DER KI KOMPASS (eBook)

Was ist maschinelles Lernen?

Einer der vielversprechendsten Teilbereiche der künstlichen Intelligenz ist das maschinelle Lernen. Dabei handelt es sich um einen Prozess, bei dem Systeme durch Statistiken, Versuch und Irrtum sowie Daten „lernen“ können, um Prozesse zu optimieren und auch viel schneller innovativ zu sein. Das maschinelle Lernen ermöglicht es Computern, menschenähnliche Fähigkeiten zu entwickeln, die es ihnen ermöglichen, verschiedene Herausforderungen der Welt wie Klimawandel, Krebs, HIV/AIDS und andere zu lösen. Inwiefern ermöglicht das maschinelle Lernen also Computersystemen menschenähnliche Fähigkeiten?

Der Prozess des maschinellen Lernens ist automatisiert, und während des gesamten Lernprozesses erfolgt in der Regel eine Feinabstimmung auf der Grundlage der Erfahrungen der Maschinen. Die Maschinen werden mit qualitativ hochwertigen Daten gefüttert, und die Modelle des maschinellen Lernens werden mit verschiedenen Algorithmen entwickelt, die wir uns kurz ansehen werden. Die Art des verwendeten Algorithmus hängt von den verfügbaren Daten und der Art der zu automatisierenden Tätigkeit ab. Eine Frage, die sich an dieser Stelle aufdrängt, ist, wie genau sich das maschinelle Lernen von der herkömmlichen Programmierung unterscheidet.

Die Antwort ist einfach: Wir füttern eine Maschine mit Eingabedaten (und einem gut entwickelten und getesteten Programm), damit sie eine Ausgabe erzeugen kann. Beim maschinellen Lernen ist dies jedoch nicht der Fall, da sowohl die Eingabe- als auch die Ausgabedaten während des Lernprozesses in die Maschine eingespeist werden und die Maschine selbst ein Programm erstellt. Werfen Sie einen Blick auf die folgende Abbildung.

Abbildung 9: Prozess des maschinellen Lernens

Im Allgemeinen sind Computerprogramme oft auf Code angewiesen, um zu erfahren, was sie tun sollen oder welche Informationen sie speichern sollen. Dies wird auch als „explizites Wissen“ bezeichnet, das all jene Informationen umfasst, die leicht aufgezeichnet oder aufgeschrieben werden können, wie Videos, Handbücher oder Lehrbücher. Gegenwärtig eignen sich Computer mit Hilfe des maschinellen Lernens implizites Wissen an – Wissen, das aus dem Kontext und persönlichen Erfahrungen gewonnen wird. Es ist schwierig, diese Art von Wissen von einer Person zur anderen durch verbale Kommunikation oder Text zu übertragen.

Ein hervorragendes Beispiel für implizites Wissen ist die Gesichtserkennung. Haben Sie schon einmal beobachtet, dass es beim Erkennen von Gesichtern nicht immer einfach ist zu erklären, wie oder warum wir sie überhaupt richtig erkennen? Wenn wir eine Person sehen, sind wir auf unsere persönliche Wissensdatenbank angewiesen, um implizit Schlussfolgerungen zu ziehen und eine Person anhand ihres Gesichts zu erkennen. Haben Sie schon einmal versucht, einem Freund oder einem Familienmitglied zu erklären, wie man Fahrrad fährt? Sie werden mir zustimmen, dass es in der Regel einfacher ist, ihnen genau zu zeigen, wie man Fahrrad fährt, als zu versuchen zu erklären, wie man es macht.

Darum geht es auch beim maschinellen Lernen. Computer sind nicht mehr zwingend auf Milliarden von Codezeilen angewiesen, bevor sie Berechnungen durchführen können. Dank des maschinellen Lernens verfügen sie nun über implizites Wissen, das es ihnen ermöglicht, mühelos solche Verbindungen herzustellen, Muster zu erkennen und auch die Dinge, die sie bereits zuvor gelernt haben, für Vorhersagen zu nutzen. Die Nutzung impliziten Wissens durch maschinelles Lernen hat dies zweifellos für praktisch alle Branchen äußerst nützlich gemacht – Behörden, Fintech, Wetter, Gesundheitswesen usw. In Abschnitt II werden wir uns ansehen, wie KI und maschinelles Lernen in verschiedenen Branchen eingesetzt werden.

Deep Learning

Ein Teilbereich des maschinellen Lernens, der ebenfalls zunehmend an Bedeutung gewinnt, ist das Deep Learning. Deep Learning wird aufgrund seiner einzigartigen Fähigkeit, Daten genau zu extrahieren, immer nützlicher. Um aus Rohdaten höherwertige Merkmale festzumachen, nutzt Deep Learning künstliche neuronale Netze (ANN). Mehr über Deep Learning erfahren Sie später in diesem Kapitel.

Gängige Arten des maschinellen Lernens

Abbildung 10: Arten des maschinellen Lernens

Damit das maschinelle Lernen Parameter, Aktionen und Endwerte festlegen kann, sind wie bei allen Systemen mit KI Algorithmen erforderlich. Der Zweck dieser Algorithmen ist es, als Leitfaden für maschinenlernfähige Programme zu dienen, während sie mehrere Möglichkeiten durchgehen und verschiedene Faktoren bewerten. Computer verwenden tatsächlich Hunderte von Algorithmen, die auf verschiedenen Faktoren wie Vielfalt und Datengröße basieren. Ich werde nicht auf alle verfügbaren Algorithmen für maschinelles Lernen eingehen, da dies den Rahmen dieses Buches sprengen würde. Aber ich werde kurz auf die gängigsten Typen eingehen.

