Beim sogenannten maschinellen Lernen oder ML handelt es sich um einen Bereich der künstlichen Intelligenz, kurz KI oder englisch AI (für Artificial Intelligence). Durch die Anwendung von Machine-Learning-Algorithmen können IT-Systeme Muster und bestimmte Gesetzmäßigkeiten erkennen, aus denen sich dann Lösungen entwickeln lassen. Voraussetzung dafür sind vorhandene Datensätze, aufgrund derer die KI die Auswertung einordnen kann. Die Erkenntnisse, die auf diese Weise gewonnen werden, könnte man auch als erfahrungsbasiertes Wissen bezeichnen, das künstlich generiert wurde.
Die Ergebnisse lassen sich auf andere Problemstellungen anwenden und/oder für die Analyse von künftigen Daten nutzen. Damit ein eigenständiges Machine-Learning überhaupt möglich wird, muss allerdings der Mensch die notwendigen Daten und Algorithmen zur Verfügung stellen und Regeln für Analyse und Mustererkennung definieren. Treffen Daten ein, die von der KI mit diesen Regeln in Einklang gebracht werden können, sind unterschiedliche Nutzungen möglich.
Anwendungsbereiche für Machine Learning
Durch ML können die Systeme aufgrund der vorhandenen Daten relevante Vorgänge identifizieren und zusammenfassen, die zu den Regeln passen. Auch Vorhersagen über künftige Entwicklungen sind durch Datenanalyse möglich, wodurch sich verschiedene Wahrscheinlichkeiten ergeben. Dies ist beispielsweise für personalisierte Werbung oder auch bei der Entwicklung von Diagnostikmethoden für bestimmte Erkrankungen von Vorteil. Neue Entwicklungen können von der KI eigenständig erkannt und in die Optimierung von Prozessen einbezogen werden. Man unterscheidet zudem zwischen verschiedenen Kategorien des Machine-Learning:
- aktives Lernen
- teilüberwachtes Lernen
- nicht überwachtes Lernen
- überwachtes Lernen
Je nach Anforderungen der jeweiligen Anwendungsbereiche spielt die Entscheidung für eine dieser Kategorien eine wichtige Rolle. So lassen sich beim überwachten Lernen anhand von vordefinierten Beispielen die Informationen sehr präzise zuordnen, während beim nicht überwachten Lernen eigenständige Muster erkannt und interpretiert werden. Dementsprechend stellt das teilüberwachte Lernen eine Mischung aus beiden Varianten dar. Beim aktiven Lernen kann der Algorithmus durch Rückfragen die Wissensbasis vergrößern und eine genauere Einordnung der Informationen vornehmen. Dabei ist jedoch die größte Herausforderung für den Algorithmus, diese Fragen auf die Problemstellung bezogen relevant zu halten.
Typische Anwendungsbereiche für ML:
- Erkennung von Spam-Mails in automatisierten Spam-Filtern
- Spracherkennung und/oder Texterkennung für digitale Assistenzsysteme (z. B. Alexa, Siri, Google)
- Auswertung von Webseiten aufgrund der Relevanz für Suchbegriffe
- Erkennen von Spam-Bots
- Bild- und Gesichtserkennung (z. B. bei der Kontrolle an Flughäfen)
- Ermittlung verdächtiger Aktivitäten beim Einsatz von Kreditkarten
Video zu Machine Learning:
Wo liegt der Unterschied zwischen Machine-Learning, Deep-Learning und normaler Software?
Deep Learning ist ein Teilbereich des Machine Learnings und ist ebenfalls darauf ausgelegt, künstliche Intelligenz zu entwickeln. Allerdings erfordert DL nicht zwangsläufig die Vorbereitung oder das Eingreifen menschlicher Intelligenz. Analyse und Entscheidungsprozesse können von DL-Systemen selbsttätig vorgenommen werden. Indem neue Inhalte mit bereits gewonnenen Erkenntnissen verglichen werden, lernt das System immer weiter dazu.
Normale „dumme“ Software kann hingegen immer nur so intelligent sein, wie der Programmierer und Entwickler bestimmte Analyse- und Entscheidungspfade vorgegeben hat. Alles, was nicht bereits im Code vordefiniert ist, kann eine normale Software nicht selbstständig lernen. Analysen und Entscheidungen sind also vorab über klar definierte Befehle getroffen und lassen kaum Spielraum für Flexibilität zu. Allerdings gibt es auch keine Abweichungen und somit keine Fehlinterpretationen durch die Maschine.
Microsoft umfasst ML und DL gleichermaßen
Der Softwarehersteller Microsoft bietet verschiedene ML-Lösungen an, die auch Deep Learning einbeziehen. Über die Cloud Computing-Plattform Azure vertreibt Microsoft verschiedene Services in diesem Bereich. Dazu zählt neben Azure Machine-Learning (ML as a Service) und Azure Bot Service zur Erstellung und Bereitstellung von intelligenten Bots, auch Azure Databricks, mit dem das automatisierte Maschinenlernen anhand großer Datenmengen möglich ist. Bekannte Programmiersprachen und Lösungen wie Python Learning Machine und Python AI werden in Azure ebenso unterstützt wie die DL Frameworks TensorFlow, PyTorch oder Scikit-Learning.
Hinterlasse einen Kommentar