Was ist Machine Learning?

Machine Learning, oder zu deutsch maschinelles Lernen, ist ein Teilbereich der Artificial Intelligence (zu deutsch Künstliche Intelligenz, abgekürzt KI). Das Ziel ist, dass Computer und Maschinen mittels mathematischer Algorithmen in die Lage versetzt werden, zu lernen und selbstständig auf Basis von Wiederholungen und erkennbaren Mustern Entscheidungen zu treffen, Aufgaben zu erledigen oder Lösungen für neuartige Probleme zu entwickeln.

Dabei geht es darum, durch Datenanalyse auf aufwendige Programmierungen zu verzichten und die Intervention durch den Mensch soweit als möglich zu verringern. Wissen wird stattdessen durch automatisierte Datenverarbeitung generiert, es findet ein optimierter, maschineller Lernprozess auf Erfahrungswerten statt.

Während Machine Learning noch vor einiger Zeit in erster Linie in Forschungseinrichtungen, Universitäten und Laboren zu finden war, erfährt die Wissenschaft aktuell enormen Aufschwung und ist in vielen Mainstream Bereichen ansässig. Ob selbstfahrende Autos, Spracherkennung bei Mobiltelefonen, Spam-Filter in der EDV oder personalisierte Online-Werbung. In vielen Sparten des täglichen Lebens sind wir, teilweise unbewusst, damit konfrontiert.

Maschinelles Lernen ist dem menschlichen Lernen nicht unähnlich. Während der Mensch mit Informationen „gefüttert“ wird und durch Wiederholungen und Erfahrungswerten Wissen generiert, werden Computer mit Daten befüllt. Anhand des mathematischen Algorithmus verarbeitet das System Informationen und erweitert dabei den Erfahrungsschatz.

Der Lernprozess ist ein iterativer Vorgang. Das bedeutet, dass unter ständiger Rückmeldung durch immer wiederkehrende Wiederholungen und Prozesse eine Annäherung an ein konkretes Ziel erfolgt. Es wird somit, analog zum menschlichen Gehirn, ein neuronales Netz simuliert und auf Basis von Fehlerreduktion gearbeitet, um den bestmöglichen Output zu generieren.

Stimmen Eingabe und Ausgabe (auch als Label bezeichnet) überein, sind keine weiteren Handlungsschritte erforderlich. Weichen diese voneinander ab, werden die neuronalen Verbindungen geändert (beziehungsweise anders „gewichtet“), bis der Fehler beim Output auf ein Minimum reduziert oder beseitigt wird. Dadurch besteht die Möglichkeit, Computern und Maschinen Fähigkeiten wie Sehen, Hören, Sprechen, Lesen oder Schreiben beizubringen.

Es existieren unterschiedliche Methoden, wie maschinelles Lernen abläuft. Wir werden im Folgenden auf vier gängige Arten überblicksmäßig eingehen:

• Überwachtes Lernen (Supervised Learning)
• Unüberwachtes Lernen (Unsupervised Learning)
• Teilüberwachtes Lernen (Semisupervised Learning)
• Bestärkendes Lernen (Reinforcement Learning)

Das überwachte Lernen funktioniert, in dem die Maschine mittels gegebenen Paaren aus Ein- und Ausgaben trainiert, und auf diese Weise Assoziationen herstellt. Dies geschieht durch Vergleiche der tatsächlichen Ausgaben mit den korrekten eingegebenen Werten. Durch Erkennen der Fehler und Reduktion dieser wird ein Muster erstellt, anhand dessen zukünftige Daten und Modelle vorhergesagt werden können. Das überwachte Lernen bedarf umfangreicher Vorarbeit seitens eines Programmierers (häufig auch als Lehrer bezeichnet).

Beim unüberwachten Lernen hingegen existieren keine historischen Labels, auf die sich das System berufen kann. Vielmehr muss der Algorithmus selbst mittels Clustering-Verfahren und Einteilung in bestimmte Strukturen ein Modell entwerfen, um eine Klassifizierung vorzunehmen und Vorhersagen treffen zu können.

Dazwischen findet sich das teilüberwachte Lernen, bei welchem sowohl Daten mit als auch ohne Label Verwendung finden. Im Regelfall wird eine große Datenmenge ohne Label und eine kleinere mit verwendet, da diese kostengünstiger erhältlich sind.

Jene Lernform, die häufig auch beim Menschen Anwendung findet, ist das bestärkende Lernen. Dabei bildet der Algorithmus durch Versuch und Irrtum beziehungsweise Belohnung und Bestrafung eine Taktik, um den Lernenden schnellstmöglich unter Zuhilfenahme bestimmter Aktionen an sein gewünschtes Ziel zu führen. Das System erlernt somit die bestmögliche Handlungsstrategie.

