Seite auswählen

Die Begriffe Machine Learning, Künstliche Intelligenz und Deep Learning hat sicherlich jeder schon einmal gehört. Doch was bedeutet eigentlich Machine Learning? Wir haben uns mit dem wichtigen Entwicklungs- und Forschungsfeld der Zukunft etwas näher beschäftigt.

Machine Learning: Definition

Machine Learning gehört zum Teilbereich der Künstlichen Intelligenz und ist eine Form der angewandten Mathematik und Informatik. Es befasst sich mit der automatisierten Entwicklung von Algorithmen, basierend auf Trainingsdaten. Diese Algorithmen erkennen und erlernen aus verschiedenen Daten eigenständig neue Zusammenhänge. Ziel ist es, diese Muster und Genauigkeiten auch auf neue Daten anzuwenden und so Ergebnisse zu optimieren und Vorhersagen besser treffen zu können. In Zeiten riesiger Informations- und Datenfluten sind diese Systeme unersetzlich geworden, da sie uns helfen, aus Big Data Smart Data zu generieren.

Machine Learning: Funktionsweise

Algorithmen sind wesentlicher Bestandteil von maschinellem Lernen. Doch was ist ein Algorithmus? In einem Algorithmus wird eindeutig beschrieben welche Schritte nacheinander durchgeführt werden. Der Computer versteht diese Schritte und führt sie entsprechend dem Algorithmus aus. Beim Machine Learning wird ein Algorithmus eingesetzt, der konkrete Muster in vorhandenen Daten erkennt und diese in Parametern abspeichert. Ähnlich wie beim Menschen, lernt der Computer dabei selbstständig aus Erfahrungen und generiert dadurch neues Wissen.

Grundlage des Machine Learnings sind Daten, mit denen der Computer gefüttert und anschließend trainiert wird. Denn das Lernen der Künstlichen Intelligenz ist gleichzusetzen mit den Lernschritten des Menschen. Wir lernen aus Erfahrungen und wenden diese dann für unser zukünftiges Vorgehen und Entscheidungen an. Das System erhält während des Lernprozesses immer wieder Rückmeldungen in Form von Anpassungen vom Programmierer, diese nutzt der Algorithmus, um das Modell stetig zu optimieren.

Grundsätzlich wird Machine Learning in drei verschiedene Arten unterteilt:

  • Supervised Learning (Überwachtes Lernen)
  • Unsupervised Learning (Unüberwachtes Lernen)
  • Reinforcement Learning (Bestärkendes Lernen)

Das überwachte Lernen ist die wohl einfachste Art des maschinellen Lernens. Bei dieser Form sind dem Algorithmus bereits Daten und das daraus entstehende Resultat bekannt. Oft werden diese Daten auch als Trainings- und Testdatenset bezeichnet. Anhand dieser Beispiele lernt der Algorithmus die dahinterliegende Logik kennen. Anschließend ist der Algorithmus in der Lage, Daten, welche eine bestimmte Ähnlichkeit zum Trainingsset aufweisen, entsprechen der gelernten Logik zu klassifizieren.

Beim unüberwachten Lernen hingegen sind keine Zielgrößen und Strukturen von Daten vorgegeben. Ziel des unüberwachten Lernens ist es, diese Strukturen eigenständig zu erkennen und so die relevanten Informationen von Daten herauszufiltern. Diese Art des Machine Learnings ist die schwierigste.

Die dritte und aktuell immer wichtiger werdende Art des Machine Learning ist das Reinforcement Learning. Dabei lernt der Algorithmus durch Bestrafung oder Belohnung. Dabei wird das System so entwickelt, dass es bei erfolgreichem Verhalten belohnt wird, wenn es bspw. ein Ziel erreicht. Bei einem Verhalten, welches zu einem unerwünschten Zustand führt, wird das System unterdrückt bzw. bestraft. In diesem Fall müsste der Algorithmus von vorn beginnen. Das System lernt also basierend auf dem Feedback seiner Umgebung. Diese Form ähnelt dem menschlichen Lernen.

Machine Learning: Ziel und Einsatzbereiche

Auch im Alltag begegnet uns bereits Machine Learning – wenn auch unbewusst. Spracherkennungen von Smartphones, Filmempfehlungen auf Netflix oder auch die Gesichtserkennung bei Facebook basieren auf bestimmten Algorithmen. Ziel des Machine Learning ist die Unterstützung des Menschen, um noch effektiver arbeiten und noch komfortabler agieren zu können.  Besonders im Technologie- und Industriebereich ist Machine Learning ein starker Innovationstreiber. Da die Algorithmen in der Lage sind, komplexe Aufgaben zu übernehmen, werden sie oft beim Monitoring von Prozessen eingesetzt. D. h. sie können einzelne Prozessschritte kontrollieren und eventuelle Schäden erkennen (Predictive Maintenance). Auch in der Medizin ist Machine Learning im Einsatz und unterstützt z. B. auf dem Gebiet der Krebsforschung erfolgreich die menschlichen Experten.

Auch bei den Smart Relevance Solutions nutzen wir maschinelles Lernen, um aus Big Data relevante Smart Data zu generieren. Nur so ist es möglich, Inhalte mit hoher Qualität automatisiert zu analysieren und die wesentliche Bedeutung zu erkennen.

Machine Learning: Abgrenzung zwischen KI, Semantik und Deep Learning

Befassen wir uns mit Machine Learning, so kommen in diesem Zusammenhang auch häufig die Begriffe Künstliche Intelligenz (KI oder AI (Artificial Intelligence)) und Semantik vor. Doch wie unterscheiden sich all diese Begriffe?

Wie bereits erwähnt, ist Machine Learning ein Teilbereich der Künstlichen Intelligenz.  D. h. Künstliche Intelligenz wird heutzutage als Sammelbegriff verwendet, um sämtliche Intelligenzlösungen als Großes Ganzes abzubilden.

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. Semantik erkennt 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 identifizieren. Ähnlich wie beim Machine Learning werden Eigenschaften eines Objektes nach entsprechenden Mustern zugeordnet. Im Gegensatz zum Machine Learning können hier jedoch keine Vorhersagen getroffen werden. Die Semantik arbeitet statisch und verfolgt keinen Lernprozess.

Deep Learning hingegen zählt als Teilbereich des Machine Learnings, wird oft auch als dessen Weiterentwicklung bezeichnet. Voraussetzung für erfolgreiches Deep Learning sind große Datenmengen und – auf technischer Seite – so genannte 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 den Entscheidungsprozess 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, selbständig Entscheidungen zu treffen.

Franziska Reck

Tausendsassa Franzi verteilt ihre Aktivitäten auf Vertrieb, Marketing und Projekte, besucht für uns wichtige Veranstaltungen und kann so ganz unterschiedliche Bereiche in ihren Beiträgen beleuchten.

mehr erfahren ...