Machine Learning

Was ist der Grundaufbau von Machine Learning?

Machine Learning ist nicht gleich „KI“. Künstliche Intelligenz ist ein übergeordneter Begriff, der sich auf die Fähigkeit von Computern bezieht, Aufgaben auszuführen. Dies ist aber nur durch bestimmte Techniken oder Methoden möglich. Machine Learning ist eine dieser Techniken. Es ermöglicht der KI, durch die Verarbeitung von Daten, Muster zu erkennen, Vorhersagen zu treffen und Entscheidungen zu treffen. Es benötigt jedoch menschliches Training.

Hierzu ein ganz einfaches Beispiel:

Input      ⇒        Model     ⇒       Output

Text in englischer Sprache ⇒ Ein Sprachübersetzungsmodell ⇒ Übersetzter Text in die gewünschte Zielsprache

In diesem Beispiel ist der Input ein Text in englischer Sprache. Das Modell ist ein Sprachübersetzungsmodell, das darauf trainiert wurde, Texte von einer Sprache in eine andere zu übersetzen. Das Output des Modells wäre der übersetzte Text in der gewünschten Zielsprache, beispielsweise Deutsch, Französisch oder Spanisch.

Beim maschinellen Lernen konstruieren Algorithmen, statistische Modelle, die auf Trainingsdaten basieren und anschließend mit Testdaten überprüft werden. Dabei geht es nicht darum, die Beispiele einfach auswendig zu lernen (was als Überanpassung bekannt ist), sondern darum, Muster und Gesetzmäßigkeiten in den Lernprozessen zu erkennen. Hierzu wird in verschiedene Algorithmen eingeteilt

Supervised Learning = überwachtes Lernen

Vorhersagen und Prognosen für unbekannte Daten = Klassifikation oder Regression

Für Kategorien hat der Algorithmus das Ziel, bestimmte Merkmale und Muster zu erkennen und auf Gemeinsamkeiten abzugleichen, dies kann er dann in bestimmte Kategorien einordnen wie z.B. PKW oder LKW. Bei der Regression versucht der Algorithmus, die Zusammenhänge zwischen abhängigen und unabhängigen Variablen zu erkennen und bezieht sich dabei auf kontinuierliche Daten. Dies wird dann vorrangig für Prognosen verwendet, wie zum Beispiel der Preisentwicklung einer Immobilie.

Unsupervised Learning = unüberwachtes Lernen

Erkennt interessante, versteckte Muster in Daten = Clustering

Hier gibt es keine vorab definierten Kategorien oder Beschreibungen, das heißt hier erstellt die Maschine selbstständig Muster und Zusammenhänge aus Daten. Die Daten werden aus bestehenden Ähnlichkeiten in Form, Farbe etc. geclustert. Wofür kann man dies nun nutzen? Stellen Sie sich ein Medizinunternehmen vor, die ein Modell entwickeln möchten, dass Krankheiten anhand von medizinischen Bildern diagnostizieren kann. Mit unsupervised Learning könnte das Modell selbstständig Muster und Eigenschaften in den Bildern erkennen und Krankheiten gruppieren, ohne vorherige Kenntnisse darüber, welche Muster auf welche Krankheiten hinweisen.

Reinforcement Learning = Verstärkendes Lernen

Algorithmen interagieren hier mit der Umgebung und lernen durch ein Belohnungssystem = Prognose

Die Maschine entwickelt ohne Daten oder Hilfe eine Strategie gekoppelt an ein Belohnungssystem. Das Ziel ist; eine intelligente Lösung für komplexe Probleme – als Beispiel, ein Unternehmen das selbstfahrende Autos herstellt, möchte diese nun dazu befähigen in komplexen Verkehrssituationen sicher zu handeln. Dann könnten sie ein virtuelles Umfeld erschaffen indem die Fahrzeuge agieren und kontinuierlich durch Ausprobieren und Feedback, verschiedene Verkehrsszenarien durchspielen um dann sicher und effizient zu reagieren. Positive Aktionen werden verstärkt, negative minimiert, wodurch das Modell im Laufe der Zeit seine Fähigkeiten verbessert und in realen Verkehrssituationen optimal reagieren kann.

Häufig wird maschinelles Lernen in der Datenwissenschaft und -analyse eingesetzt. Es erlaubt die Schaffung, Evaluierung und Anwendung von prädiktiven Analysealgorithmen auf vielfältige Datensätze, um zukünftige Ereignisse vorherzusagen. Im beruflichen Umfeld kann vieles dadurch erleichtert und verbesserst werden beispielsweise durch personalisierte Werbung, gezielte Marketingstrategien aber auch in unseren Privatleben, nutzen wir häufig KI die auf maschinelles Lernen aufgebaut ist. Serien-und Filmempfehlungen bei Netflix, Sprachassistenten wie Siri oder Alexa oder einen Mähroboter.

Die Zukunft wird sich gerade in produzierenden Gewerben noch mehr auf diese Methoden fokussieren. Man kann effizienter planen und Ressourcen Energie- und Umweltentlastender einsetzen. Und auch beim Thema Fachkräftemangel ist der Einsatz von ML / KI kaum mehr wegzudenken. Viele Unternehmen versuchen das Wissen und Know-How ihrer teils kurz vor der Rente stehenden Mitarbeiter*innen auf Maschinen zu übertragen, da sich kein Nachwuchs mehr findet. Bedeutende große Unternehmen investieren schon lange, beträchtliche Ressourcen und Kosten in die Einführung und Entwicklung des maschinellen Lernens.