Machine Learning entwickelt sich unter anderem aufgrund der Schnelllebigkeit, der Digitalisierung und den vorhandenen enormen Datenmengen zu einem immer interessanteren und essentiellen Faktor. Real vorhandene Informationen wie Texte, Bilder oder Gesprochenes können durch Maschinen abgebildet werden. Große, komplexe Datenmengen können kostengünstig, einfach und rasch verarbeitet, kategorisiert und bewertbar gemacht werden. Ob automatisierte Büroorganisation, Werbekampagnen, Sprach- oder Gesichtserkennung – maschinelles Lernen unterstützt den Menschen bei vielen privaten und beruflichen Tätigkeiten und ist aus dem heutigen Alltag kaum noch weg zu denken.

Dabei wurde bereits mehrfach festgestellt, dass Machine Learning erfolgreich mit menschlichem Lernverhalten mithalten oder dieses sogar übertreffen kann. Dies wurde beispielsweise unter Beweis gestellt, als ein Computer einen Menschen bei einem komplexen asiatischen Strategiespiel besiegte. Ein Grund, der dies ermöglicht, ist eine Weiterentwicklung und unter dem Begriff Deep-Learning bekannt. Hierbei entwickeln Algorithmen die bereits bekannten Modellgruppen und Klassifizierungen eigenständig weiter, das System übernimmt somit selbstständig Zwischenschritte und benutzt hochentwickelte neuronale Netze, um einen Lerneffekt zu erzielen.

Machine Learning findet in sehr vielen Bereichen und Branchen Anwendung, die Möglichkeiten sind beinahe grenzenlos und stetig am Wachsen. Eine Vielzahl an Unternehmen, insbesondere jene, die mit enormen Datenmengen konfrontiert sind, nutzen auf unterschiedliche Weise maschinelles Lernen.

Unternehmen jeglicher Art setzen auf Machine Learning, wenn es um Umsatzsteigerung, Kostenreduktion, Erhöhung der Kundenzufriedenheit, Erweiterung des Kundenbestands, Werbemaßnahmen, Trendvorhersagen oder effiziente Büroorganisation geht.

Im Gesundheitswesen finden permanent Weiterentwicklungen statt. Diagnosetechniken werden automatisiert und verbessert, Vorhersagen zu Krankheitsverläufen oder Pandemieentwicklungen getroffen, und Techniken entwickelt, um Patienten optimal behandeln zu können.

Im Finanzdienstleistungssektor fungiert Machine Learning insbesondere in den Bereichen Betrugsbekämpfung sowie für Analysen der Börsenmarktentwicklung.

Auch bei staatlichen Behörden oder in Sicherheitsfirmen werden Formen des maschinellen Lernens angewandt, um beispielsweise gegen Identitätsdiebstahl vorzugehen sowie die Unmengen an (teilweise personenbezogenen) Daten effizient und kostengünstig analysieren und verwalten zu können.

Ferner sind bekannte Anwendungsgebiete im privaten Sektor zu finden. Ob Spracherkennung bei Smartphones, selbstfahrende Autos, Einsatz in Smart Homes, nahezu grenzenlose Möglichkeiten im Bereich Online-Shopping oder Video-Streaming – der Trend Machine Learning findet in allen Lebensbereichen Einklang.

Artificial Intelligence ist ein Teilbereich der Informatik und beschäftigt sich vereinfacht gesagt mit der Automatisierung von intelligentem menschlichen Verhalten. Ziel der Entwicklungen im Bereich der Künstlichen Intelligenz ist es somit, dass ein Computer auf ähnliche Art und Weise wie ein Mensch zu einer Entscheidungsfindung gelangt.

Um dieses Vorhaben zu erreichen, sind weitreichendere Verfahren und Methoden notwendig, als „nur“ maschinelles Lernen. Dieses stellt somit einen von insgesamt acht Unterbereichen von Artificial Intelligence dar. Dabei geht es im eigentlichen Sinn weniger um erlernte Intelligenz, als vielmehr um eine automatisierte Entwicklung von Algorithmen, die gewisse Daten nutzen, um in weiterer Folge Muster und Ergebnisse abzuleiten und Vorhersagen zu treffen.

Machine Learning gilt, besonders in der heutigen Zeit, als sehr populärer und bedeutender Teilbereich der Künstlichen Intelligenz und ist zentrales Element aktueller und zukünftiger Forschungen.

In unserem Praxisseminar Data Science und Machine Learning kannst du theoretisches Know-How und Methoden des maschinellen Lernens am Computer erlernen.