Skip to main content

Was ist maschinelles Lernen?

In der einfachsten Form ist maschinelles Lernen (ML) das Programmieren von Maschinen (Computern), so dass es eine angeforderte Aufgabe ausführen kann, indem Daten (Informationen) verwendet und analysiert werden, um diese Aufgabe unabhängig auszuführen. ohne zusätzliche spezifische Eingabe von einem menschlichen Entwickler.

Maschinelles Lernen 101

Der Begriff Maschinelles lernen wurde 1959 in den IBM-Laboren von Arthur Samuel, einem Pionier der künstlichen Intelligenz (KI) und Computerspielen, geprägt. Maschinelles Lernen ist folglich ein Zweig der künstlichen Intelligenz. Samuels Prämisse war, das Rechenmodell der Zeit auf den Kopf zu stellen und aufzuhören, dem Computer etwas zu lernen.

Stattdessen wollte er, dass Computer anfangen, die Dinge selbst herauszufinden, ohne dass der Mensch nur die kleinste Information eingeben muss. Dann, dachte er, würden Computer nicht nur Aufgaben ausführen, sondern letztendlich entscheiden könnten, welche Aufgaben sie wann ausführen sollten. Warum? Auf diese Weise könnten Computer die Menge an Arbeit reduzieren, die Menschen in einem bestimmten Bereich ausführen müssen.

Wie maschinelles Lernen funktioniert

Maschinelles Lernen arbeitet mit Algorithmen und Daten. Ein Algorithmus besteht aus einer Reihe von Anweisungen oder Richtlinien, die einem Computer oder Programm mitteilen, wie eine Aufgabe ausgeführt werden soll. Die in ML verwendeten Algorithmen sammeln Daten, erkennen Muster und verwenden die Analyse dieser Daten, um ihre eigenen Programme und Funktionen an die Erledigung von Aufgaben anzupassen.

ML-Algorithmen verwenden Regelsätze, Entscheidungsbäume, grafische Modelle, Verarbeitung natürlicher Sprache und neuronale Netzwerke (um nur einige zu nennen), um die Verarbeitungsdaten zu automatisieren, um Entscheidungen zu treffen und Aufgaben auszuführen. Während ML ein komplexes Thema sein kann, bietet Google Teachable Machine eine vereinfachte praktische Demonstration der Funktionsweise von ML.

Die mächtigste Form des maschinellen Lernens, die heutzutage verwendet wird und als tiefes Lernen bezeichnet wird, bildet eine komplexe mathematische Struktur, die als neuronales Netzwerk bezeichnet wird und auf riesigen Datenmengen basiert. Neuronale Netzwerke sind Sätze von Algorithmen in ML und AI, die der Art und Weise entsprechen, wie Nervenzellen im menschlichen Gehirn und im Nervensystem Informationen verarbeiten.

Künstliche Intelligenz vs. maschinelles Lernen vs. Data Mining

Um die Beziehung zwischen KI, ML und Data Mining besser zu verstehen, ist es hilfreich, sich eine Reihe von unterschiedlich großen Regenschirmen vorzustellen. AI ist der größte Schirm. Der ML-Schirm ist kleiner und passt unter den KI-Schirm. Der Data Mining-Schirm ist der kleinste und passt unter den ML-Schirm.

  • AI ist ein Zweig der Informatik, der darauf abzielt, Computer so zu programmieren, dass sie Aufgaben auf „intelligentere“ und „menschenähnliche“ Art und Weise ausführt, wobei Argumentations- und Entscheidungstechniken verwendet werden, die auf der menschlichen Intelligenz basieren.
  • ML ist eine Kategorie für das Rechnen innerhalb der KI, die sich auf Programmiermaschinen (Computer) konzentriert, um zu lernen (notwendige Daten oder Beispiele zu sammeln), um datengesteuerte, intelligente Entscheidungen automatisierter zu treffen.
  • Data Mining verwendet Statistiken, ML, AI und immense Informationsdatenbanken, um Muster zu finden, Erkenntnisse zu liefern, Klassifizierungen zu erstellen, Probleme zu identifizieren und detaillierte Datenanalysen bereitzustellen.

