Acrea hat kürzlich einen internen Hackathon mit allen Beratern durchgeführt. Ziel war es, maschinelles Lernen praxisnah zu gestalten. Es begann mit Tutorials, die mit Microsoft Azure Machine Learning Studio durchgeführt wurden. Ein Erfolgserlebnis, das sich damit schnell eingestellt hat. Das visuelle Tool ist einfach zu bedienen und visualisiert den Datenfluss. Es ist eine reine Cloud-Lösung und kostenlos für kleinere Experimente: sehr empfehlenswert.

Dann begann das Hacken. Ein Team versuchte, neuronale Netze einzusetzen, um Bitcoin Kauf- und Verkaufsempfehlungen auf der Grundlage historischer Kursdaten abzugeben. Es war nicht zu erwarten, dass es rentabel ist, da die historischen Preisdaten keine ausreichenden Daten über die Zukunft enthalten.

Doch über das maschinelle Lernen lässt sich viel lernen: Die zunächst einfachen Modelle wichen immer komplexeren Modellen: Es wurden mehr Schichten trainiert und zwei Teams wendeten es auf die Textklassifikation und Betrugserkennung an. Zusätzlich wurden Google TensorFlow und Keras eingesetzt.

Emotionen kamen im Bitcoin-Team auf: Eine Simulation prognostizierte eine Verzehnfachung der Investition innerhalb eines Jahres. Man konnte Dollarzeichen sehen, die in ihren Augen leuchten. Die Teams, die an der Betrugserkennung arbeiten, erzielten überraschend gute Erkennungsraten. Für eine praktische Anwendung war es jedoch nicht ausreichend, da jeder Fehler (False Positives und False Negatives) Kosten verursachen würde. Was also ist notwendig, um die Erkennungsrate zu erhöhen: ein ausgefeilteres Modell oder immer detailliertere Daten?

Langsam erkannte das Bitcoin-Team, dass der neue Reichtum warten musste und dass der vermeintliche Vermögenszuwachs auf einem fehlerhaften Verfahren beruhte. Sie hatten separate Daten korrekt verwendet, um das Modell zu trainieren und zu bewerten. Für die Simulation der Anlagestrategie wurden aber auch die Trainingsdaten verwendet. Kein Wunder, dass die Vorhersagen so günstig waren.

Ein anderes Team setzte zur Bilderkennung ein künstliches, neuronales Netz (CNN) ein und erlebte aus erster Hand, wie zeitaufwändig das Training eines realistischen neuronalen Netzes sein kann. Für 50.000 winzige Bilder dauerte es mehr als eine Stunde. Darüber hinaus ist das Modell komplex und zeigt, wie viel Erfahrung und Wissen im Laufe der Jahre gereift ist und in die Modelle einfließen muss, um gute Ergebnisse zu erzielen.

Das korrigierte Verfahren zur Bitcoin-Vorhersage blieb nicht ohne Wirkung. Das investierte Geld stieg nicht mehr an. Die Suche nach einer profitablen Anlagestrategie ist noch nicht abgeschlossen. Wir werden in naher Zukunft sehen, wer nicht mehr die finanzielle Notwendigkeit hat, zur Arbeit zu kommen.....