KI – Mathematik oder Biologie? Die Rede ist in diesem Fall von einem Teilgebiet der KI, dem maschinellen Lernen.
Durch den rasanten Fortschritt der (bezahlbaren) Rechnerleistung war es nur konsequent, Aufgaben, die mit Entscheidungsbäumen, Netztheoremen, Nächster-Nachbar-Klassifikationen und ähnlich „normalen“ statistischen Methoden mathematischer Logik zu lösen sind, maschinell und automatisiert zu bearbeiten. Weil superschnell und automatisiert eben besser ist als „menschlich machbar“ fand ML (Machine Learning) seinen festen Platz im Spektrum der künstlichen Intelligenz.
Wichtig für die begriffliche Definition ist, dass das System selbstständig aus den Daten lernt, ohne expliziert dafür programmiert worden zu sein. Dabei funktioniert es immer nach dem gleichen Prinzip:
- die Zuführung von Daten mit bekannten Zusammenhängen oder definierten Mustern und
- die Fähigkeit Strukturen zu extrahieren – also das „Lernen“ von Strukturen – um sie später auf unbekannte Zusammenhänge anzuwenden.
Maschinelles Lernen betrifft inzwischen nahezu alle Branchen – von der Wettervorhersage über Kaufverhalten auf Online-Plattformen bis zum Aufspüren von Malware in der IT-Sicherheit. Machine Learning unterstützt so Geschäftsprozesse, um Entscheidungen genauer treffen zu können.
ML erfordert komplexe Programmierung und exzellente Kenntnisse ebenso komplexer Mathematik. Dazu werden Algorithmen verwendet, die die zu verarbeitenden Daten analysieren und mittels Mustererkennung bestmöglich in hierarchische Strukturen bringen, um zu den gewünschten Ergebnissen zu kommen. Damit ist auch klar, dass das klassische ML dann an seine Grenzen stößt, sobald die Daten aus eher unstrukturierten Informationen bestehen, wie es zum Beispiel bei Tönen, Bildern oder auch schon Texten der Fall ist.
Hier ist gegebenenfalls wieder menschliches Feature Engineering erforderlich – oder aber Deep Learning (DL).
Streng genommen ist DL kein eigener Bereich, sondern eine Spezialisierung des ML zur Verarbeitung unstrukturierter Daten mittels künstlich neuronaler Netze (KNN) – also eine dem Menschen nachempfundene „bio-logische“ Vorgehensweise. Dabei sucht sich Deep Learning die benötigten Strukturen selbst. Voraussetzung für ein gutes Modell ist eine große Datenmenge, denn Deep-Learning-Verfahren brauchen viele Daten, um eine gute Modellgüte zu erreichen.
Deep Learning sucht sich die Merkmale über seine Schichten und Zwischenneuronen selbst. Die künstlichen neuronalen Netze schicken die Bilddaten durch verschiedene Schichten des Netzes, wobei jedes Netz hierarchisch bestimmte Merkmale von Bildern definiert. Nachdem die Daten in den Schichten verarbeitet wurden, findet das System aus den Bildern die geeigneten Identifikatoren für die Klassifizierung.
Kleiner fun-fact: um eine KI auf das Erkennen von Katzenbildern zu trainieren werden im Schnitt 20.000 (bestätigte) Bilder (Quelle: Digitale Welt Magazin, 27.11.2018) gebraucht. Gleichwohl besteht immer noch das Risiko, sie mit „Katzenähnlichen“ (Tiger, Panther, Luchs…) zu verwechseln. Kleine Kinder benötigen deutlich weniger als 100 Bilder und sind danach mindestens genauso treffsicher.
Fazit (aus einem Beitrag von L. Wuttke, 19.04.2024)
„Machine Learning bezeichnet eine Form von Algorithmus, der selbstständig Muster in Daten erkennen kann. Entscheidend ist die Aufbereitung und Strukturierung der Daten, denn maschinelles Lernen setzt eine definierte Zielgerade voraus. Ist dies nicht der Fall, kann keine sinnvolle Analyse durchgeführt werden, auf der letztlich die Vorhersagen basieren. Machine Learning funktioniert am besten mit kleinen, strukturierten Datenmengen wie Kundeninformationen oder Lagerbeständen.
Deep Learning ist eine Unterart des maschinellen Lernens und zeichnet sich durch selbstständige Datenverarbeitung und Merkmalsextraktion aus. Eine Besonderheit ist der Aufbau und die Funktionsweise der Programme. Nach dem Vorbild des menschlichen Lernverhaltens durchlaufen DL-Systeme viele Iterationen, um Muster in den selbstständig aufbereiteten Daten zu erkennen. Dieses Verfahren funktioniert am besten bei großen Datenmengen und eignet sich für komplexe Aufgaben wie Spracherkennung oder autonomes Fahren.“
Das Thema ist top-aktuell. Wenn Sie mehr Informationen benötigen, rufen Sie uns an, schicken Sie eine Mail oder kommen Sie zu den Veranstaltungen, die wir im Rahmen unseres Blogs rechtzeitig ankündigen werden.