Was bedeutet Machine Learning und wie funktioniert es?

Unter Machine Learning oder auch Maschinelles Lernen in der Deutschen Übersetzung, wird eines der verschiedenen Anwendungsgebiete der Künstlichen Intelligenz (kurz auch „KI“, oder Englisch „AI“ für „Artificial Intelligence“) verstanden. Künstliche Intelligenz ist ein Wissenschaftsbereich, der in der Lage ist, zu lernen, Wissen zu speichern, zu sortieren, zu ordnen und abzurufen. Ferner muss die Künstliche Intelligenz über Kenntnisse verfügen, wie sie ihr Wissen und das Gelernte zum Einsatz bringen kann.

Machine Learning macht es komplex angelegten Computerprogrammen möglich, von den, von ihnen selbst gemachten Erfahrungen zu lernen und das Gelernte im Weiteren ständig zu verbessern. Allerdings wurden sie dafür nie ausdrücklich programmiert.

Das Maschinelle Lernen ist vollständig auf die Entwicklung von Computerprogrammen fokussiert, die eigenständig auf Daten zugreifen, um diese zu ihrer eigenen Weiterbildung zu nutzen. Die unzähligen, unterschiedlichen Machine Learning Algorithmen werden entweder in verschiedene Lernarten (Supervised, Unsupervised, Semi-Supervised, Reinforcement Machine Learning) oder in ihre diverse Ähnlichkeiten von Form und Funktion (Klassifikation, Regression, Deep Learning, etc.) gruppiert. Aber egal welcher Methode angehörend, Machine Learning Algorithmen bestehen immer aus dem Folgenden: Representation, Evaluation und Optimierung.

Um das Ziel zu erreichen, die eigene Weiterbildung voranzutreiben, gibt es verschiedene Ansätze (Clustering, Layering von künstlichen neuronalen Netzwerken, etc.), immer den angestrebten Zielsätzen und dem Typ und der Anzahl an zu verarbeitenden Daten entsprechend. Das Machine Learning kann vor allem seit dem Aufkommen der Big-Data-Technik einen enormen Boom verzeichnen. Zur geeigneten Anwendung von Machine Learning sollten sehr große Datenmengen verarbeitet werden, Big-Data Systeme sind somit ideale Basis dazu.

Warum animiert man ein Computerprogramm zum selbstständigen Lernen

machine-learning-aiDas fundamentale Ziel eines Machine Learning Algorithmus ist es, über die Trainingstests hinaus zu generalisieren, das heißt neue, nie zuvor gesehene Daten erfolgreich zu interpretieren.

Computerprogramme, die selbstständig lernen, sind dank der Stärke ihrer Datenverarbeitung in der Lage, da auf Übereinstimmungen oder Ungereimtheiten aufmerksam zu machen, wo menschliche Arbeitskraft alleine nicht mehr in der Lage dazu ist. Machine Learning unterstützt menschliches Denken wo immer eine immense Vielzahl von unterschiedlichsten Daten zu berechnen ist, zum Beispiel Problemlösungen bei der Diagnoseerstellung im Gesundheitswesen oder beim Globalen Klimawandel zu finden. Aber auch hinter automatischen Übersetzungsprogrammen wie Siri oder in Amazon Echo Geräten durch Alexa (Amazon Web Service, auch AWS genannt) steckt Machine Learning, wie auch hinter dem selbstfahrenden Auto von Google oder Online-Empfehlungen von Amazon (Amazon Web Service, AWS) oder Netflix.

Dank entsprechender Daten und Regeln ist Machine Learning bestens in der Lage, Prozesse zu optimieren, sich Entwicklungen anzupassen, Vorhersagen auf Basis von Analysedaten zu treffen und Daten zu finden, zu extrahieren und zusammenzufassen.

Jedoch wird nicht zu selten und immer wieder irrtümlich angenommen, dass Machine Learning lediglich zur Erhöhung der Automation dient  und Arbeitsplätze vernichten würde. Bei dieser Argumentation wird völlig vergessen wird, dass diese Computerprogramme jedoch sehr wertvolle Einsichten bezüglich sonst unerkannter Möglichkeiten liefern kann und somit zur Unterstützung von ansonsten unlösbaren Aufgaben herangezogen wird.

Wie funktioniert Machine Learning?

Natürlich benötigt ein Computerprogramm, um selbstständig lernen und Erfahrungen weiter verarbeiten zu können, vom Menschen eingegebene Daten und Algorithmen. Außerdem müssen vom IT Spezialisten Regeln zur Erkennung von Mustern und zur Analyse von eingespeisten Daten erstellt werden. „Machine Learning kann nicht etwas aus nichts machen … aber es kann mehr aus wenig machen.“ Dr. Pedro Domingo, University of Washington.

Der wohl einfachste und populärste Weg, um einen Computer für Machine Learning zu programmieren, ist der, die Programmiersprache Python zu verwenden. Python ist eine interpretiere Sprache, einfach in der Anwendung und ermöglicht rasche Fortschritte in der Programmentwicklungen.

Unterschiedliche Arten des Machine Learning

Wie schon in der Einführung angesprochen gibt es im Machine Learning unterschiedliche Gruppen von Lernarten.

Supervised Machine Learning

Die Algorithmen werden mit Hilfe von gekennzeichneten Beispielen trainiert, das heißt, dass Methoden definiert und spezifiziert werden, die dem System die richtigen Antworten mitteilen.

Unsupervised Machine Learning

Die Modellgruppen werden automatisiert und der Algorithmus ist in der Lage, die richtigen Antworten selbst heraus zu finden.

Semi-Supervised Machine Learning

„Semi-Supervised“ ist eine Kombination von Supervised und Unsupervised Machine Learning.

Reinforcement Machine Learning

Diese Methode des Machine Learning ist am besten mit menschlichem Lernverhalten zu vergleichen und basiert auf Belohnung und Bestrafung. Dem Algorithmus wird mitgeteilt, wie er auf gewisse Situation zu reagieren hat.

Was ist „Deep Learning“? Unterschied zu Machine Learning

Nach den unterschiedlichen Gruppierungen des Machine Learnings gibt es auch unterschiedliche Disziplinen, ebenfalls schon in der Einführung erwähnt, wie zum Beispiel das Deep Learning. Das Deep Learning ist also eine Unterkategorie des Maschinellen Lernens und benutzt dazu künstliche neuronale Netzwerke. Der große Unterschied zu den diversen anderen Untergruppen des Machine Learnings ist, dass im Gegensatz zu Algorithmen und mathematischer Logik, Vorbilder aus der Natur, sogenannte biologisch neuronalen Netze eingesetzt werden.

Der große Vorteil des Deep Learnings und auch für seinen Namen verantwortlich, ist die immens profunde Abstraktionsfähigkeit, die dem Computerprogramm beigebracht wird. Dies passiert wiederum über ein Layering, über mehrere Schichten von Netzen, die alleine in der Lage sind gemeinsam spezielle Problemlösungen zu finden. Deep Learning wird da eingesetzt, wo andere Machine Learning Methoden bereits an ihre Grenzen stoßen.