Was ist Machine Learning (Maschinelles Lernen)?

Maschinelles Lernen wird immer wieder im Zusammenhang mit Künstlicher Intelligenz (KI) genannt. Heutzutage finden sich selbstlernende Programme immer häufiger in normalen Produkten und Lösungen wieder. So gesehen wird unser Alltag immer mehr von intelligenten Programmen bestimmt, die aus Daten lernen und Gelerntes verallgemeinern. Das beste Beispiel ist die Spracherkennung bei Smartphones, die im Wesentlichen von Machine-Learning-Algorithmen gesteuert werden.

In diesem Beitrag dreht sich deswegen alles um das Machine Learning, wie dies funktioniert und welche Herausforderungen es dabei zu überwinden gibt.

Was ist maschinelles Lernen (Machine Learning)?

Maschinelles Lernen ist eine Teilmenge der KI und kann ohne sie nicht existieren. Der Schwerpunkt beim maschinellen Lernen liegt auf dem Trainieren von Computern, damit diese aus Daten und Erfahrungen lernen und sich stetig verbessern können. Der Computer generiert wie ein Mensch selbstständig Wissen aus Erfahrungen und kann eigenständig Lösungen für neue und unbekannte Probleme finden.

Wie funktioniert maschinelles Lernen?

Machine Learning funktioniert ähnlich wie menschliches Lernen. Analog wie beispielsweise ein Kind lernt, indem es sich Bilder zu verschiedenen Objekten ansieht, kann auch ein Computer “lernen”, Objekte oder Personen zu identifizieren und unterscheiden zu können. Die Lernsoftware wird dafür mit Daten gefüttert und trainiert. Programmierer sagen dem System beispielsweise, welches Objekt “ein Hund” und welches Objekt “kein Hund” ist.

Im weiteren Verlauf erhält die Software kontinuierlich Rückmeldungen von Programmierern, die der Algorithmus nutzt, um das Modell anzupassen und zu optimieren. Somit verbessert sich das Modell mit jedem Datensatz und kann schließlich eindeutig zwischen Hunden und Nicht-Hunden unterscheiden.

Vier verschiedene maschinelle Lernmodelle

1. Überwachtes Lernen (Supervised Machine Learning)

Überwachtes Lernen bezeichnet das erste von vier Modellen für maschinelles Lernen. Dieses nutzt bekannte Daten, um Muster und Zusammenhänge zu erkennen. Der Algorithmus lernt die Muster anhand von Trainingsdatensätzen (Beispieldaten). Ein typischer Anwendungsfall wäre die Klassifizierung, wenn beispielsweise eine Sortiermaschine automatisch Äpfel einer Ernte verschiedenen Güteklassen zuordnen soll.

Ein Lernalgorithmus versucht demnach eine Hypothese zu finden, auf deren Basis die möglichst zielsicher im Voraus bekannten Resultate erzielt werden. Das System erhält nach dem Ergebnis ein Feedback, ein Lob bei Richtigkeit oder eine Bestrafung bei Fehlern. Durch diese sich wiederholenden Feedbackschleifen kann das System seinen Lernalgorithmus ständig optimieren.

2. Unüberwachtes Lernen (Unsupervised Machine Learning)

Im zweiten Lernmodell für maschinelles Lernen gibt es keinen Antwortschlüssel. Die Maschine untersucht dafür die Eingabedaten und beginnt unter Verwendung aller relevanten zugänglichen Daten mit der Erkennung von Mustern. Unüberwachtes Lernen ist größtenteils davon geprägt, wie Menschen die Welt betrachten. Wir nutzen beispielsweise Intuition und Erfahrung, um Dinge zusammenzufassen. Für Maschinen wird “Erfahrung” durch die Menge an Daten definiert, die eingegeben und zur Verfügung gestellt werden. Beispiele für unüberwachtes Lernen sind Gesichtserkennung, Marktforschung und Cybersicherheit.

3. Teilüberwachtes Lernen (Semi-supervised Machine Learning)

Teil überwachtes Lernen nutzt sowohl Beispieldaten mit konkreten Zielvariablen als auch unbekannte Daten und ist somit eine Mischung aus überwachtem und unüberwachtem Lernen. Dabei gibt der Programmierer einen Teil der Daten, das Ergebnis vor und den anderen Teil nicht. Das Modell muss demnach eigenständig für die Daten ohne Ergebnis eine Lösung finden. Diese Art wird häufig verwendet, wenn die Ergebnisse des überwachten Lernens keine ausreichende Qualität besitzen.

4. Verstärkendes oder bestärkendes Lernen (Reinforcement Learning)

Bestärkendes Lernen ist das vierte der vier Modelle für maschinelles Lernen. Während beim überwachten Lernen die Maschine den Antwortschlüssel erhält und Zusammenhänge zwischen allen richtigen Ergebnissen erkennt, enthält das Modell des bestärkenden Lernens keinen Antwortschlüssel. Dieses Modell gibt eine Reihe von zulässigen Aktionen, Regeln und potenziellen Endzuständen vor. Wenn das gewünschte Ziel fest oder binär ist, kann die Maschine durch Beispiele lernen. In anderen Fällen, wo das gewünschte Ergebnis veränderbar ist, muss das System durch Erfahrung und Belohnung lernen.

Ein Beispiel für bestärkendes Lernen ist, wie wenn man jemandem das Schachspielen beibringt. Es ist unmöglich, jeden möglichen Schritt zu zeigen, da es unzählige Variationen und Züge gibt, die letztendlich zum Ziel führen. Stattdessen werden die Regeln erklärt und der Lernende verbessert seine Fähigkeit durch Übung. Die Belohnung besteht letztendlich darin, nicht nur das Spiel zu gewinnen, sondern auch die Figuren des Gegners zu erobern.

Herausforderungen beim maschinellen Lernen

Eines der Probleme ist, dass Anwendungen des maschinellen Lernens für menschliche und algorithmische Verzerrungen und fehleranfällig sind. Durch ihre Lern- und Anpassungsfähigkeiten können sich Fehler schneller ausbreiten und das gesamte neuronale Netz verunreinigen.

Eine weitere Herausforderung stellen Modelle für maschinelles Lernen dar, bei denen Algorithmus und der Output zu komplex sind, um vom Menschen erklärt oder verstanden zu werden. Dies wird als “Blackbox”-Modell bezeichnet. Allerdings ist das auch für Unternehmen ein Risiko, wenn nicht festgestellt werden kann, wie und warum ein Algorithmus zu einem bestimmten Ergebnis oder Entscheidung gelangt ist.

‍