Das ist es:
Unsuperviced Learning (dt. unüberwachtes Lernen) gehört zu einer der drei Machine Learning-Lernmethoden (Supervised Learning, Unsupervised Learning und Reinforcement Learning).
Sie ermöglicht es einer Künstlichen Intelligenz, eigenständig Muster in Daten zu finden und die dazu passenden Parameter selbst zu definieren – Im Vergleich dazu müssen beim Superviced Learning die Parameter (Größe, Farbe, Gewicht, …) vorgegeben werden, damit die KI die gegebenen Daten auswerten kann. Da es bei komplexen Zusammenhängen viele Parameter gibt, stößt überwachtes Lernen in vielen Fällen an seine Grenze. Beim Unsuperviced Learning hingegen entscheidet die KI eigenständig, welche Parameter für sie wichtig sind, um Unterscheidungen treffen kann. Es kann also beispielweise sein, dass ein Mensch, der beim Supervised Learning unterstützt, die Größe von Objekten zur Unterscheidung berücksichtigen würde – aber eine KI ohne Supervision die Form der Objekte als aussagekräftiger wahrnimmt und diesen Parameter nun in den Algorithmus eigenständig einbaut. Ggf. ist tatsächlich die Form aussagekräftiger als die Größe. Im Unsupervised Learning kann dieses Ergebnis genutzt werden. Im Supervised Learning evtl. nicht oder später. Die Künstliche Intelligenz schreibt und optimiert den eigenen Algorithmus im Unsupervised Learning also weitestgehend selbst und kommt zu anderen (evtl. besseren) Ergebnissen als beim Supervised Learning – die Ergebnisfindung dauert aber evtl. auch länger.
So funktioniert es:
Die Lernmethode „Unsuperviced Learning“ stützt sich auf das Analysieren von Daten und die daraus folgende Mustererkennung. Eine KI bekommt beispielsweiße unstrukturiertes Daten mit Bildern von verschiedenen Blumen. Nun erkennt sie Gemeinsamkeiten und Unterschiede zwischen den Blumen und kann sie in verschieden Cluster einordnen (nach z.B. Farbe, Form, Größe, etc.) diese Einordnung wird als „Unsuperviced Clustering“ bezeichnet. Die KI erstellt zur Unterscheidung dann eigene messbare Parameter, wie die Blütenform, die sie in ihren Algorithmus einbaut („wenn Blütenform = X dann Blume Y“). Dabei geht sie in zwei Lernschritten. Schritt eins ist die Vorhersage der KI auf Basis der ersten Daten, es gäbe drei Blumenarten. Der zweite Schritt bezeichnet den tatsächlichen Lernprozess, die KI aktualisiert ihre „Weltanschauung“ basierend auf neuen Beobachtungen mittels neuer Daten. Sie findet z.B. neue Cluster vermutet nun, dass es zehn Blumentypen gibt. Danach findet sie weitere Cluster und unterteilt Blumen nun in 21, 34, … Arten.
Beispiele für Unsuperviced Learning:
Unsuperviced Learning findet beispielweise in der Analyse von Prozessen Anwendung. Eine KI, die mit der unüberwachten Lernmethode trainiert wurde, kann z.B. Zusammenhänge bei Käufen erkennen, die Menschen entgehen würden. Daher nutzt man Unsuperviced Learning im Online Sales-Bereich, um potentielle oder bestehende KundInnen zu clustern und so ihr Verhalten anhand von ähnlichen KundInnen und deren Aktionen zu prognostizieren oder mit passenden Angeboten zum Kauf zu überzeugen.
Unsuperviced Learning in der Zukunft:
Unsuperviced Learning ist gehört im Data Science zu einem der wichtigsten und potenzialreichsten Felder. Ihre Forschung und aktive Entwicklung wird daher stark vorangetrieben, so dass Unsuperviced Learning Superviced Learning als Standard in der KI-Entwicklung ablösen wird. Eine Künstliche Intelligenz, die einen Sachverhalt betrachtet und daraus eigene Rückschlüsse ziehen kann, kann und wird in Zukunft in vielen Bereichen eingesetzt werden.
