2. Maschinelles Lernen

• 1. Wie lernen Maschinen?

  Ziel moderner KI-Systeme (also lernender Systeme) ist es, Maschinen, Roboter und Softwaresysteme zu befähigen, abstrakte Aufgaben und Probleme eigenständig zu lösen, ohne dass jeder einzelne Schritt vom Menschen programmiert wird. Das System soll stattdessen selbst zu einem sinnvollen Ergebnis finden.

  Der Algorithmus ist so geschrieben, dass er „lernt“. Dies tut er anhand von Beispielen selbstständig, er passt sich stetig an und verbessert sich. Diesen Bereich der KI nennt man Machine Learning (ML). Dabei unterscheidet sich das Lernen von der Art und Weise, wie wir Menschen lernen.

  Unter „Lernen“ verstehen wir die Aneignung von Wissen und Kenntnissen sowie das Erwerben von Fertigkeiten. Wenn wir im Laufe der Zeit durch bestimmte Erfahrungen zu einer bestimmten Einstellung bzw. einem bestimmten Verhalten gelangen, dann zählt das auch zum Lernen.

  Wir Menschen lernen, weil es uns glücklich macht. Es ist uns ein inneres Bedürfnis zu lernen, es liegt in unserer Natur. Wenn wir nicht lernen können, werden wir unzufrieden. Darin unterscheiden wir uns sehr deutlich von Maschinen.

  Aber auch die Bedingungen, die wir für das Lernen benötigen sind sehr verschieden. Während es für uns beim Lernen wichtig ist, dass wir ausgeschlafen sind, regelmäßig Pausen machen und es uns auch hilft, mit anderen Menschen zusammen zu lernen, so ist das für Maschinen alles überhaupt nicht wichtig. Sie brauchen keine Erholung. Und je mehr „Lernstoff“, also je mehr Daten sie als Grundlage zum Lernen zur Verfügung haben, desto besser. Denn ML-Algorithmen generieren ihr „Wissen“ aus Erfahrungen, den sogenannten Trainingsdaten. Immer dann, wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend Beispieldaten vorhanden sind (z. B. Sensordaten, Bilder oder Texte), bietet sich maschinelles Lernen an.

  Im Allgemeinen werden drei verschiedene Arten des Machine Learnings unterschieden:

  Überwachtes Lernen

  Beim überwachten Lernen (Supervised Learning) wird der ML-Algorithmus mit Datensätzen und Problemen gespeist, bei denen die Lösung bereits bekannt ist – zum Beispiel was auf einem Bild zu sehen ist. Anhand von Regeln wird geprüft, ob der Algorithmus „richtig“ lernt. Das kostet eine Menge Zeit in der Vorbereitung, denn hier muss ein Mensch jedes Bild einmal anschauen und beschreiben bzw. markieren, was darauf zu sehen ist.

  Unüberwachtes Lernen

  Beim unüberwachten Lernen (Unsupervised Learning) ist diese Arbeit nicht notwendig. Hier sucht der Algorithmus selbsttätig nach Ähnlichkeiten und Mustern in einer Datenmenge. Damit hilft er, unmarkierte Daten zu sortieren und neue Erkenntnisse über die Informationen in den Daten zu gewinnen. Haben wir beispielsweise Daten über verschiedene Fische – wie deren Länge, Gewicht, Farbe etc. – könnte der Algorithmus sie sortieren und wir könnten so herausfinden, wie viele Arten von Fischen wir in unserer Datenbank haben. So wären einzelne besser zu bestimmen. Überwachtes und unüberwachtes Lernen werden also für unterschiedliche Zwecke eingesetzt.

