In diesem Buch geht es zwar um maschinelles Lernen, aber dieser Begriff ist in einem größeren Zusammenhang zu sehen. Da maschinelles Lernen immer beliebter wird, wird auch viel darüber berichtet. In solchen Beiträgen verwenden die Journalisten oft die Begriffe künstliche Intelligenz, maschinelles Lernen und neuronale Netze synonym. Es gibt aber Unterschiede zwischen diesen drei Begriffen.
Künstliche Intelligenz ist der älteste und umfassendste dieser drei Begriffe. Er wurde in der Mitte des 20. Jahrhunderts geprägt und bezieht sich auf alles, wo eine Maschine seine Umgebung beobachtet und entsprechend reagiert. Künstliche Intelligenz steht im Gegensatz zu der natürlichen Intelligenz von Menschen und Tieren. Mit der Zeit hat sich der Aufgabenbereich der künstlichen Intelligenz allerdings verändert. Zum Beispiel war die Zeichenerkennung früher eine große Herausforderung. Mittlerweile ist das jedoch schon zum Standard geworden und wird daher heute nicht mehr zur KI gerechnet. Immer wenn wir neue Anwendungsmöglichkeiten für die KI gefunden haben, integrieren wir sie in das, was für uns „normal“ ist, und erweitern die KI auf das, was dann jeweils gerade neu ist.
Maschinelles Lernen ist eine bestimmte Teilmenge der KI. Wir haben uns in diesem Kapitel bereits mit der Definition von maschinellem Lernen beschäftigt, aber es geht darum, einer Maschine eine Feedback-Schleife zu geben, die es ihr ermöglicht, aus Erfahrungen zu lernen. Den Begriff gibt es seit den 1980er Jahren, aber erst in den letzten 10 bis 15 Jahren hatten wir die Rechen- und Speicherkapazitäten, um wirklich mit der Implementierung von maschinellem Lernen in großem Maßstab zu beginnen.
Neuronale Netze sind eine Teilmenge des maschinellen Lernens, sie sind derzeit der heißeste Trend in der Branche. Ein neuronales Netzwerk besteht aus vielen Neuronen (oder auch „Knoten“), die zusammenarbeiten, um gemeinsam eine Antwort zu finden. Jedes der untersten Neuronen hat eine bestimmte Funktion. Beispielsweise können die untersten Neuronen bei der Bilderkennung bestimmte Farben oder Linien erkennen. Darüber liegende Neuronen können dann die Linien in Formen zusammenfassen, Abstände messen oder die Farbdichte untersuchen. Jedes dieser Neuronen wird am Ende in Bezug auf seine Auswirkungen auf die endgültige Antwort gewichtet. Am Anfang wird das neuronale Netz noch viele Fehler machen, aber im Verlauf zahlreicher Versuche wird das neuronale Netz die Gewichtung aller Neuronen immer wieder anpassen, um besser darin zu werden, die korrekte Antwort zu finden.
Wenn Sie einen Artikel über künstliche Intelligenz, maschinelles Lernen und neuronale Netze lesen, dann verstehen Sie jetzt den Unterschied. Entscheidend dabei ist, dass neuronale Netze nur eine Teilmenge des maschinellen Lernens sind und dieses wiederum nur eine Teilmenge der künstlichen Intelligenz.
Grundlegende Konzepte
Maschinelles Lernen lässt sich für viele Aufgabenstellungen einsetzen. Wann immer es eine große Datenmenge zu analysieren gilt, kann der Einsatz von maschinellem Lernen hilfreich sein, um eine sinnvolle Aussage zu erzielen. Jedes Projekt für maschinelles Lernen ist anders, aber es gibt fünf Kernpunkte, die in jeder Anwendung gleich sind:
1. Die Aufgabenstellung
Maschinelles Lernen ist immer dann sinnvoll, wenn es darum geht, Muster zu erkennen und Verhalten vorherzusagen. Mustererkennung kann von Zeichenerkennung über das Vorhersagen von Wartungsarbeiten gehen, bis hin zur Empfehlung von Produkten, die auf den vorherigen Käufen des Kunden basieren.
Allerdings versteht ein Computer die Daten oder die Aufgabenstellung nicht von selbst. Deshalb muss ein Datenspezialist dem Computer durch entsprechendes Feedback beibringen, wonach er suchen soll. Wenn der Datenspezialist die Aufgabenstellung nicht präzise definiert, wird auch der beste und auf die größte Datenmenge trainierte Algorithmus nicht die gewünschten Ergebnisse bringen.
Natürlich ist maschinelles Lernen noch nicht besonders gut darin, auf einer höheren Ebene sinnbildliche Schlussfolgerungen zu ziehen. Ein Algorithmus könnte zum Beispiel in der Lage sein, ein Körbchen, bunte Eier und eine Wiese zu erkennen, nicht aber, dass es sich um eine Ostereier-Suche handelt – was wiederum die meisten Menschen erkennen würden.
Typischerweise haben Maschinenlernen-Projekte eine eher eng gesteckte Aufgabenstellung, für die es eine Antwort zu finden gilt. Unterschiedliche Aufgabenstellungen erfordern unterschiedliche Vorgehensweisen und möglicherweise auch andere Algorithmen.
2. Die Daten
Maschinelles Lernen ist in dieser Größenordnung erst möglich geworden aufgrund der Datenmengen, die wir in den vergangenen Jahren gesammelt haben. Diese „Big Data“-Revolution hat komplexes Algorithmustraining erst ermöglicht. Daten sind der Kern beim Anpassen jedes Maschinenlernen-Algorithmus, um richtige Antworten zu finden.
Weil die Daten von so zentraler Bedeutung für das maschinelle Lernen sind, wirken sich die Eingaben unmittelbar die Resultate aus. Wenn die Daten schon eine Tendenz oder Voreingenommenheit beinhalten, dann wird auch der Lernalgorithmus voreingenommen sein. Zum Beispiel beinhalten Systeme, die Bewerber beurteilen, Gerichtsurteile vorhersagen oder medizinische Diagnosen unterstützen, maschinelles Lernen. Sie alle haben einen gewissen Grad von kulturellen, geschlechtsspezifischen, ethnischen, bildungsbezogenen oder anderen Verzerrungen in die Datensätze eingebaut, durch die sie trainiert werden.
Вы ознакомились с фрагментом книги.
Для бесплатного чтения открыта только часть текста.
Приобретайте полный текст книги у нашего партнера:
