Maschinelles Lernen

Definition Maschinelles Lernen — einfach erklärt

Maschinelles Lernen (ML) oder im Englischen Machine Learning ist ein Teilbereich der künstlichen Intelligenz (KI), bei dem Computer die Fähigkeit entwickeln, aus Daten zu lernen, ohne explizit programmiert zu werden. Stelle es dir wie das Lernen eines Kindes vor: Anfangs kennt es die Welt nicht, aber wenn es genug Beispiele sieht und Erfahrungen sammelt, kann es Muster erkennen und Schlussfolgerungen ziehen. Beim maschinellen Lernen werden Algorithmen verwendet, die diese Muster in den Daten erkennen und darauf basierend Vorhersagen treffen oder Entscheidungen treffen können. Es ist wichtig, dem System große Mengen an Daten bereitzustellen, die als Grundlage für den Lern- und Entscheidungsprozess dienen. Diese umfassenden Datensätze, oft als “Big Data” bezeichnet, sind von zentraler Bedeutung für die Funktionsweise von Machine Learning-Algorithmen. Je mehr Daten verfügbar sind, desto besser kann das System lernen und genauere Vorhersagen treffen oder bessere Entscheidungen treffen.

Algorithmen nehmen beim maschinellen Lernen eine zentrale Rolle ein. Sie ermöglichen das Erkennen von Mustern in großen Datenmengen. Dadurch lassen sich Lösungen generieren. Da beim Machine Learning große Datenmengen vorhanden sein und effizient bearbeitet werden müssen, bilden Big-Data-Systeme die ideale Basis für diese Art des Lernens. Big Data, also das Sammeln von vielen Daten, hat daher dem Maschinellen Lernen einen enormen Schub verliehen.

Alexander Pinker ist Innovation-Profiler, Zukunftsstratege und Medienexperte und hilft Unternehmen, die Chancen hinter Technologien wie künstlicher Intelligenz für die nächsten fünf bis zehn Jahre zu verstehen. Er ist Gründer des Beratungsunternehmens „Alexander Pinker – Innovation-Profiling“, der Agentur für Innovationsmarketing "innovate! communication" und der Nachrichtenplattform „Medialist Innovation“. Außerdem ist er Autor dreier Bücher und Dozent an der Technischen Hochschule Würzburg-Schweinfurt.

Was ist der Unterschied zwischen KI und maschinellem Lernen?

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das sich auf das Erlernen und Verbessern durch Daten konzentriert. KI hingegen ist ein breiteres Feld, das viele verschiedene Ansätze und Technologien umfasst, um Maschinen intelligentes Verhalten zu ermöglichen. Maschinelles Lernen ist also ein Werkzeug oder eine Methode, die verwendet wird, um KI zu verwirklichen.

Was ist der Unterschied zwischen Deep Learning und Machine Learning?

Deep Learning ist eine Teilmenge von Machine Learning und daher technisch gesehen maschinelles Lernen. Beide unterscheiden sich jedoch in ihren Fähigkeiten. Deep Learning ist spezialisiert auf die Verarbeitung unstrukturierter Daten wie Texte, Bilder, Töne und Videos mithilfe tiefer künstlicher neuronaler Netzwerke (KNN). Traditionelles Machine Learning kann ebenfalls unstrukturierte Daten verarbeiten, jedoch weniger effizient. Es erfordert in der Regel ein hohes Maß an manuellem Feature Engineering, was bedeutet, dass menschliche Experten Merkmale aus den Rohdaten extrahieren und diese dann dem Algorithmus zuführen müssen.

Der Unterschied zwischen Deep Learning und klassischem Machine Learning liegt also in der Art und Weise, wie jeder Algorithmus lernt. Deep Learning kann unstrukturierte Daten in ihrer Rohform verarbeiten und automatisch Merkmale erkennen, während klassisches Machine Learning stärker auf menschliches Eingreifen angewiesen ist, um zu lernen und üblicherweise strukturierte Daten erfordert.

Wie funktioniert Maschinelles Lernen und welche Arten gibt es?

Maschinelles Lernen funktioniert, indem ein System mithilfe von Algorithmen aus Daten lernt, Muster erkennt und Vorhersagen trifft. Der Trainingsprozess umfasst mehrere Schritte:

Trainingsdaten: Ein Mensch stellt dem Algorithmus einen vorbereiteten Datensatz zur Verfügung, den sogenannten Trainingsdatensatz.
Analyse und Lernen: Der Algorithmus durchsucht diese Daten nach Mustern und Zusammenhängen.
Modellentwicklung: Nach erfolgreichem Training liegt ein Machine-Learning-Modell vor, das nun unbekannte Daten analysieren und bewerten kann.
Vorhersagen und Entscheidungen: Das trainierte Machine-Learning-Modell wird eingesetzt, um anhand neuer Daten Vorhersagen zu treffen und Entscheidungen zu unterstützen.

Der Prozess ist oft interaktiv und iterativ, da der Mensch die Ergebnisse des Algorithmus bewertet und gegebenenfalls den Trainingsprozess wiederholt, um die Machine-Learning-Modellqualität zu verbessern.

Maschinelles Lernen kann durch verschiedene Arten von Machine Learning Modellen erfolgen. Je nach der Art der Daten und den angestrebten Ergebnissen kann eines von vier Machine Learning Modellen verwendet werden:

in2code GmbH

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen werden dem Computer Beispiele von Eingaben und den gewünschten Ausgaben zur Verfügung gestellt. Der Algorithmus nutzt vorhandene Daten mit bekannten Zielvariablen, um Muster und Zusammenhänge zu erkennen. Aus einem Trainingsdatensatz lernt er, die Eingaben (Inputs) mit den dazugehörigen Ausgaben (Outputs) zu verknüpfen, um diese Muster auf neue, unbekannte Daten anzuwenden und präzise Vorhersagen zu treffen.

Überwachtes Lernen wird in zwei Hauptkategorien unterteilt:

Klassifikation – Der Output ist eine Kategorie, z. B. eine Gruppenzugehörigkeit.
Regression – Der Output ist ein realer Wert, z. B. der Marktwert eines Hauses.

Beispiel für überwachtes Lernen:

Ein Computer lernt, Tiere auf Bildern zu erkennen, indem er Bilder mit Etiketten betrachtet, die angeben, welches Tier auf jedem Bild zu sehen ist. Zum Beispiel könnte ein Bild einer Katze das Etikett "Katze" haben, während ein Bild eines Hundes das Etikett "Hund" hat. Der Computer analysiert diese Bilder und lernt, welche Merkmale (z. B. Gewicht) zu welchem Tier gehören, um später neue Bilder korrekt zu klassifizieren.

in2code GmbH

Unüberwachtes Lernen (Unsupervised Learning)

Unüberwachtes Lernen arbeitet mit Daten, bei denen die Zielvariablen unbekannt sind. Der Algorithmus identifiziert eigenständig Muster und Gruppierungen in den Daten, ohne dass vorher definiert wird, welche Ausgaben zu welchen Eingaben gehören. Er muss die Inputs also selbst anhand von Merkmalen und Mustern analysieren, um daraus Muster und Korrelationen abzuleiten. Typischerweise basiert diese Art des maschinellen Lernens auf unbeschrifteten und unstrukturierten Daten.

Es gibt zwei Hauptarten des unüberwachten Lernens:

Clustering: Hierbei werden Gruppierungen in den Daten identifiziert, wodurch neue Daten den bestehenden Clustern zugeordnet werden können.
Assoziation: Durch das Finden von Regeln in den Daten können große Datenmengen aufgrund von Erfahrung definiert werden.

Beispiel für unüberwachtes Lernen:

Hier betrachtet ein Computer Bilder von Tieren, ohne dass Etiketten vorhanden sind, die anzeigen, um welches Tier es sich handelt. Der Computer sucht nach natürlichen Mustern oder Ähnlichkeiten in den Bildern, um sie automatisch in Gruppen zu unterteilen. Zum Beispiel könnte er feststellen, dass viele Bilder von Tieren mit ähnlichen Farben oder Formen zusammenhängen und diese dann in Gruppen zusammenfassen.

in2code GmbH

Teilüberwachtes Lernen (Semi-supervised Learning)

Teilweise unüberwachtes Lernen kombiniert Elemente des überwachten und unüberwachten Lernens, indem es sowohl Daten mit bekannten Zielvariablen als auch unbeschriftete Daten nutzt. Dies ist besonders nützlich, wenn nur eine kleine Menge an beschrifteten Daten verfügbar ist.

Die beschrifteten Daten dienen als Ausgangspunkt. Der Computer analysiert sie auf mögliche Muster und Zusammenhänge, die dann auch auf die unbeschrifteten Daten angewendet werden können. Durch diese Methode des maschinellen Lernens lässt sich die Lerngeschwindigkeit und Genauigkeit steigern.

