[KI-Lexikon] So funktioniert maschinelles Lernen (Machine Learning) - IT-techBlog: Cybersecurity, Cloud Computing, Künstliche Intelligenz & Co.

geschätzter Leseaufwand: 3 Minuten

Das maschinelle Lernen (aka Machine Learning, ML) ermöglicht überhaupt erst Anwendungen der künstlichen Intelligenz. Denn mit dem maschinellen Lernen werden die KI-Applikationen und -Systeme in die Lage versetzt, Daten in geeigneter Art und Weise zu interpretieren. Daraus resultiert dann das „fertige“ KI-Systeme. Machine Learning ermöglicht also das Trainieren der KI-Anwendung, woraus das gewünschte Datenmodell resultiert.

Maschinelles Lernen findet in fünffacher Ausprägung statt:

überwachtes Lernen
unüberwachtes Lernen
teilüberwachtes Lernen
verstärkendes Lernen
aktives Lernen

Beim überwachten Lernen sind sowohl die Ein- als auch Ausgabedaten bekannt. Das KI-System weiß also, dass es beispielsweise lernen soll, Tiere zu unterscheiden. Hierfür bekommt es markierte Hunde, Katzen, etc. „vorgelegt“ und lernt anhand dieser Daten, Tiere künftig unterscheiden zu können.

Das unüberwachte Lernen kommt vollständig ohne Vorgaben aus, was die gewünschten Ergebnisse betrifft. Dabei steht das sogenannte Clustern von ähnlichen Daten im Vordergrund. Auf Basis der daraus resultierenden Ergebnisse und Erkenntnisse lernt das KI-System, Eingabedaten richtig zu verstehen und zu interpretieren.

Das teilüberwachte Lernen vereint die Vorteile des überwachten und unüberwachten Lernen. So kommt ein relativ kleiner Datensatz für das explizite Lernen zur Anwendung, das übrige maschinelle Lernen basiert dann auf den Methoden des unüberwachten Lernens. Es sind also relativ wenig Daten erforderlich (was stets eine große Herausforderung darstellt), und doch resultieren daraus gute Ergebnisse, was das KI-Modell betrifft.

KI-Modelle, die mithilfe des verstärkenden Lernens entstehen, kommen ganz ohne vorbestimmte Daten aus. Das Lernen fußt auf dem Prinzip „Belohnen & Bestrafen“. Dem System wird also bei jedem erkannten Datum per Feedback mitgeteilt, ob es richtig oder falsch lag. Daraus entsteht über die Zeit verteilt das gewünschte KI-Modell. Diese Herangehensweise ist also sehr zeitintensiv, erfordert dafür aber keinerlei Trainingsdaten.

Beim aktiven Lernen lernt der KI-Algorithmus durch geschicktes „Fragen“, die Daten über einen längeren Trainingszeitraum entsprechend bewerten zu können. Auch das ist zeitintensiver, dabei spielt es zudem keine Rolle, woher die Daten stammen, sie können also online und offline vorliegen.

Anwendungsbereiche des maschinellen Lernens

Je nach Trainigsmethode kommen zahlreiche Anwendungsbereiche zum Einsatz. So spielt das unüberwachte Lernen vor allem für Empfehlungsysteme, Segmentierungen und Reduktionsaufgaben eine Rolle. Das überwachte Lernen ist dann die richtige Wahl, wenn Prognosen erstellt und Daten klassifiziert werden sollen. Das verstärkende Lernen wiederum kommt meist in den Bereichen autonomes Fahren, personalisierte Werbung, Verkehrssteuerung und das Steuern von Robotics-Systemen zum Einsatz.