Maschinelles Lernen

Maschinelles Lernen (Machine Learning) ist ein Begriff, den man immer häufiger hört oder liest. Er beschreibt erst einmal, dass IT-Systeme lernen. Computer & Co. können damit Muster als Zusammenhänge erkennen, einordnen und auswerten. Sie können somit selbstständig Entscheidungen treffen.

Was maschinelles Lernen ist und wie es von kleinen Firmen genutzt werden kann, erfahren Sie hier.

Künstliche Intelligenz nutzt maschinelles Lernen

Denken wir an unsere Schulzeit zurück, taucht unweigerlich auch die Erinnerung ans Lernen auf. Vielleicht erinnern Sie sich noch daran, dass Sie, um erfolgreich zu lernen, Strategien entwickeln und umsetzen musste. Das war aber gar nicht so einfach, wie es klingt. Auf diesem grundmenschlichen Mechanismus basiert der komplexe Aufgabenbereich maschinelles Lernen (Machine Learning).

Künstliche Intelligenz (KI), auch Artificial Intelligence (AI), bezeichnet in enger Definition eine lernende Handlungsinstanz, die bei IT-Systemen wie Computern zum Einsatz kommt. Während maschinelles Lernen bereits seit den 1980er Jahren in Entwicklung ist, hat es in den 2010er Jahren mit dem Teilbereich des sogenannten Deep Learning einen neuen Durchbruch erlebt.

Maschinelles Lernen: in den 1980er Jahren noch Gedanke für ferne Science-Fiction-Kosmen, heute aber bereits Realität. Bild: Pixabay/geralt

Was ist maschinelles Lernen?

Mit dem maschinellen Lernen lernt KI erst einmal grob, verschiedene Informationen zu systematisieren und sie in Bezug zueinander zu ordnen. Sie erkennt also Konzepte sowie deren Merkmale und systematisiert sie nach bestimmten klar bestimmbaren Mustern. Dieses Verhalten schaut dabei erstaunlich präzise ab, wie Menschen die Welt sprachlich erfassen, einordnen und in gedankliche Konstrukte, in Muster, transformieren.

KI kann auf gewisse Weise also präzise zuordnen. Sie weiß, welche Konzepte welche Merkmalen beinhalten und wie sie sich in Bezug zu anderen Konzepten verhalten. Hierdurch kann maschinelles Lernen konkret Zusammenhänge als Muster identifizieren, neues Wissen generieren und Algorithmen weiterentwickeln. Während traditionelles maschinelles Lernen fordert, dass man den entsprechenden Lernprozess quasi manuell beibringt, nutzt Deep Learning dafür künstliche neuronale Netze (KNN). Diese ahmen das menschliche Gehirn nach und ermöglichen der KI, das Lernen selbstständig zu lernen. Bei Deep Learning handelt es sich immer um maschinelles Lernen!

Was kann Machine Learning?

Maschinen bzw. ihre KIs können konkrete Konzepte erfassen und sie in andere Bereiche abstrahieren. Dafür braucht KI aber klare Regeln zur Datenzuordnung und -verarbeitung. Künstliche Intelligenz ist durch diese Form von Mustererkennung heute in der Lage, eigene Entscheidungen zu treffen, auch wenn sie nicht dazu angewiesen wurde. Mit Hilfe von maschinellem Lernen kann KI

• passende Datensätze finden und auswerten,
• in den Datensätzen Cluster und Gruppen erkennen,
• Datenstränge analysieren und auf Relevanz prüfen,
• Datenstränge extrahieren und mit bestimmtem Fokus zusammenfassend einordnen,
• auf Basis der analysierten Daten Prognosen tätigen,
• Wahrscheinlichkeiten für bestimmte an Datenentwicklung gekoppelte Ereignisse berechnen,
• Reaktionsmöglichkeiten entwerfen, um auf bestimmte Datenentwicklungen zu reagieren,
• Prozesse (Geschäftsprozesse) mit Berücksichtigung von Datenentwicklung und Ereigniswahrscheinlichkeiten optimieren.

Das bedeutet im Klartext, dass Maschinen ganz schön viel können. Besonders dann, wenn sie erst einmal das Lernen gelernt haben. Projekte wie Google AI TensorFlow oder OpenAI GPT-3 geben bereits einen Einblick in den heutigen Entwicklungsstand von maschinellem Lernen (bzw. von Deep Learning). GPT-3 kann beispielsweise derart mit einem kommunizieren, dass es faktisch nicht möglich ist, herauszufinden, dass es sich bei ihm nicht um einen Menschen sondern einen Roboter handelt.

Maschinelles Lernen ermöglicht Computern bereits, selbstständig zu lernen, wie man lernt. Bild: Pixabay/geralt

Wie funktioniert Machine Learning?

Damit Maschinen wirklich lernen können, muss man ihnen erst einmal eine passende Basis an entsprechendem Wissen zur Verfügung stellen. Während Maschinen bei Deep Learning das Lernen selbstständig lernen, wird beim traditionellen Machine Learning die erste Prägung vom Menschen übernommen. Heute ist maschinelles Lernen immer häufiger Deep Learning.

Um zu lernen, ist eine Basis an Datensätzen als Art Wissensdatenbank notwendig, die zentrale Informationen zur Mustererkennung hergeben. KI kann entweder auf Daten aus einer online vorliegenden Datenbank wie Wikipedia zugreifen oder ihr wird eine eigene Datenbank zur Verfügung gestellt, die offline aufgebaut und überwacht genutzt wird. Während die Datensätze, die eine künstliche Intelligenz online finden und auswerten kann, kaum offline aufzubauen sind, können die Daten offline jedoch strikter kontrolliert werden. Maschinelles Lernen nimmt sich der Aufgabe an, aus den Datensätzen einzelne Datenstränge zu erkennen und diese auszuwerten. Gleichzeitig fasst sie die Datenstränge wiederum als Gruppen und Cluster zusammen.

Dem tatsächlichen Einsatz mit offenen Datensätzen vorausgehend wird eine KI übrigens immer mit spezifischen Trainings- und Beispielsdaten „gefüttert“. Dabei wird das Verhalten ihrer Algorithmen gegenüber dieser Trainingsdatensätzen genau geprüft und ausgewertet, ob es qualitativ angemessen und präzise ist. Diesen Prozess bezeichnet man als Modelltraining. Das Modelltraining kann als Simulation betrachtet werden, die dem „Praxiseinsatz“ mit unbekannten Daten vorausgeht.

Algorithmen

Algorithmen legen fest, wie bzw. inwiefern Muster erkannt und ausgewertet werden können. Sie legen die Schritte fest, die zur Auswertung einer Aufgabe nötig sind. Machine Learning benötigt dabei immer einen zentralen Machine-Learning-Algorithmus und neben ihm noch verschiedene weitere Algorithmen, die wiederum eine Reihe an vorgegebenen Aktionen beinhalten. Abhängig von einer konkreten Aufgabe, ihrer Komplexität und der Problemart bieten sich verschiedene Lösungsansätze an. Die zentralen Algorithmen sind der

• Entscheidungsbaum-Algorithmus: Dieser Algorithmus ist eine Art Baumdiagram, in dem verschiedene Entscheidungen festgehalten sind, nach denen die KI reagiert. Banken und im Finanzsektor tätige Unternehmen nutzen Entscheidungsbäume beispielsweise, um festzulegen, ob sich eine Investition lohnt.
• Random-Forest-Algorithmus: Für jedes erdenkliche Szenario einer konkreten Situation wird ein randomisierter Classification and Regression Tree (CART) erstellt. Das bedeutet, dass für jede erdenkliche Möglichkeit, wie eine konkrete Situation ausgehen könnte, eine genaue Vorhersage getroffen werden kann. Vereinfacht kann man sich diesen Algorithmus als Gedankenkonstrukt vorstellen, das man im Rahmen eines Schachspiels entwirft. Alle Möglichkeiten werden mental durchgespielt, bevor eine tatsächliche getätigt wird.
• K-Means-Algorithmus: Diese Art von Algorithmen lösen Probleme beim Clustering, also der Gruppierung von Datensträngen. Sie klassifizieren Daten und unterteilen sie entsprechend. K-Means können beispielsweise Besucher auf einer Website in tatsächliche Personen und Bots clustern.

Algorithmen können entweder mit Eingaben auch zeitgleich Ausgaben tätigen (Batch Lerning) oder sequenziell lernen, also die Eingabedaten zuerst auswerten und versetzt Ausgaben tätigen.

Lernkategorien

Sogenannte Lernkategorien unterscheiden, wie Algorithmen Daten analyisieren und auswerten. Bei ihnen handelt es sich um Modelle, nach denen sich Algorithmen entwickeln und welchen Fokus sie dabei haben. Maschinelles Lernen kann

• unüberwachtes Lernen (supervised),
• überwachtes Lernen (unsupervised),
• teilüberwachtes Lernen (semi-supervised) oder
• ver-/bestärkendes Lernen (reinforcement) sein.

