02.02.2017 Teilbereich der Künstlichen Intelligenz

Wie funktioniert eigentlich Machine Learning?

Von: Constantin Gonzalez*

Machine Learning (ML) ist eine Form künstlicher Intelligenz, mit der ein System aus Erfahrung Wissen generiert. Dabei wird aus Beispielen gelernt und dann daraus verallgemeinert.

Wie funktioniert Machine Learning?

Wie funktioniert eigentlich Machine Learning?

Bei Machine Learning geht es nicht darum, dass die Beispiele auswendig gelernt würden. Vielmehr werden Muster aus den Daten erkannt und Programmverhalten daran angepasst. Machine-Learning-Algorithmen werden hauptsächlich unterteilt in sogenanntes „überwachtes“ (engl. „assisted“) Lernen und „unüberwachtes“ („unassisted“) Lernen.

Der Unterschied hierbei besteht in der Art, wie das System lernt: Bei überwachten Algorithmen sind bereits Ergebnisse bekannt, aus denen das System lernen kann. Das System lernt dann anhand der gegebenen Daten Eingaben entsprechend des trainierten Lösungsraumes zu klassifizieren. Unüberwachte Algorithmen hingegen bauen anhand der Eingaben selbständig ein Modell auf, das versucht, die Eingaben so genau wie möglich vorherzusagen. Hierbei werden Klassifikationen nicht vorgegeben, sondern selbständig vom System, etwa durch sogenannte Clustering-Algorithmen, erarbeitet.

Vereinfacht gesagt unterstützt Machine Learning die Entwickler dabei, historische Daten zu nutzen, um bessere Entscheidungen zu treffen. ML-Algorithmen entdecken Muster in den Daten und konstruieren mathematische Modelle, die diese Erkenntnisse beschreiben. Solche Modelle können eingesetzt werden, um Vorhersagen im Kontext von zukünftigen Daten zu treffen. Ein Beispiel für die Anwendung eines Machine-Learning-Modells ist eine Prognose für die Wahrscheinlichkeit, mit der ein Kunde ein bestimmtes Produkt basierend auf seinem bisherigen Verhalten kauft.

Entwickler müssen sich im Vorfeld klar werden, was sie klassifizieren und vorhersagen wollen. Dafür sollten sie möglichst viele Daten sammeln, ohne jedoch selber Annahmen vorweg zu nehmen, was relevant und was nicht relevant ist: Sonst könnte ein Modell entstehen, das zwar das bestehende Datenmaterial gut erkennen kann, sich bei neuen Daten aber nicht so verhält, dass daraus brauchbare Vorhersagen abgeleitet werden können (Overfitting). Um dies zu vermeiden gehört zum Lernprozess immer auch ein Validierungsprozess, bei dem ein Teil der bekannten Daten nicht zum Lernen benutzt wird, sondern zum realistischen Testen des Modells herangezogen wird.

Künstliche Intelligenz geht noch weiter

Die Anwendungsfelder von Machine Learning sind nahezu unerschöpflich, zumal es mittlerweile Dienste gibt, mit denen Entwickler diese Technologie nutzen können – ohne Spezialisten für maschinelles Lernen sein zu müssen. Amazon Web Services beispielsweise stellt mit „Machine Learning“, „Lex“, „Polly“ und „Rekognition“ Services zur Verfügung, die jedermann nutzen kann. Auch gibt es Visualisierungs-Tools und Assistenten, die Developer durch den Entwicklungsprozess für Machine-Learning-Modelle begleiten. Sind die Modelle fertig, können sie mithilfe einfacher APIs (Application Programming Interfaces) Daten vorhersagen lassen, Sprache erkennen, verstehen und mit einer natürlichen Stimme wiedergeben, Bilder und Gesichter erkennen und noch viel mehr. Diese Entwicklung verknüpft jenseits von klassischem Vorhersagen von Daten auch modernere Bereiche der künstlichen Intelligenz, wie Sprachverständnis oder Bilderkennung.

Andere Services schaffen Benutzerschnittstellen, die Anwendern die Sprach- und Textkommunikation mit dem Gerät ermöglichen. Dadurch können viele Unternehmen Fähigkeiten in ihre Geräte implementieren, ohne sie selbst entwickeln zu müssen. Das gilt auch für Bilder: Per maschineller Sehfunktion (Computer Vision) lassen sich täglich Milliarden von Bildern analysieren. Machine Learning ist daher ein Konzept, das inzwischen für jedes Unternehmen verfügbar ist.

* Der Autor Constantin Gonzalez ist AWS Principal Solutions Architect.

Bildquelle: Thinkstock/Hemera

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH