Künstliche Intelligenz unterstützt uns seit vielen Jahren in Wirtschaft, Forschung und Entwicklung. Maschinelles Lernen gilt als eine der wichtigsten und erfolgreichsten Disziplinen der Künstlichen Intelligenz. Doch was verbirgt sich dahinter?

Definition: Was ist Machine Learning?

Machine Learning (ML) ist ein Teilgebiet der Künstlichen Intelligenz und somit eine Form der angewandten Mathematik und Informatik. Mit Maschinellem Lernen können IT-Systeme aus Daten selbständig Wissen generieren, Algorithmen aufbauen, automatisiert lernen und neue Zusammenhänge erkennen. Ziel ist es, identifizierte Muster auf einem neuen Datensatz anzuwenden und so eine Optimierung der Ergebnisse oder auch bessere Vorhersagen treffen zu können.

Wie funktioniert maschinelles Lernen?

Als Basis für den oben angerissenen Prozess dienen vom Menschen vorgegebene Trainingsdaten und manuell bearbeitete Merkmale, auf welche geachtet werden muss. Gelernt wird also „nur“ die Zuordnung dieser Merkmale. Dazu wird via Algorithmen ein statisches Modell aufgebaut. Dieses erkennt wiederkehrende Muster und speichert diese in Parametern ab. Ähnlich wie wir Menschen, lernt der Computer dabei selbstständig aus Erfahrungen und generiert dabei neues Wissen.

Die drei wichtigsten algorithmischen Ansätze des Machine Learning

  • Supervised Learning (überwachtes Lernen)
  • Unsupervised Learning (unüberwachtes Lernen)
  • Reinforcement Learning (bestärkendes Lernen)

Supervised Learning ist die wohl einfachste Methode des maschinellen Lernens. Bei dieser Form sind dem Algorithmus bereits Daten und das gewünschte Ergebnis bekannt. Oft werden diese Daten auch als Trainings- und Testdatensatz bezeichnet. Anhand dieser Beispiele lernt der Algorithmus die dahinterliegende Logik kennen. Anschließend ist er in der Lage, Daten, welche eine bestimmte Ähnlichkeit zum Trainingsset aufweisen, entsprechend der gelernten Logik zu klassifizieren. Das Lernen findet hier also „überwacht“ statt.

Beim Unsupervised Learning hingegen sind weder Zielgrößen noch Strukturen von Daten vorgegeben. Ziel des nicht überwachten Lernens ist es, Strukturen eigenständig zu erkennen und so die relevanten Informationen innerhalb der Daten herauszufiltern. Diese Art des Machine Learning ist die anspruchsvollste.

Die dritte und aktuell immer wichtiger werdende Art des maschinellen Lernens ist das Reinforcement Learning. Dabei lernt der Algorithmus durch Bestrafung oder Belohnung. Das System wird so aufgesetzt, dass es bei erfolgreichem Verhalten belohnt wird, z. B. wenn es ein Ziel erreicht. Bei einem Verhalten, welches zu einem unerwünschten Zustand führt, wird das System bestraft. In diesem Fall muss der Algorithmus von vorn beginnen. Das System lernt also basierend auf dem Feedback seiner Umgebung. Diese Form ähnelt dem menschlichen Lernen. Ein schönes Beispiel, was (Deep) Reinforcement Learning leisten kann, könnt ihr euch in Form dieses Einpark-Trainings ansehen:

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Wofür braucht man maschinelles Lernen?

In Zeiten riesiger Informations- und Datenfluten sind solche IT-Systeme unersetzlich geworden. Sie helfen Unternehmen, aus Big Data Smart Data zu generieren. Für das menschliche Gehirn unüberschaubare Datenmengen können mithilfe von Künstlicher Intelligenz und maschinellem Lernen ohne unser Zutun analysiert und ausgewertet, oder einfach nur strukturiert und geordnet werden. Auch im Alltag begegnet uns bereits Machine Learning – wenn auch meist unbewusst. Damit ausgestattete Systeme sollen uns effektiveres Arbeiten und noch komfortableres Agieren ermöglichen. Im Technologie- und Industriebereich ist maschinelles Lernen ein starker Innovationstreiber. Da die Algorithmen in der Lage sind, komplexe Aufgaben zu übernehmen, werden sie häufig beim Monitoring von Prozessen eingesetzt. So können sie z. B. einzelne Prozessschritte kontrollieren und potenzielle Probleme oder Schäden frühzeitig identifizieren (Predictive Maintenance). Auch in der Medizin ist Machine Learning im Einsatz und unterstützt Ärzte und Wissenschaftler z. B. erfolgreich in der Krebsforschung.

