Unsupervised Machine Learning

Unsupervised Learning adressiert einen praktischen Engpass im ML: Gelabelte Trainingsdaten sind teuer und langsam zu produzieren, ungelabelte Daten gibt es im Überfluss. Statt Menschen jeden Datenpunkt manuell kategorisieren zu lassen, lernt ein unsupervised Modell die innere Struktur der Daten und nutzt diese, um Erkenntnisse zu liefern.

Die Hauptanwendungen sind Clustering (Datenpunkte in natürliche Gruppen zusammenfassen, ohne dass die Gruppen vorher bekannt sind), Anomaly Detection (Datenpunkte identifizieren, die signifikant von der Norm abweichen), Dimensionalitätsreduktion (hochdimensionale Daten in wenige aussagekräftige Dimensionen komprimieren) und Embedding-Berechnung (Daten als Vektoren in einem semantischen Raum repräsentieren).

Pimcore nutzt unsupervised-Methoden in mehreren Funktionsbereichen. Datenqualitäts-Checks identifizieren auffällige Produktdaten ohne dass Anomalie-Muster vorher gelabelt sein müssen, semantische Produktähnlichkeit findet vergleichbare Produkte über Embedding-Räume, automatische Gruppierung schlägt Cluster für Sortimentsanalysen vor. Über den Agent SDK lassen sich eigene unsupervised-Modelle in Workflows einbinden.