  Lernen durch Belohnungen

  Zwischen den beiden ML-Lehrmethoden steht noch eine dritte: das Lernen durch Belohnungen (Reinforcement Learning). Hier geben die Entwickler:innen nur Impulse, um das Training der Algorithmen zu beeinflussen, und es werden keine vorgefertigten Trainingsdaten verwendet. Stattdessen werden die Daten in einem Versuch-und-Irrtum-Verfahren während des Trainings erzeugt und gleichzeitig als„ gut“ oder „schlecht“ bewertet. Eine solche KI könnte z. B. ein Brettspiel spielen. Zu Beginn wählt sie einen zufälligen Spielzug aus und merkt sich, ob dies eine gute Entscheidung war (sie gewinnt später das Spiel) oder eine schlechte (sie verliert später das Spiel). So wird sie zu Beginn oft scheitern, lernt aber mit jedem Spiel dazu.

  Zusammengefasst: Es geht beim Machine Learning vor allem darum, aus vorhandenen Daten Erfahrungen und Wissen zu schöpfen und auf dieser Basis dann Entscheidungen zu treffen.

  Als gelesen markieren

• 2. Wie wird eine KI entwickelt?

  Die Theorie ist die eine Seite, aber wie steht es um die Praxis? Was passiert konkret, wenn eine KI entwickelt wird? Die Profis gehen hierbei schrittweise vor:

  1. Klug entscheiden

  Machine Learning ist sehr aufwendig. Daher sollte beim Aufsetzen eines ML-Prozesses reiflich überlegt werden, ob der Einsatz von KI für den jeweiligen Anwendungsfall überhaupt notwendig ist. Manchmal genügt auch ein gut geschriebenes „normales“ Programm. Das ist dann nicht nur kostengünstiger und schneller, sondern meist auch besser als eine KI.

  Der Einsatz von KI lohnt sich nur dann, wenn Schlüsse aus einer sehr großen Menge Daten gezogen werden sollen und der Programmieraufwand zu groß wäre. Wie würde man beispielsweise einer Person erklären, wie man eine Katze auf einem Bild erkennen kann, wenn diese Person noch nie eine Katze gesehen hat? Und würde sie wirklich alle Katzen erkennen oder regelmäßig welche übersehen? Würde sie vielleicht den einen oder anderen Hund für eine Katze halten?

  Der Einsatz einer KI ist auch dann sinnvoll, wenn sich das System über die Zeit noch weiter anpassen und entwickeln soll.

  2. Daten vorbereiten

  Ist das Ziel und der Einsatzzweck für den ML-Algorithmus klar definiert, gilt es im nächsten Schritt die Daten vorzubereiten. Hierfür müssen große Mengen an Daten gesammelt, sortiert und bereinigt werden. Denn nur wenn die Daten in einer hohen Qualität vorliegen, können sie vom ML-Algorithmus auch als gute Basis zum Trainieren verwendet werden.

  3. Die KI trainieren

  Nun kann die Lernphase starten. Dafür werden der ML-Algorithmus und die entsprechenden Regeln programmiert. Anschließend wird der ML-Algorithmus mithilfe der Daten trainiert, d. h. er beginnt nun auf Basis der Daten Muster und Strukturen zu erkennen und eigenständig Modelle zu bilden. Die Modelle bilden anschließend die Grundlage, um Wahrscheinlichkeiten und Werte vorherzusagen.

  Während in den anderen Phasen vor allem viel menschliche Arbeit nötig ist, muss nun der Computer lange rechnen. Das Trainieren der KI kann Stunden oder sogar Wochen beanspruchen.

  4. Ergebnisse auswerten und verbessern

  Anschließend schauen sich die Programmierer:innen die Ergebnisse an und werten sie aus, um zu verstehen, was im Algorithmus passiert. Dabei werden in der Regel noch viele Anpassungen im Code vorgenommen, um die Parameter zu verbessern. Es beginnt also ein kontinuierlicher Prozess des Lernens und der Auswertung der Ergebnisse. Dieser Prozess wird so lange wiederholt, bis das Modell zuverlässig arbeitet.

  Sobald das passiert, kann die KI in Betrieb genommen und auf unbekannte Daten losgelassen werden.

  Als gelesen markieren

• 3. Welche Methode passt am besten?