Überwachtes Lernen

Diese Art von Algorithmen hilft bei der Erstellung mathematischer Modelle von Daten, die Eingabe- und Ausgabeinformationen enthalten. Ein anderes Wort für Algorithmen des überwachten Lernens ist Trainingsdaten. Der Grund für diese Bezeichnung ist, dass die Programme die Anfangs- und Endergebnisse der Daten kennen. Sie müssen lediglich den effizientesten Weg finden, um das Ergebnis zu erreichen. Damit Programme für maschinelles Lernen die Ergebnisse auf der Grundlage neuer Eingaben vorhersagen können, werden sie ständig mit diesen überwachten Lernalgorithmen versorgt. Zwei Beispiele für überwachte Lernalgorithmen, die beliebter sind als andere, sind Klassifizierungs- und Regressionsalgorithmen.

Eine andere Bezeichnung für die Regressionsanalyse ist lineare Regression. Dieser Algorithmus wird zur Ermittlung und Vorhersage von Beziehungen zwischen Ergebnisvariablen und mindestens einer unabhängigen Variablen verwendet. Er dient auch als Trainingsdaten, um die Fähigkeit von Systemen zur Vorhersage und Prognose zu verbessern.

Die zweithäufigste Art dieser Algorithmen sind Klassifizierungsalgorithmen, deren Zweck es ist, Systeme für die Erkennung von Objekten und deren Einordnung in die richtige Unterkategorie zu trainieren. Ein anschauliches Beispiel ist der Einsatz von maschinellem Lernen bei E-Mail-Filtern zur Automatisierung der eingehenden E-Mail-Flüsse für Spam, Werbung und primäre Posteingänge.

Die Systeme werden in der Regel mit einer Vielzahl von beschlagworteten Daten konfrontiert, z. B. mit Bildern von handgeschriebenen Zahlen, die mit der entsprechenden Zahl versehen sind. Wenn einem System mit überwachtem Lernen genügend Beispiele zur Verfügung gestellt werden, lernt es, die Cluster von Formen und Pixeln zu erkennen, die mit jeder Zahl verbunden sind, und schließlich handschriftliche Beispiele zu identifizieren und sogar zuverlässig zwischen den Zahlen 9 und 4 oder 8 und 6 zu unterscheiden. Es ist wichtig zu wissen, dass das Training dieser Systeme oft große Mengen an beschrifteten Daten erfordert. Einige Systeme müssen unter Umständen mehrere Millionen Beispiele durchlaufen, bevor sie eine Tätigkeit oder Aufgabe endgültig beherrschen.

Algorithmen für unüberwachtes Lernen

Im Gegensatz zur ersten Kategorie des maschinellen Lernens erfordert das unüberwachte Lernen Algorithmen, die Muster in den Daten erkennen, indem sie versuchen, Ähnlichkeiten zu entdecken, die die Daten in Kategorien einteilen. Ein gutes Beispiel für unüberwachtes Lernen ist Airbnb, das Häuser, die zur Vermietung angeboten werden, auf der Grundlage verschiedener Stadtteile in Gruppen zusammenfasst. Ein weiteres Beispiel sind die Google News, die täglich ähnliche Themen kategorisieren. Diese Lernalgorithmen sind nicht darauf ausgelegt, bestimmte Datentypen zu trennen. Stattdessen sind sie darauf ausgelegt, nach Daten zu suchen, die sie auf der Grundlage von Ähnlichkeiten oder auffälligen Unregelmäßigkeiten gruppieren können.

Halbüberwachtes Lernen

Das Aufkommen des halbüberwachten Lernens könnte dazu führen, dass riesige Mengen an beschrifteten Daten, die für das Training von maschinellen Lernsystemen erforderlich sind, an Bedeutung verlieren. Der Name erklärt bereits, was es bedeutet: überwachtes und unbeaufsichtigtes Lernen. Es handelt sich um eine Methode, bei der Systeme auf der Grundlage einer großen Menge ungekennzeichneter Daten und einer kleinen Menge beschrifteter Daten trainiert werden. Ein maschinelles Lernmodell wird teilweise mit den gekennzeichneten Daten trainiert, und das teilweise trainierte Modell wird wiederum zur Kennzeichnung der nicht gekennzeichneten Daten verwendet.

Der gesamte Prozess wird oft als Pseudo-Labeling bezeichnet. Die daraus resultierende Mischung aus pseudo-beschrifteten Daten und beschrifteten Daten wird für das Training des Modells verwendet. In jüngster Zeit wurde die Durchführbarkeit des halbüberwachten Lernens durch Generative Adversarial Networks (GANs) verbessert. Dabei handelt es sich um maschinelle Lernsysteme, die in der Lage sind, völlig neue Daten mit beschrifteten Daten zu erzeugen, die beim Training eines maschinellen Lernmodells helfen. Sobald wir den Punkt erreicht haben, an dem halbüberwachtes Lernen genauso effektiv ist wie überwachtes Lernen, wird der Zugang zu großen, beschlagworteten Datensätzen für das erfolgreiche Training von maschinellen Lernsystemen nicht mehr so wichtig sein wie der Zugang zu großen Mengen an Rechenleistung.

Verstärkendes Lernen

Was diese Art des maschinellen Lernens bedeutet, lässt sich leicht verstehen, wenn man sich vor Augen führt, wie es ist, ein traditionelles Computerspiel zum ersten Mal zu erlernen, vor allem, wenn die Person mit...