Beispiel für teilüberwachtes Lernen:

In diesem Beispiel betrachtet ein Computer sowohl Bilder von Tieren mit Etiketten als auch Bilder ohne Etiketten. Zuerst lernt er von den Bildern mit Etiketten, indem er die Merkmale der Tiere erkennt und klassifiziert. Dann versucht er, diese Erkenntnisse auf die Bilder ohne Etiketten anzuwenden, um sie basierend auf seinem vorherigen Wissen zu klassifizieren. Diese Methode ermöglicht es dem Computer, auch mit unbeschrifteten Daten zu arbeiten und genauere Vorhersagen zu treffen.

in2code GmbH

Verstärkendes Lernen (Reinforcement Learning)

Verstärkendes Lernen oder bestärkendes Lernen ist eine Form des maschinellen Lernens, bei der ein Algorithmus durch Interaktion mit der Umgebung lernt. Der Algorithmus erhält Feedback in Form von Belohnungen oder Strafen, um eine optimale Strategie zu entwickeln. Beim verstärkenden Lernen agiert ein Computerprogramm in einem ständig wechselnden Umfeld. Seine Aufgaben können vielfältig sein, zum Beispiel die Steuerung eines Fahrzeugs. Während es diese Aufgaben löst, erhält das Programm kontinuierlich Rückmeldungen über positive und negative Aktionen. Durch diese Rückmeldungen lernt es, das angemessene Verhalten in der jeweiligen Situation zu erlernen und anzuwenden.

Belohnungen werden beim verstärkenden Lernen in zwei Hauptformen vergeben:

Monte Carlo Methode: Belohnungen werden am Ende eines Durchgangs vergeben.
Temporal-Difference-Learning (TD-Lernen): Belohnungen werden nach jedem Schritt oder jeder Aktion vergeben.

Beispiel für verstärkendes Lernen:

Ein Roboter lernt, wie man Jonglierbälle wirft, indem er Belohnungen für erfolgreiche Würfe erhält und Korrekturen für fehlerhafte Würfe bekommt. Der Roboter experimentiert mit verschiedenen Wurftechniken und passt seine Aktionen basierend auf den Belohnungen oder Korrekturen an, die er erhält. Durch wiederholtes Üben und Lernen aus seinen Erfahrungen verbessert sich der Roboter im Laufe der Zeit und wird immer geschickter im Jonglieren.

Machine Learning Beispiele

Machine Learning hat sich in verschiedenen Branchen als äußerst nützlich erwiesen. Von selbstfahrenden Autos bis hin zu personalisierten Kundenservice-Interaktionen und dynamischer Preisgestaltung hat die Anwendung von Machine Learning in der realen Welt zahlreiche Facetten. Im Folgenden werden einige markante Beispiele für den Einsatz von Machine Learning in verschiedenen Bereichen beleuchtet.

Machine Learning Anwendungsbeispiele in der Praxis

Selbstfahrende Autos: Sie nutzen Kameras, Radar und Lidar-Sensoren, um Daten zu sammeln: GPS für den Standort, Lidar für Objekte in der Nähe und Radar für die Straßenverhältnisse. Ein zentraler Computer analysiert und klassifiziert diese Daten, um Entscheidungen zu treffen, wie Lenken, Bremsen und Beschleunigen.

Kundenservice: Im Kundenservice ersetzen Online-Chatbots zunehmend menschliche Mitarbeiter und verändern die Art und Weise, wie wir mit Unternehmen interagieren. Chatbots beantworten häufig gestellte Fragen (FAQs), bieten personalisierte Beratung oder unterstützen bei Bestellvorgängen.

Empfehlungssysteme: Basierend auf vergangenen Konsumverhalten können KI-Algorithmen effektivere Cross-Selling-Strategien entwickeln und dem Kunden während des Bestellvorgangs relevante Produktempfehlungen anzeigen.

Automatisierter Aktienhandel: KI-gesteuerte Handelsplattformen optimieren Aktienportfolios und führen täglich Tausende von Handelsaktivitäten ohne menschliches Zutun durch.

Betrugserkennung: Finanzinstitute nutzen maschinelles Lernen, um verdächtige Transaktionen zu identifizieren. Überwachtes Lernen trainiert Modelle anhand bekannter betrügerischer Transaktionen, während Anomalieerkennung atypische Transaktionen aufspürt.

Stimmungsanalyse: Diese Technologie befasst sich damit, die Meinungen und Gefühle der Kunden über ein Produkt oder eine Dienstleistung zu verstehen. Intelligente Algorithmen können nicht nur den Text und die gesprochene Sprache analysieren, sondern auch den Kontext berücksichtigen, um beispielsweise Ironie zu erkennen.

