (QPUs) gesendet, anstatt an die klassischen Zentraleinheiten (CPUs), die Berechnungen in unseren Smartphones und Laptops durchführen. Um CPUs einen Schritt voraus zu sein, nutzen QPUs Gesetze der Quantenphysik zu ihrem Vorteil. Obwohl es Anpassungen erfordert, wie Sie Informationen und Algorithmen in QPUs codieren, ist die allgemeine Idee von ML-Algorithmen direkt auf die Quantendomäne übertragbar. Somit passen QML-Algorithmen in die Kategorien der klassischen Lerntheorie und wir unterscheiden entsprechend: 

  • Supervised QML – es können Klassifikationen gelöst wie z. B. „Welche Art von Produkt wird dieser bestimmte Kunde am ehesten kaufen?“ und Regressionsprobleme: „Wie hoch wird der Ölpreis morgen sein?“.  
  • Unsupervised QML - wird verwendet, um Einblicke in Daten zu gewinnen. Deren Struktur wird untersucht, analysiert und vereinfacht: „Welche Zielgruppen können wir bei unseren Kunden identifizieren?“ 
  • Reinforcement QML - Entscheidungen werden nach einem vorher festgelegten Maßstab getroffen: „Was sollte meine Handels- und Preisstrategie für die Optimierung meines Portfolios sein?“ 

Case Studies 

Da maschinelles Lernen jeden Menschen und jedes Unternehmen betrifft, lohnt es sich auf den potenziellen Vorteil zu achten, den QML theoretisch gegenüber klassischem ML hat. Im Folgenden diskutieren wir zwei Business Cases aus dem Jahr 2022, welche die Möglichkeiten und Grenzen aktueller QML-Ansätze darstellen. 

Das erste Beispiel für einen Vorteil, der durch den Einsatz von QML erzielt wird, stammt aus der Automobilindustrie. Im Rahmen ihrer Quantencomputing-Herausforderung veröffentlichte die BMW Gruppe ein Klassifizierungsproblem zur Anomalie Erkennung – die Aufgabe bestand darin, zu bewerten, ob das derzeit in Betrieb befindliche, bildtrainierte ML-System zum Aufdecken von Rissen in den hergestellten Komponenten aufgerüstet werden könnte. Um das Modell effektiv trainieren zu können, waren hochauflösende Bilder der produzierten Bauteile notwendig. Außerdem benötigte das Unternehmen viele davon, da solche Mängel sehr selten vorkommen. Das Erhalten und Speichern dieser Bilder erfordert Zeit und Speicherplatz, was Raum für Verbesserungen bot. 

Eine QML-Lösung erreichte eine Genauigkeit von 97 %, während die Benchmark-Modelle 80 % erreichten. Der Trick bestand nicht darin, das gesamte Problem anzupassen, um es in Quantenhardware zu implementieren, sondern den klassischen Algorithmus zu verbessern, indem QPU-Berechnungen nur in den wichtigsten Teilen der Analyse ausgeführt wurden. Eine solche Lösung ist ein hybrider Ansatz. Das Erstellen von Diensten in diesem Paradigma macht QML-Anwendungen greifbarer und erreichbarer. 

Kudos für die zweite Demonstration gehen an Barclays für die Implementierung von Quanten-Neural-Netzen (QNNs) im finanziellen Kontext der Zeitreihenprognose, einer Technik, die für die Preisgestaltung sowie das Asset- und Risikomanagement unverzichtbar ist. Sie konnten zeigen, dass QNNs als Instrument zur Aktienbewertung bei allen Daten gleich gut abschneiden wie klassische neuronale Netze und gleichzeitig einen Vorteil bei Signalen mit hohen Schwankungen bieten. Diese Analyse wurde sowohl an synthetisch generierten Daten als auch an historischen Apple-Aktien- und Bitcoin-Preisen durchgeführt. Während die Lösung in Bezug auf das Datenvolumen, das die QML-Architektur verarbeiten kann, noch begrenzt ist, plant Barclays die potenziellen Anwendungsfälle weiter zu evaluieren. Wobei der Schwerpunkt mehr auf kundenorientierten Aufgaben wie der Betrugserkennung liegt. 

QML´s geheimer Vorteil 

Für den BMW-Fall erreichte die QML-Lösung nicht nur eine höhere Genauigkeit, sondern verbrauchte auch weniger Informationen. Das Quantenmodell wurde mit 40 % des gesamten Datensatzes trainiert, während das Benchmark-Modell mit 70 % trainiert wurde. Dies zeigt, dass der QML-Algorithmus effizienter verallgemeinert als der klassische Ansatz, da er es immer noch schafft, mit weniger Eingabe genaue Vorhersagen für neue Daten zu liefern. Die Fähigkeit, auch aus begrenzten Daten zu verallgemeinern, ist ein inhärentes Merkmal von QML. Es ist praktisch, wenn Trainingsdaten knapp oder teuer zu beschaffen sind. 

Darüber hinaus zeigt der Barclays Proof of Concept, dass QNNs für bestimmte Anwendungsfälle weniger dazu neigen, das unvermeidliche Rauschen als Daten zu behandeln und daraus zu lernen (Overfitting). Der Grund dafür ist, dass QML-Architekturen viel kleiner sein können. Für das diskutierte Szenario verwendete das quantenneuronale Netzwerk 1830-mal weniger Parameter als das klassische. Daher könnte das Verhältnis von Fähigkeit zu Größe auch für QML-Ansätze von Vorteil sein. 

Die Frage ist „wann“ – „jetzt“ ist die Antwort 

In diesem Artikel haben wir zwei reale QML-Anwendungsfälle aus verschiedenen Branchen erörtert. Das wachsende Bewusstsein für die Merkmale und Fähigkeiten von Quantenarchitekturen ermöglicht es, Geschäftsprobleme effektiver anzugehen. Situationen mit geringen Datenmengen können bereits heute über vollwertige Quantenalgorithmen mit Mehrwert angegangen werden. Während maschinelles Lernen, das rein auf heutiger Quantenhardware implementiert wird, noch begrenzt ist, kann die Verwendung von QML an der richtigen Stelle als Teil einer hybriden quantenklassischen Architektur sehr effektiv sein. Als Objectivity evaluieren wir weiterhin alle Fälle, in denen QML das Potenzial hat, das Business zu revolutionieren. Wir folgen Trends und implementieren selbst Lösungen, damit wir unseren Kunden Orientierung bieten können. Wenn Sie mehr über die Lösung von Geschäftsproblemen mit dieser Spitzentechnologie erfahren möchten, besuchen Sie unsere Webseite und erfahren Sie mehr über unseren Quantum Computing Service. 

1394 DE Resources Thumbs
Michał Bączyk Quantum Computing Specialist

Michal ist Absolvent von Cambridge und der ETH Zürich. Im Laufe seiner Karriere absolvierte er Praktika in Quanten-KI-Gruppen am CERN und am Los Alamos National Laboratory in der USA. In seiner Arbeit zielt er darauf ab, die Welten des Quantum Computings und der Wirtschaft zu verbinden. 

Alle Beiträge von Michał anzeigen

Was Sie noch interesieren könnte

Kontakt

Starten Sie Ihr Projekt mit Objectivity

CTA Pattern - Contact - Middle