Maschinelles lernen

Was ist das?

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz (KI), das Softwareanwendungen befähigt, die Genauigkeit von Ergebnisvorhersagen zu verbessern, selbst wenn sie nicht explizit für diesen Zweck entwickelt wurden. ML umfasst die Entwicklung und Anwendung von Algorithmen, die Muster aus historischen Daten lernen und so dazu dienen, Vorhersagen für neue Daten zu treffen.

Arten von ML

Zu den grundlegenden Arten des maschinellen Lernens gehören folgende:

• Überwachtes Lernen (Die KI erhält gekennzeichnete Trainingsdaten und bewertet definierte Variablen auf Korrelationen)
• Unüberwachtes Lernen (Durchsuchen unbeschrifteter Daten und Suchen nach aussagekräftigen Zusammenhängen)
• Semi-supervised (Algorithmen untersuchen wenige gelabelte Daten und viele ungelabelte Daten)
• Verstärkung (die Maschine lernt, einen mehrstufigen Prozess anhand vorgegebener Regeln abzuschließen)

Wie funktioniert es?

Beim überwachten maschinellen Lernen müssen Algorithmen mithilfe von gelabelten Eingaben und gewünschten Ausgaben trainiert werden. Zu den Aufgaben gehören das Aufteilen von Daten in zwei Kategorien (binäre Klassifizierung), das Auswählen zwischen mehr als zwei Antwortmöglichkeiten (Mehrklassenklassifizierung), das Vorhersagen kontinuierlicher Werte (Regressionsmodellierung) und das Kombinieren von Vorhersagen mehrerer ML-Modelle zu einer präzisen Vorhersage (Ensemble-Verfahren).

Unüberwachte Algorithmen kommen beispielsweise in den meisten Deep-Learning-Verfahren zum Einsatz, die künstliche neuronale Netze nutzen, welche das menschliche Gehirn simulieren. Diese Art des maschinellen Lernens konzentriert sich auf Aufgaben wie die Aufteilung des Datensatzes in ähnlichkeitbasierte Gruppen (Clustering), die Erkennung ungewöhnlicher Datenpunkte im Datensatz (Anomalieerkennung), das Erkennen häufig gemeinsam auftretender Elemente (Assoziationsanalyse) und die Reduzierung der Variablenanzahl (Dimensionsreduktion).

Gleichzeitig erfordert semi-überwachtes Lernen einen Algorithmus, der Dimensionen aus einer kleinen Menge gelabelter Daten lernt und diese auf ungelabelte Daten anwendet. Algorithmen werden trainiert, maschinelle Übersetzung, Betrugserkennung und Datenlabeling durchzuführen, d. h. große Datensätze nach dem Training mit kleinen Datensätzen zu labeln.

Schließlich geht es beim Reinforcement Learning darum, Algorithmen für ein vorgegebenes Ziel zu trainieren. Künstliche Intelligenz lernt dabei, positive Belohnungen anzustreben und Bestrafungen zu vermeiden. Diese Art des maschinellen Lernens findet Anwendung in der Robotik, bei Videospielen und im Ressourcenmanagement.

Wo wird es verwendet?

Typische Anwendungsgebiete von maschinellem Lernen sind Empfehlungssysteme (z. B. das System, das den Facebook-Feed antreibt), Software für das Kundenbeziehungsmanagement, Business Intelligence und Analytik, Personalinformationssysteme, selbstfahrende Fahrzeuge und virtuelle Assistenten.

Anwendungsbeispiel

Maschinelles Lernen hilft Facebook beispielsweise dabei, die Feed-Auslieferung für jeden Nutzer individuell anzupassen. Wenn ein Nutzer bestimmte Beiträge aus einer bestimmten Gruppe in diesem sozialen Netzwerk bevorzugt, werden die Beiträge dieser Gruppe und ihre sonstigen Aktivitäten im Feed weiter oben angezeigt.

Challenges

Erstens verursachen Projekte im Bereich des maschinellen Lernens hohe Kosten für die Arbeit von Datenwissenschaftlern und die entsprechende Infrastruktur. Die zweite Herausforderung besteht in der Verzerrung durch maschinelles Lernen, beispielsweise durch das Training mit Datensätzen, die bestimmte Bevölkerungsgruppen ausschließen und so ein ungenaues oder gar diskriminierendes Weltbild erzeugen.