Dynamische Preisgestaltung: Unternehmen können ihre Preisdaten zusammen mit anderen relevanten Informationen analysieren, um zu verstehen, wie verschiedene Bedingungen – wie die Tageszeit, das Wetter oder die Jahreszeit – die Nachfrage nach ihren Produkten oder Dienstleistungen beeinflussen. Auf dieser Grundlage können sie ihre Preise dynamisch anpassen, um besser auf die sich ändernden Marktbedingungen zu reagieren.

Gängige Algorithmen für Maschinelles Lernen

Entscheidungsbaum-Algorithmus

Der Entscheidungsbaum ist ein vielseitiger Algorithmus, der in verschiedenen Branchen eingesetzt wird, darunter Einzelhandel und Finanzwesen. Er erstellt einen Baum mit möglichen Ergebnissen und verfolgt jeden Pfad, um potenzielle Auswirkungen zu verstehen. Banken verwenden Entscheidungsbäume beispielsweise, um Investitionsentscheidungen im Immobilienbereich zu treffen, während Pharmaunternehmen sie verwenden, um die Wahrscheinlichkeit von Nebenwirkungen bei Arzneimitteltests zu untersuchen.

Random-Forest-Algorithmus

Der Random-Forest-Algorithmus ist eine Erweiterung des Entscheidungsbaumkonzepts. Er erstellt mehrere Entscheidungsbäume, die zusammenarbeiten, um prädiktive Modelle zu erstellen. Durch die Kombination der Ergebnisse verschiedener Bäume verbessert der Random Forest die Vorhersagegenauigkeit. Zum Beispiel könnte er verwendet werden, um aus einer großen Anzahl von Variablen präzise Vorhersagen zu treffen, wie z.B. bei der Analyse von Marktverhalten.

K-Means-Algorithmus

K-Means ist ein unüberwachter Lernalgorithmus, der dazu dient, Datenpunkte zu clustern, indem er Gruppen von Datenpunkten mit ähnlichen Merkmalen identifiziert, ohne auf vordefinierte Klassen zurückzugreifen. Dieser Algorithmus wird von Unternehmen genutzt, um beispielsweise ihre Kundenbasis zu segmentieren oder Anomalien in ihren Daten zu erkennen. Dadurch können sie fundierte Entscheidungen treffen.

Maschinelles Lernen — Interessante Fakten

1. Historische Entwicklung: Machine Learning ist kein neues Konzept. Schon 1958 entwickelte der Psychologe Frank Rosenblatt das erste künstliche neuronale Netzwerk, das als "Perceptron" bekannt ist. Es diente als Grundlage für die Bilderkennungsmaschine "Mark 1 Perceptron" von 1960, der erste Computer, der KNNs nutzte, um menschliches Denken zu simulieren.

2. AlphaGo: AlphaGo, entwickelt von Google DeepMind, markiert einen bahnbrechenden Meilenstein im Bereich des maschinellen Lernens. Es war das erste Computerprogramm, das es schaffte, den weltbesten Go-Spieler zu besiegen. Go gilt als eines der komplexesten Brettspiele der Welt, das von Menschen seit Jahrtausenden gespielt wird.

3. Beispielanwendung bei McDonald's: Ein spannendes Beispiel ist die Verwendung von Bilderkennungskameras an Drive-Through-Standorten von McDonald's, um Fahrzeuge und Kunden zu identifizieren und spezifische Produktvorschläge zu machen.

4. Gesichtserkennung in sozialen Medien: Plattformen wie Facebook und Instagram nutzen Machine Learning-Algorithmen zur automatischen Erkennung von Gesichtern auf Fotos. Diese Technologie ermöglicht es Benutzern, Freunde auf Bildern zu markieren.

5. Bias und Fairness: Ein herausforderndes Thema im Zusammenhang mit Machine Learning ist der Umgang mit Bias und Fairness. Algorithmen können aufgrund von unzureichenden oder voreingenommenen Trainingsdaten unfair oder diskriminierend sein. Dies hat zu Diskussionen darüber geführt, wie man sicherstellt, dass Machine-Learning-Modelle gerecht und ausgewogen sind, insbesondere in Anwendungen wie Kreditvergabe, Einstellungsentscheidungen und Strafjustiz.

Quellen:

https://www.sap.com/germany/products/artificial-intelligence/what-is-machine-learning.html#:~:text=Maschinelles%20Lernen%20ist%20ein%20Teilgebiet,anstatt%20daf%C3%BCr%20programmiert%20zu%20werden.

https://www.ibm.com/de-de/topics/machine-learning

https://datasolut.com/was-ist-machine-learning/

https://www.bidt.digital/glossar/maschinelles-lernen/

https://www.talend.com/de/resources/maschinelles-lernen/

https://studyflix.de/informatik/machine-learning-4356