Machine Learning: Was ist und wie funktioniert das Maschinelle Lernen

Auf einen Blick:

Machine Learning (dt. Maschinelles Lernen) ist ein Teilbereich der Künstlichen Intelligenz (KI). Maschinelles Lernen (ML) ist eine Sammlung von mathematischen Methoden der Mustererkennung. Sie konzentriert sich dabei auf die Entwicklung von Anwendungen, die aus Daten lernen und ihre Genauigkeit im Laufe der Zeit verbessern. Es gibt beim Machine Lerarning verschiedene Formen des Lernens: Supervised Learning, Unsuperviced Learning, Reinforcement Learning. Der Kern von Machine Learning und allen drei Lernmethoden ist es, jeweils einen Algorithmus zu erstellen und zu optimieren, um aus Daten zu lernen und um Vorhersagen, Entscheidungen zu treffen.

Inhalt

Was ist Machine Learning?

Machine Learning (dt. Machinelles Lernen) ist ein Teilbereich der Künstlichen Intelligenz (KI). KI wiederum gehört zu Data Science. Machine Learning konzentriert sich auf die Entwicklung von Anwendungen, die aus Daten lernen und ihren Algorithmus im Laufe der Zeit durch mehr Daten verbessert. Beim Machine Learning wird Künstliche Intelligenz darauf trainiert, über Algorithmen Aussagen (Vorhersagen, Entscheidungen) über Daten zu treffen. Je umfangreicher die Algorithmen sind, desto besser ist die daraus entstandene KI und umso genauer werden ihre Aussagen. Diese Verbesserung der Algorithmen wird durch das kontinuierliche Füttern der Künstlichen Intelligenz mit weiteren Daten gewährleistet.

Der Kern von Machine Learning ist es, mit Künstlicher Intelligenz aus Daten zu lernen und Vorhersagen, Entscheidungen daraus abzuleiten.

DS = Data Science | KI = Künstliche Intelligenz | ML = Machine Learning | DL= Deep Learning | NN = Neuronale Netze

Data Science definiert einen Algorithmus als eine Abfolge von statistischen Verarbeitungsschritten. Beim Machine Learning werden diese Algorithmen “trainiert” um Muster und Merkmale in riesigen Datenmengen zu finden und um Entscheidungen sowie Vorhersagen auf Basis neuer Daten zu treffen. Je besser der Algorithmus ist, desto genauer werden auch die Entscheidungen und Vorhersagen der KI. Diese Verbesserung wird durch das kontinuierliche Füttern der Künstlichen Intelligenz mit weiteren Daten gewährleistet.

Wie funktioniert Machine Learning

Man unterscheidet bei den Lernmethoden in das sogenannte “Supervised Learning”, “Unsuperviced Learning” und “Reinforcement Learning”.

Supervised Machine Learning

Beim Supervised 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.

Unsupervised Machine Learning

Mit Unsuperviced Learning (dt. unüberwachtes Lernen) sind die Beobachtungen im Datensatz nicht beschriftet und die Algorithmen lernen, die Struktur aus den Eingabedaten zu erschließen und dafür notwendige Parameter eigenständig zu definieren. Künstliche Intelligenz passt dabei den eigenen Algorithmus an die gegebenen Datenlage an und kommt zu Analyseergebnissen, die sie dann auf neue Daten anwendet. Diese Lernmethode kann länger dauern, aber auch genauer sein.

Reinforcement Machine 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.

Überblick über verschiedene Machine Learning Lernmethoden

Beispiele für Machine Learning:

Machine Learning wird eingesetzt, Muster und Strukturen zu finden, daher nutzt man Machine Learning z.B. um Produkte, Filme und Songs auf der Grundlage dessen, was wir zuvor gekauft, gesehen oder gehört haben vorzuschlagen.

Weitere Aufgabenbereiche sind z.B. Spam-Detektoren, die verhindern, dass unerwünschte E-Mails in unseren Posteingang gelangen oder medizinische Bildanalysesysteme, um Tumorbildung früher als ein Mensch zu erkennen.

Machine Learning in der Zukunft

In der Zukunft können wir noch mehr erwarten: Die Menge an Daten (Big Data) wird immer umfangreicher, Computer leistungsfähiger und DatenwissenschaftlerInnen entwickeln immer bessere Algorithmen. Machine Learning wird in unser Privat- und Arbeitsleben immer mehr Funktionen übernehmen. Dabei wird es vermutlich auch immer schwerer fallen, die Entscheidungen einer KI nachvollziehen zu können.

Inhalt:

Kontakt: Medienbüro Mendack
Mail: sm@mb-mendack.de | Tel.: 0211 4360344

Newsletter

Verpassen Sie keine neuen Inhalte und interessante Informationen rund um das Thema KI.