Der Unterschied beim überwachten und unüberwachten Lernen ist, dass mit einer Überwachung Daten passenden Modellgruppen der Algorithmen manuell zugeordnet werden. Bei Nichtüberwachung gleichen die Maschinen Daten automatisiert mit Mustern ab und bilden eigenständige Modellgruppen. Überwachtes Lernen bietet sich für messbare Vorhersagen wie beispielsweise einer Risikobewertung, einer Richtig-Falsch-Einschätzung oder einer Rechtschreibprüfung an. Unüberwachtes Lernen kommt vor allem bei der Auswertung von größeren Datensätzen zum Einsatz. Teilüberwachtes Lernen beschreibt die teilweise manuell und teilweise automatisiert vollzogene Bildung von Modellgruppen. Ein exemplarischer Anwendungsbereich ist die Gesichts- und Objekterkennung, -auswertung und -anpassung.

Bei verstärkendem oder bestärkendem Lernen erfahren Algorithmen durch „Belohnungen“ und „Bestrafungen“, welche Datenverarbeitung erwünscht ist. Diese Lernkategorie steht in einer gewissen Parallele zum menschlichen Lernen. Bestärktes Lernen kommt vor allem bei autonomem Fahren, bei autonomer Robotik oder dem Einsatz in Spielen (also für Spiele-KIs) zum Einsatz. Auch setzt die Forschung in sie die Hoffnung, zu einer generellen, also übergeordneten künstlichen Intelligenz, die sich komplett verselbstständigt, werden zu können. Reinforced Learning kann als Temporal-Difference-Learning (TD-Learning) umgesetzt werden, indem Belohnungen direkt als Reaktionen auf passendes Verhalten vergeben werden; oder nach dem Monte-Carlo-Prinzip, wonach die Belohnung erst ganz am Ende eines Einsatzes vergeben wird.

In welchen Anwendungsbereichen maschinelles Lernen in der Zukunft noch zum Tragen kommt, steht in den Sternen. Klar ist jedoch, dass es derzeit große Entwicklungen macht und gleichzeitig immer relevanter wird. Bild: Pixabay/AaronJOlson

Anwendungsbereiche

An welchen Stellen maschinelles Lernen in Zukunft eingesetzt wird, steht noch in den Sternen. Aber bereits jetzt zeichnet sich ab, dass es für die Programmentwicklungen eine immer größere Rolle spielt. Unter anderem findet sich bereits der Einsatz von maschinellem Lernen in

• automatisiertem Support wie zum Beispiel durch Chat-Bots,
• Sprach- und Texterkennung, zum Beispiel für digitale Assistenten,
• Rechtschreibprüfungen oder automatisierte Übersetzungen
• Bilderkennung und -generierung,
• Gesichtserkennung und Deepfaking,
• automatisierter Bild- und Video-Aufbereitung sowie Recolorierung,
• Auswertungen von Websites in Bezug auf bestimmte Relevanzen,
• Risikobewertungen, zum Beispiel bei Investment,
• Anwendungen zum Virenschutz und Spam-Filtern und
• Unterscheidungen von Menschen und Bot.

Häufig handelt es sich heute beim Machine Learning von KIs gleichzeitig auch um Deep Learning. In immer mehr Arbeitsbereichen, vor allem aber im Unternehmensumfeld findet sich vermehrt der Einsatz von selbstlernenden Programmen.

Wie Firmen maschinelles Lernen nutzen können

Heute sind Systeme, die zu maschinellem Lernen fähig sind, in der Lage, kryptische Bilder zu vervollständigen, in komplexen Spielen wie Go, Poker und Schach gegen professionelle Spieler zu gewinnen, radiologische Bilder vergleichbar mit weltweit führenden Medizinern zu analysieren und selbstständig KI-Software zu schreiben, sie zu trainieren und ihr entsprechendes Wissen zu vermitteln bzw. Strategien beizubringen.

Vor allem für kleinere Firmen und Gewerbetreibende, die nicht eigen entwickelte Anwendungs- und Softwarelösungen im Einsatz haben, wird immer relevanter, standardisierte Softwarelösungen im Einsatz zu haben, die auch zeitgemäß sind. Vor allem im Bereich von Sicherheitskonzepten wie Zugangsbeschränkungen, Spam-Filter und Programmen zur Virenabwehr werden Automatisierungen immer wichtiger. Denn auch Viren werden durch das maschinelle Lernen immer schlauer, gewiefter und vor allem gefährlicher. Wenn Sie Hilfe bei Ihrer IT-Sicherheit benötigen, dann kontaktieren Sie PC-SPEZIALIST in Ihrer Nähe. Unsere kompetenten Techniker übernehmen die Einrichtung und Betreuung von hochmodernen Antivirenlösungen und von Firewalls. Diese Leistungen sind auch Bestandteil unseres IT-Basisschutz. Mit ihm stellen wir eine zentrale Absicherung Ihrer Firmen-IT auf Grundlage der gegebenen DSGVO-Anforderungen sicher.

_______________________________________________

Weiterführende Links: Fraunhofer, Computerwoche, Retresco, SAS, BigData-Insider, Talend, SAP, DataSolut, Wikipedia