Was maschinelles Lernen kann (und bereits tut)

Die Fähigkeit von Computern, riesige Informationsmengen in Sekundenbruchteilen zu analysieren, macht ML in einer Reihe von Branchen nützlich, in denen Zeit und Genauigkeit von entscheidender Bedeutung sind.

  • Medizin: Die ML-Technologie wird in einer Reihe von Lösungen für den medizinischen Bereich eingesetzt, einschließlich der Unterstützung von Notärzten bei der schnelleren Diagnose von Patienten mit ungewöhnlichen Symptomen. Ärzte können eine Liste der Symptome des Patienten in das Programm eingeben. Mithilfe von ML kann das Programm Billionen von Terabytes an Informationen aus der medizinischen Literatur und aus dem Internet durchsuchen, um eine Liste potenzieller Diagnosen und empfohlener Tests oder Behandlungen in Rekordzeit anzuzeigen.
  • Bildung: Mit ML werden Lerninstrumente erstellt, die sich an die Lernbedürfnisse des Schülers anpassen, z. B. virtuelle Lernassistenten und elektronische Lehrbücher, die interaktiver sind. Diese Tools verwenden ML, um herauszufinden, welche Konzepte und Fähigkeiten der Schüler anhand von kurzen Tests und Übungsaufgaben versteht. Die Tools bieten dann kurze Videos, zusätzliche Beispiele und Hintergrundmaterial, mit denen der Schüler die erforderlichen Fähigkeiten oder Konzepte erlernen kann.
  • Automotive: ML ist auch eine Schlüsselkomponente im aufstrebenden Gebiet der selbstfahrenden Autos (auch als fahrerlose Autos oder autonome Autos bezeichnet). Die Software, die selbstfahrende Autos betreibt, verwendet ML sowohl während realer Straßentests als auch bei Simulationen, um Straßenzustände (z. B. vereiste Straßen) zu erkennen oder Hindernisse auf der Straße zu erkennen und geeignete Fahraufgaben zu erlernen, um in solchen Situationen sicher zu navigieren.

    Sie haben ML wahrscheinlich schon oft getroffen, ohne es zu merken. Zu den gebräuchlichsten Anwendungen der ML-Technologie gehören die praktische Spracherkennung (Samsungs Bixby, Siri von Apple und viele Text-to-Text-Programme, die heute auf PCs Standard sind), Spam-Filterung für Ihre E-Mails, Erstellen von Newsfeeds, Erkennen von Betrug und Personalisieren Einkaufsempfehlungen und effektivere Suchergebnisse im Internet.

    ML ist sogar an Ihrem Facebook-Feed beteiligt. Wenn Sie die Beiträge eines Freundes häufig mögen oder anklicken, „lernen“ die Algorithmen und die ML hinter den Kulissen aus Ihren Aktionen, um bestimmte Freunde oder Seiten in Ihrem Newsfeed zu priorisieren.

    Was maschinelles Lernen nicht kann

    Es gibt jedoch Grenzen, was ML tun kann. Zum Beispiel erfordert der Einsatz von ML-Technologie in verschiedenen Branchen ein erhebliches Maß an Entwicklung und Programmierung durch den Menschen, um ein Programm oder ein System auf die Arten von Aufgaben zu spezialisieren, die in dieser Branche erforderlich sind.In unserem medizinischen Beispiel wurde das in der Notaufnahme verwendete ML-Programm speziell für die Humanmedizin entwickelt. Es ist derzeit nicht möglich, das genaue Programm zu nehmen und direkt in einer Tierärztlichen Notaufnahme zu implementieren. Ein solcher Übergang erfordert eine umfassende Spezialisierung und Entwicklung durch menschliche Programmierer, um eine Version zu erstellen, die diese Aufgabe für die Tier- oder Tiermedizin erfüllt.

    Außerdem sind unglaublich viele Daten und Beispiele erforderlich, um die Informationen zu erhalten, die für Entscheidungen und Aufgaben erforderlich sind. ML-Programme sind auch sehr wörtlich in der Interpretation von Daten und kämpfen mit Symbolik sowie einigen Arten von Beziehungen innerhalb von Datenergebnissen wie Ursache und Wirkung.

    Die ständige Weiterentwicklung macht ML jedoch zu einer Kerntechnologie, die jeden Tag intelligentere Computer schafft.