Die folgende Auflistung weiterer Einsatzbereiche und Softwareanwendungen soll euch ein noch besseres Einschätzen der Bedeutung von Machine Learning Algorithmen ermöglichen:

  • Spracherkennung und digitale Assistenten
  • Filmempfehlungen auf Netflix
  • Buchempfehlungen auf Amazon
  • Gesichtserkennung von Facebook
  • Google Ranking
  • Datenanalyse und Datenmanagement
  • wirksamste Therapien für Patienten finden
  • CRM (Customer Relationship Management) Systeme
  • Bilddaten-Analyse (CT/MRT) für Krankheitsdiagnosen
  • Cyber Security und Datensicherheit – z. B. durch Spamfilter
  • Erkennung von Kreditkartenbetrug
  • Regressionsanalysen
  • personalisierte Werbung
  • Wettervorhersagen

Auch wir RelevanzMacher nutzen maschinelles Lernen, um mit den für unsere Kunden kreierten Inhalten eine optimale Sichtbarkeit bei Google zu generieren. So hilft uns KI z. B. dabei, Millionen von frei verfügbaren Inhalten aus dem Web zu analysieren, auszuwerten und dabei jene Themen zu identifizieren, die eine hohe Relevanz für den Kunden und seine Zielgruppe(n) haben.

Begriffs­abgrenz­ung und Zusammen­hänge: Artificial Intelligence, Künstliche Intelligenz, Semantik, Machine Learning und Deep Learning, neuronale Netze, Predictive Analytics

Befassen wir uns mit Machine Learning, so stolpern wir unweigerlich über diverse Begriffe. Häufig ist unklar, was eigentlich gemeint ist. Wir versuchen, Unterschiede und Zusammenhänge aufzuzeigen.

Künstliche Intelligenz (KI) ist lediglich die deutsche Übersetzung von Artificial Intelligence (AI). Wie bereits erwähnt, ist Machine Learning ein Teilbereich der Künstlichen Intelligenz. Künstliche Intelligenz wird heutzutage als Sammelbegriff verwendet, um sämtliche Intelligenzlösungen bzw. -Anwendungen als großes Ganzes abzubilden. Hierzu zählen z. B. auch Robotik, maschinelles Übersetzen und vieles mehr.

Semantik ist ein Teilgebiet der Linguistik und beschreibt die Beziehung von sprachlichen Zeichen und deren Bedeutung. Zeichen können sowohl Worte oder Wortteile sein, aber auch Symbole und ganze Sätze. In Verbindung mit Disambiguierung erfahren wir z. B., ob sich ein Beitrag über Hummer mit dem Krustentier oder der Automarke beschäftigt. Semantik wird also eingesetzt, um die Bedeutung eines Objektes zu klassifizieren und zu identifizieren. Ähnlich wie beim Machine Learning werden Eigenschaften eines Objektes nach entsprechenden Mustern zugeordnet. Im Gegensatz zum maschinellen Lernen können hier jedoch keine Vorhersagen getroffen werden. Die Semantik arbeitet statisch und verfolgt keinen Lernprozess.

Deep Learning wiederum zählt als Teilbereich des Machine Learnings und wird oft auch als dessen Weiterentwicklung bezeichnet. Voraussetzung für erfolgreiches Deep Learning sind große Datenmengen und – auf technischer Seite – sogenannte neuronale Netze. Ein neuronales Netz ist ein künstliches, abstraktes Modell unseres Gehirns, bestehend aus künstlichen Neuronen. Im Gegensatz zum Machine Learning greift der Mensch beim Deep Learning weder in die Datenanalyse noch in Entscheidungsprozesse ein – er stellt lediglich die nötigen Informationen (Daten) zur Verfügung. Deep Learning entwickelt eigenständig neue Daten-Modelle und kann – komplett ohne manuelle Anpassung – das Erlernte mit neuen Inhalten verknüpfen, daraus Schlussfolgerungen ziehen und z. B. Maschinen damit befähigen, selbstständig Entscheidungen zu treffen.

Für Predictive Analytics wird maschinelles Lernen eingesetzt. Diese Nutzungsart gewinnt dank zunehmender Digitalisierung immer mehr an Bedeutung. Sie soll zukünftige Ereignisse voraussagen und wird in vielen Business-Bereichen eingesetzt, zum Beispiel in der Meteorologie, im Online Advertising (Werbewirkung) oder in Form von Forecasts.

Wie kann man Anwendungen mit Machine Learning Unterstützung entwickeln?

Artificial Intelligence (AI) mit all ihren Teilbereichen und Einsatzmöglichkeiten wird noch über viele Jahre hinweg ein Trend bleiben. Wer sich hier in der Tiefe einarbeiten will, hat eine große Auswahl an Werkzeugen, denn viele Anbieter stellen mittlerweile eigene Cloud Services für maschinelles Lernen bereit. Von IBM mit Watson über Amazon Machine Learning und Microsoft mit Azure ML Studio bis hin zu Google Tensorflow, Apache Spark und einem vielfältigen Angebot an OpenSource-Software: Selbst Entwickler mit wenig Erfahrung im Bereich Machine Learning werden hier befähigt, eigene intelligente Anwendungen zu realisieren.

Friederike Scholz

Unsere Frieda kümmert sich als Head of Product um die Weiterentwicklung und Vernetzung der von uns genutzten Tools. Ihre Expertise bringt sie vor allem in Artikeln zum Online Advertising ein. Außerdem sind Friedas tolle Anekdoten eine Bereicherung für jede Mittagspause.

mehr erfahren ...

Das könnte auch interessant sein...