Unsupervised Learning

Mit Unsuperviced Learning (dt. unüberwachtes Lernen) kann sich eine KI einen Sachverhalt selbst erarbeiten und dafür notwendige Parameter eigenständig definieren. Künstliche Intelligenz kann den eigenen Algorithmus zur Lösungsfindung selbständig an die gegebenen Datenlage anpassen. Anders als beim sogenannten Supervised Learning sind die Beobachtungen im Datensatz nicht beschriftet und der Algorithmus lernt, die Struktur aus den Eingabedaten selbst zu erschließen und dafür notwendige Parameter eigenständig zu definieren. Diese Lernmethode kann länger dauern, aber auch genauer sein.

Superviced Learning

Beim Superviced Learning (dt. überwachtes Lernen) gibt man der KI die gewünschte Aufgabe mit Lösung vor. Z.B. einen Datensatz von Bildern und jedes Bild enthält eine Bezeichnung, ein Label davon, was es zeigt. Dann wird die KI gebeten, alle Bilder einer Katze herauszusuchen. Die KI entwickelt einen Algorithmus, der versucht, Katzen auf Bilder zu erkennen. Die Ergebnisse werden dann mit dem Überwachenden, einem Menschen geteilt. Dieser verhält sich dabei wie ein Lehrender und hilft der KI, besser zu werden. Sortiert also aus, welche Bilder der KI Katzen sind und welche nicht. Mit dieser Information optimiert die KI ihren Algorithmus. Ziel des konstanten Weiterentwickelns ist es dabei, die Genauigkeit der Ergebnisse immer weiter zu verbessern.

Reinforcement Learning

Beim sogenannten Reinforcement Learning (dt. bestärkendes Lernen) trainiert eine KI sich via trial-and-error und bekommt quasi „Belohnungen“ für das richtige Ergebnis. Der Computer versucht nun, Strategien zu entwickeln, diese Belohnungen zu optimieren. Die Belohnungen vestärken also die Lösungsfindung – Hierbei ist es wichtig, der Künstlichen Intelligenz die Freiheit zu geben, eigene Lösungen zu finden, die man als Mensch eventuell nicht betrachten würde. Das bestärkende Lernen gilt als eine der vielversprechendsten Ansätze zum Erreichen einer Allgemeinen Künstlichen Intelligenz, welche nicht nur Probleme aus einem Gebiet, z.B. der Bilderkennung, sondern viele Probleme aus verschiedenen Bereichen, etwa auch der Spracherkennung und der Kommunikation mit Menschen lösen kann.

Computer Vision

Computer Vision ist quasi das Sehorgan für einen Computer. Dieser Teilbereich des Machine Learning ermöglicht dem Computer das Erkennen, Verarbeiten und die Informationsgewinnung von visuellen Datenquellen. Untersucht werden visuelle Datenquellen mithilfe von Farbanalysen oder Patchanalysen. Diese Analysen lassen den Computer sehr genau erkennen, was sich auf einer visuellen Datenquelle wo befindet.

Natural Language Processing

Natural Language Processing (NLP) beschreibt die Schnittstelle zwischen der Linguistik und der Computer Science. NLP beschreibt die Erkennung, Verarbeitung und Informationsgewinnung eines Algorithmus aus natürlicher Sprache. Natürliche Sprache ist von Mensch zu Mensch individuell, deshalb versuchen NLP-Algorithmen mithilfe von Text- und/oder Tonbausteinen Zusammenhänge zu erkennen und zu identifizieren. Es wird demnach die natürliche Sprache in ein System gebracht, dass der Computer versteht.

Neuronale Netze … oder wie funktioniert ein künstliches Gehirn

Künstliche Neuronale Netze sind ein Teilgebiet des Deep Learning und folgen dem Aufbau des menschlichen Gehirns. Ein neuronales Netz ist eine Ansammlung von einzelnen Informationsverarbeitungseinheiten (Neuronen), die schichtweise in einer Netzarchitektur angeordnet sind. Im Zusammenhang mit Künstlicher Intelligenz spricht man von künstlichen neuronalen Netzen.

Data Mining

Data Mining beschreibt die Verarbeitung von großen, ungeordneten Datenmengen (Big Data) mithilfe von mathematischen und statistischen Methoden. Data Mining ist ein Teilbereich des Machine Learning und wurde durch die immer größer werdenden Datenmengen im Zuge der Digitalisierung notwendig. Das Prinzip des Data Minings versucht Zusammenhänge zwischen Datensätzen zu erkennen. Dafür werden beim Data Mining verschiedene Methoden verwendet.

Deep Learning

Deep Learning ist ein Bereich von Machine Learning, bei dem ein Computer versucht, die Denkprozesse eines menschlichen Gehirns nachzuahmen, um Gemeinsamkeiten in Daten festzustellen. Deep Learning verfügen über eine hohe Genauigkeit, die häufig die Gehirnleistungen von Menschen übertrifft. Das Training wird durch eine große Datenmenge und vielschichtigen sogenannten „Neuronalen Netzen“ durchgeführt. Durch Deep Learning kann ein autonom fahrendes Auto beispielweise Stoppschilder von Vorfahrtschildern unterscheiden oder Menschen und deren Bewegungsintention erkennen. Es eignet sich also zum Lösen sehr komplexer Probleme.

Data Science, Datenwissenschaft einfach erklärt

Data Science (zu Deutsch „Datenwissenschaft“) hat keine feste Definition. Zusammengefasst könnte man sagen, sie nutzt verschiedene Disziplinen und kombiniert diese, um aus Daten Wissen zu generieren.

Big Data einfach erklärt – Warum sind Datenmengen so zukunftsrelevant?

Big Data (deutsch „große Datenmengen“) ist schnell erklärt. Sie ist die Grundlage, das „Futter“ für Analysen mittels Computer, also für Data Science, KI, Machine Learning, Computer Vision und vieles mehr. Diese großen Datenmengen entstehen u.a. durch Smartphones, die Bewegungs- und Nutzungsdaten der NutzerInnen sammeln und für Analysen verfügbar machen. Ohne Big Data keine KI, ohne KI keine Assistenzsysteme für Menschen.