Grafik von Aron Visuals – https://unsplash.com/@aronvisuals

Machine Learning - Viel Wirbel, aber um was genau?

Machine Learning nimmt einen immer wichtigeren Teil in unserem Leben ein. In diesem Post soll erklärt werden, warum es ein zukünftig relevantes Konzept darstellt.

Henrik Bartsch

Henrik Bartsch

Einordnung

Seit einigen Jahren spielt der Begriff Künstliche Intelligenz eine immer größere Rolle in der Berichterstattung, sozialen Medien und dem alltäglichen Leben. Intelligente Systeme im Transportwesen, im Gesundheitswesen, in der Finanzwelt sind bereits Alltag. 1 Statistiken zeigen, dass der Markt hinter künstlicher Intelligenz auch weiterhin steigen wird, wodurch das Thema wahrscheinlich größeren Einfluss auf das alltägliche Leben in den nächsten Jahren haben wird. 2 3 Ein Begriff, welcher dabei immer wieder fällt, ist Machine Learning. Doch worum handelt es sich eigentlich dabei?

Definition von Machine Learning

Bei Machine Learning handelt es sich ein Teilgebiet der künstlichen Intelligenz. Es ist das dominierende Teilthema der künstlichen Intelligenz, welches auf einer mathematisch-statistischen Basis und sich bereits als erfolgreiches Konzept bewiesen hat. 45

In Bezug auf die künstliche Intelligenz gibt es zum Machine Learning keine sinnvollen Abgrenzungen; häufig werden beide Begriffe Synonym verwendet.

Kommentar des Autors: Aus meinen Recherchen heraus soll “künstliche Intelligenz” versuchen, alle Eigenschaften des Menschen gleichzeitig abzubilden. Dies ist eine Eigenschaft, welche ich bei heutigen “Machine Learning”-Modellen noch nicht sehe - dort sehen wir eher Modelle, welche sehr gut - teilweise sogar besser als ein Mensch - in einem bestimmten abgegrenzten Teilgebiet sind (auch als schwache KI bezeichnet).

Machine Learning hat sich als starkes Werkzeug in vielen Bereichen gezeigt, da eine der Stärken hiervon ist, die Eigenschaft selbstständig aus Daten und Erfahrung repetitive Strukturen, Gesetzmäßigkeiten und Beziehungen zu finden - ohne explizit diese Beziehungen einprogrammiert zu bekommen. Solche Algorithmen sind anschließend in der Lage, Daten zu klassifizieren, Ergebnisse vorherzusagen oder informierte Entscheidungen zu treffen. 67

Machine Learning kann in seiner Konzeptionierung in jeweils vier unterschiedliche Ansätze unterteilt werden: 5 6

  1. Supervised Learning: Lernen einer Zuordnung von Eingangsdaten anhand von bekannten Ausgangsdaten,
  2. Unsupervised Learning: Lernen einer Zuordnung von Eingangsdaten anhand von unbekannten Ausgangsdaten,
  3. Semi-Supervised Learning: Lernen einer Zuordnung von Eingangsdaten anhand von teilweise bekannten und unbekannten Ausgangsdaten,
  4. Reinforcement Learning: Prozessoptimierung und Systemsteuerung.

Diese verschiedenen Unterteilungen besitzen viele unterschiedliche Ansätze, welche mit unterschiedlichen Vor- und Nachteilen mit sich kommen. Häufig sind Ähnlichkeiten erkennbar.

Deep Learning

Während häufig von Machine Learning gesprochen wird, fällt manchmal auch der Begriff Deep Learning, in Teilen auch als Synonym. Allerdings gibt es hier ein paar feine Unterschiede, welche wichtig bei den Begrifflichkeiten sind. Während Machine Learning grundsätzlich jegliche Algorithmik zum Lernen aus Erfahrung oder Daten umfasst, umfasst das Deep Learning lediglich Algorithmik, welche sich auf künstliche neuronale Netze bezieht oder verwendet. Solche Systeme basieren darauf, eine Repräsentation des (menschlichen) Gehirns zu abstrahieren und entsprechende Optimierungen durchzuführen, damit Aufgaben geeignet gelöst werden können.

Deep Learning unterscheidet sich auch weiterhin von vielen anderen “Machine Learning”-Algorithmen durch die größere Flexibilität in Bezug auf die Daten; häufig sind künstliche neuronale Netze besser in der Lage selbstständig verschiedenste Eigenschaften aus den Daten zu generieren. Hierdurch fällt Arbeit im Sinne von Vorverarbeitung durch den Menschen weg. 8 6

Funktionsfelder von Machine Learning

Es gibt beim Machine Learning drei verschiedene Anwendungsfelder, in welche die Nutzung eingeteilt werden kann: 9

  1. Descriptive Analytics: Aus historischen Daten wird versucht zu erklären, was in der Vergangenheit passiert ist.
  2. Predictive Analytics: Aus historischen Daten wird versucht, zu erklären, was in der Zukunft passieren wird.
  3. Prescriptive Analytics: Aus historischen Daten wird versucht zukünftige Aktionen zu generieren, welche optimalerweise verwendet werden sollten.

Der Begriff historische Daten beschreibt Daten, welche in der Vergangenheit generiert und gespeichert wurden.

Diese breite Palette an Anwendungsfeldern ermöglicht es Machine Learning, in vielen Bereichen des aktuellen Lebens Verbesserungen zu bringen oder Prozesse zu optimieren.

Anwendungsfelder

Zusätzlich zu den anfänglich genannten Anwendungsfeldern finden sich noch einige weitere Anwendungsfelder: 8 7

  1. Spracherkennung
  2. Automatisierung von Kundenservice
  3. Naturschutz, beispielsweise beim Schutz bedrohter Tierarten
  4. Sprachfilter, beispielsweise Echtzeit-Filter für toxische Kommunikation

Für viele weitere Beispiele, siehe hier.

Quellen

Footnotes

  1. educba.com

  2. statista.com

  3. ourworldindata.com

  4. wikipedia.org

  5. wikipedia.org 2

  6. sap.com 2 3

  7. microsoft.com 2

  8. ibm.com 2

  9. mitsloan.mit.edu