Zugegeben, dieser zweite Teil zum Thema Machine Learning hat eine ganze Weile auf sich warten lassen, kommt dafür aber umso umfangreicher daher. Viel Spaß beim Lesen!

Die Ausstiegsfrage des ersten Teils lautete sinngemäß: Was hat Machine Learning mit Neuronalen Netzen und Deep Learning zu tun. Nun, dazu muss man sich erst einmal beide Disziplinen etwas genauer ansehen.

Künstliche Intelligenz = neuronale Netze?!

Das menschliche Gehirn als Vorbild Neuronaler NetzeBetrachtet man die Arbeitsweise eines künstlichen neuronalen Netzes, erkennt man schnell die Zusammenhänge zwischen der Künstlichen Intelligenz und dem menschlichen Gehirn, dem das Ganze ja zugrunde liegt.

So arbeiten neuronale Netze wie unser Gehirn auf Basis von Millionen und Abermillionen Neuronen, die miteinander verbunden sind. Dank dieser „Verbundenheit“ sind wir als Mensch genauso in der Lage, neue Sachverhalte eigenständig zu lernen wie das eben technische neuronale Netze tun.

Damit versetzen die Programmierer solcher Softwareprogramme die Rechner, auf denen sie laufen, in die Lage, Fähigkeiten zu erlernen, die stark an das Repertoire eines Menschen erinnern. Dazu zählen also „Skills“ wie Sehen, Hören, Sprechen, Lesen und Schreiben. Und auch das Fühlen soll zu diesen Eigenschaften zählen, wenngleich das immer noch die größte Hürde von neuronalen Netzcomputern darstellt.

Damit Computer das menschliche Wesen simulieren können, ist – wie bei uns Menschen auch – eine ganze Menge an Trainingseifer Grundvoraussetzung. Wissenschaftler und Entwickler sprechen in diesem Zusammenhang vom „überwachten Lernen“, das ähnlich wie in der Schule abläuft, allerdings mit mehr Iterationen, da es sich dabei ja „nur“ um eine Maschine handelt, wenngleich das meist eine sehr lernwillige, weil extrem rechenstarke Maschine ist.

Machine Learning = Üben, üben, üben

Katze oder Hund - das ist hier die Frage?Dieses neuronale Lernen verfolgt im Grunde immer dasselbe Muster: Während der Übungsphase wird das Programm mit sinnvollen Daten gefüttert. Soll also ein Programm am Ende sagen können, ob es sich bei einem zu erkennenden Bild um eine Katze oder einen Hund handelt, wird der Algorithmus mit tausenden von Bildern gefüttert, die Katzen und Hunde jeglicher Couleur, Größe, etc. zeigen.

Muss der „Trainer“ zu anfangs dem Programm mitteilen, ob es das Bild richtig oder falsch erkannt hat, werden diese „Hinweise“ sukzessive weniger, bis das „künstliche Hirn“ mit ausreichenden Daten versorgt wurde, sodass es ab einem bestimmten Zeitpunkt mit einer hohen Wahrscheinlichkeit das richtige Ergebnis ermitteln kann.

Für einen möglichst schnellen Lernprozess ist es von größter Wichtigkeit, dass das neuronale Netz permanent nachjustiert wird, die Gewichtung der falschen und richtigen Antworten also ständig angepasst werden. Daher lautet ein wichtiger Satz der neuronalen Programmierung: Die Qualität eines neuronalen Netzes hängt maßgeblich von der Gewichtung der einzelnen Verbindungen ab. Nur dann kann das gewünschte Ergebnis erzielt werden.

Ein KI-Ecke weitergedacht: Deep Learning

Das Deep Learning (DL) geht dabei noch einen Schritt weiter. Denn im Gegensatz zu der zuvor beschriebenen Methode benötigt ein KI-Rechner mit Deep-Learning-Algorithmus keines so umfangreichen Bildvorlagen, da er selbst in der Lage ist, selbstständig die Unterschiede zwischen einer Katze und einem Hund zu lernen.

Zwar erhält ein DL-Programm ebenfalls zahlreiche Bilder von Hunden und Katzen, die allesamt mit einem entsprechenden Hinweis in Form eines Metatags versehen sind, also z.B. „hund“, „nicht_hund“, „katze“, „nicht_katze“. Anhand dieser „Klassifizierung“ erstellt die DL-Software eine Art Raster, mit dessen Hilfe das Programm ein Vorhersagemodell erstellt.

Dabei geht es sehr hierarchisch zu: Auf der obersten Ebene werden beispielsweise die Helligkeitswerte der Bildpunkte gespeichert. Auf der zweiten Ebene kann das Programm dann schon sagen, ob und wie einige dieser Pixel miteinander verbunden sind. Dies setzt sich dann so lange fort, bis das Programm zum Beispiel Beine erkennen kann. Ab einem bestimmten Zeitpunkt weiß die Software, welche Beine zu einem Hund oder einer Katze gehören, und so fort. Und je mehr Iterationen durchlaufen werden, desto genauer wird am Ende das Ergebnis. Und das geht natürlich mit der Rechenleistung einher, die dem DL-Programm zur Verfügung steht.

Kommerzielles Maschine Learning

Maschine Learning kommt bereits in zahlreichen Anwendungen zum Einsatz. Dabei handelt es sich oft um Empfehlungsalgorithmen, wie sie Amazon schon seit vielen Jahren einsetzt, die stetig verfeinert und verbessert werden können, und das als Selbstlernprozess. Es lassen sich aber auch per Maschine Learning Supportanfragen automatisiert auswerten, um mögliche Gemeinsamkeiten der Anfragen zu erkennen, woraus sich ein Fehlermuster ableiten lässt.

Aber auch Chatbots sind ein oft genanntes Beispiel, wenn es um Machine Learning geht. Diese automatisierten Chatprogramme sollen selbstständig bei Kundenanfragen helfen und sogar dank ihrer KI-Fähigkeiten im Laufe der Zeit Kundenanfragen besser verstehen können, um somit die Erfolgswahrscheinlichkeit zu erhöhen. Und falls der Bot nicht mehr weiter weiß, kann er immer noch einen Supportmitarbeiter zu Rate ziehen.

Darüber hinaus kommen KI-Proggramme im Bereich Personalwesen verstärkt zum Einsatz. Denn wo heute noch Personaler hunderte von Lebensläufen, Arbeitszeugnissen und anderen Dokumenten mühevoll durchforsten, erledigen diese Job intelligente ML-Algorithemen in einem Bruchteil der bisher aufgewendeten Zeit. Und das vermutlich sogar unbestechlicher als ein Mensch, da dieser auch emotionale Aspekten bei seiner Bewertung einfließen lässt.

Recruiter und Personaler werden zunehmen von KI-Programmen unterstützt

Autonom = Künstliche Intelligenz at its best

Und natürlich ist der Bereich des autonomen Fahrens, Arbeitens, etc. zu nennen: Immer dort, wo es auf ein möglichst fehlerfreies und interaktives Miteinander von Mensch und Maschine ankommt, helfen KI-Programme, diese Kooperation bestmöglich zu unterstützen. Sei es beim autonomen Fahren, bei kollaborativen Robotern, bei automatisierte Diagnosen, dem Erkennen von Kreditkarten- und Versicherungsbetrug und in vielen anderen Bereichen. Und sogar beim robotergestützten Aufspüren von Landminen kommen ML-Progamme zum Einsatz. Damit kann die Künstliche Intelligenz sogar Leben retten!

Ein Gedanke zu „ML-Special: Das sollten Sie über Machine Learning wissen (Teil 2)

Kommentare sind geschlossen.