Superviced Learning

Auf einen Blick ⤵

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.

Das ist es:

Supervised Learning (dt. überwachtes Lernen) gehört zu einer der drei Machine Learning-Lernmethoden (Supervised Learning, Unsupervised Learning und Reinforcement Learning).

Bei dieser Lernmethode werden Ergebnisse oder Kategorien vorgegeben und die KI lernt mit vorgebebenen Parametern (z.B. Gewicht, Größe, Farbe, Proportion, …) Daten einzuordnen. Beim Superviced Learning korrigiert jemand, der die richtigen Antworten kennt, die Lösungen einer KI und verbessert so die gemachten Fehler, damit sie dazulernt. Das ähnelt einem Lehrenden in der Schule, der Klausuren korrigiert und die SchülerInnen auf Fehler aufmerksam macht, damit sie diese in zukünftigen Tests nicht mehr machen. Beim Superviced Learning wird demnach eine Künstliche Intelligenz entwickelt, die nach einem vorgegebenen Modell (festen Algorithmen) versucht Antworten oder Klassifikationen zu finden und diesen dann mittels Hinweisen des Lehrenden und neuen Datensätzen weiter optimiert.

So funktioniert es:

Superviced Learning benötigt eine sehr große Menge an strukturierten Daten (bereits ausgewertete Datensätze), um daraus Schlussfolgerungen ziehen zu können. Sobald die Künstliche Intelligenz via Superviced Learning die strukturierten Daten analysiert und daraufhin ihren Algorithmus angepasst hat (also gelernt hat), testet sie das Gelernte mit einem neuen, unbekannte Datensatz. In unserem Schulbeispiel wären das beispielweise zuerst Testaufgaben mit Lösungsblatt, damit die Methode gefestigt wird und um danach eine Klausur mit neuen Aufgaben und ohne Lösungsblatt, aber mit gleicher Methode zu lösen. – Das unterscheidet tatsächliches Lernen von Auswendiglernen. Ein Beispiel für Superviced Learning ist die optische Unterscheidung von zwei Blumenarten, beispielsweise Bilder von Sonnenblumen und Tulpen. Man gibt dem Machine Learning-Algorithmus dafür einen strukturierten Datensatz mit den Beschriftungen: „das ist eine Sonnenblume“, „das ist eine Tulpe“. Nun wendet die Künstliche Intelligenz einen Anfangsalgorithmus an und „verinnerlicht“ die Unterscheidungsfaktoren zwischen Tulpen und Sonnenblumen. Diese Unterscheidungsmerkmaldefinition wendet die KI im nächsten Schritt bei neuen, unstrukturierten Daten an. Falls die KI bei diesen unstrukturierten Daten Fehler macht (Eine Sonnenblume als Tulpe klassifiziert), wird sie vom Menschen darauf hingewiesen und sie verbessert sich. Der Mensch verhält sich beim Superviced Learning also wie ein Lehrender und hilft der KI dabei, besser zu werden. Das Ziel des konstanten Weiterentwickelns ist es, die fehlerhaften Klassifizierungen auf ein Minimum zu senken und so die Genauigkeit der KI immer besser werden zu lassen. Der Nachteil von Superviced Learning ist auch ersichtlich, es benötigt immer einen Menschen, der die KI korrigiert und sie dadurch weiterentwickelt. Andere Lernmethoden, wie Unsuperviced Learning oder Reinforcement Learning, eliminieren den Menschen als TrainerIn – das ermöglicht es der KI, sich autonom weiterzuentwickeln. Mit allen Vor- und Nachteilen, die diese Methode mit sich bringt.

Beispiele für Superviced Learning:

Das überwachte Lernen aus Daten befähigt beispielweise einen Algorithmus dazu, Spam aus dem E-Mail-Postfach zu filtern. Hier wird mit Superviced Learning der KI erklärt, worauf sie bei ankommenden Mails achten soll und klassifiziert sie entsprechend.

Andere Beispiele sind im Bereich der Computer Vision: Das Erkennen von Mustern auf Bildern, etwa Tumorzellen auf Röntgenbildern, das Wiedererkennen von Menschen auf einem Foto bei z.B. Facebook, um nur einige zu nennen.