  Entsprechend der drei verschiedenen Arten des Machine Learnings unterscheiden sich auch ihre Anwendungsbereiche:

  Überwachtes Lernen

  ML-Algorithmen aus dem Bereich des überwachten Lernens werden oft für die Bilderkennung eingesetzt. Handgeschriebene Postleitzahlen beim Sortieren von Briefen sind so ein Fall, oder Personen auf Bildern in sozialen Netzwerken. Auch in der Spracherkennung, in Apps zur Pflanzenbestimmung oder bei Umsatzprognosen arbeiten Algorithmen des überwachten Lernens.

  Zusammengefasst handelt es sich dabei um Anwendungen, bei denen man ein vorgegebenes Ziel hat, das antrainiert werden kann. Daher bietet sich überwachtes Lernen vor allem dann an, wenn man umfangreiche, gut klassifizierte Datensätze hat, die zum Training eingesetzt werden können. Die KI nutzt diese dann, um weitere Einordnungen und Klassifikationen selbstständig vorzunehmen.

  Oft liegen aber große Datenmengen vor, die noch nicht sortiert und klassifiziert sind. Hierfür eignet sich das unüberwachte Lernen.

  Unüberwachtes Lernen

  Beim unüberwachten Lernen existiert kein vorgegebenes Ziel. Vielmehr geht es darum, dass der Algorithmus selbstständig Strukturen und Muster in unsortierten Daten erkennt. Ein Beispiel hierfür sind sogenannte Cluster-Analysen im Gesundheitsbereich: Verhaltensweisen oder Krankheitsbilder von Patienten werden dabei in bestimmte Cluster sortiert, woraufhin dann ein gezielter Therapieansatz entwickelt werden kann.

  Unüberwachtes Lernen wird auch eingesetzt, um das Produktmarketing zu verbessern. Hier werden Kund:innen zunächst anhand von Daten wie z. B. Familienstand, Alter, Beruf oder Bildungsabschluss in Gruppen eingeteilt. Die benötigten Daten entstehen sowohl beim Online-Shopping als auch beim „Punkte sammeln“ an der Ladenkasse. Die KI erkennt schließlich: „Wer Produkt A gekauft hat, ist wahrscheinlich auch interessiert an Produkt B“. In der Folge lässt sich personalisierte Werbung einblenden.

  Zusammengefasst: Beim Unsupervised Learning erkennt der Algorithmus eigenständig Muster und Strukturen aus einer großen Menge unsortierter Daten ohne, dass es eine Art Belohnung oder Verstärkung gibt.

  Lernen durch Belohnungen

  Beim Lernen durch Belohnungen (auch: verstärkendes Lernen) hingegen erhält das Programm eine Belohnung bei erfolgreichen Lösungswegen. Es ist also ein bestimmtes Ziel bekannt, nur die Lösung noch nicht. Dafür gibt es einen sogenannten Agenten, der Handlungen ausführt. Durch diesen Agenten ändert sich die Umgebung. Je nachdem, wie das daraus resultierende Ergebnis ausfällt, erhält der Agent dafür „Belohnungen“ oder „Bestrafungen“. Dabei ist sein Ziel, die Belohnungen zu maximieren.

  Ein sehr bekanntes Beispiel ist das Programm Alpha Go, der ML-Algorithmus, der erstmalig in dem wohl schwersten Strategiespiel der Welt den amtierenden Weltmeister geschlagen hat. Dabei wurde der Algorithmus durch das Spielen gegen Menschen trainiert und wurde für seine Siege entsprechend belohnt bzw. für seine Niederlagen bestraft. Aus diesen Informationen entwickelte der Agent dann mit der Zeit Strategien, um so oft wie möglich zu gewinnen.

  Ein weiteres Beispiel für das verstärkende Lernen ist das automatisierte Fahren. Hier bekommt das Fahrzeug die Aufgabe, den optimalen Weg von A nach B zu finden, ohne dabei einen Unfall zu bauen. Entsprechend wird das verstärkende Lernen auch in der Verkehrsleitung eingesetzt.

  Zusammengefasst: Verstärkendes Lernen wird immer dann eingesetzt, wenn das Ziel bekannt ist, aber der Lösungsweg noch nicht.

  Als gelesen markieren