Machine Learning - Maschinelles Lernen

Das so genannte "Machine Learning" (zu deutsch: Maschinelles Lernen) stellt einen wichtigen Teilbereich der KI-Forschung dar. Mittels unterschiedlicher Verfahren werden Computer oder Computernetzwerke dadurch in die Lage versetzt, selbstständig neues Wissen zu generieren. Das ermöglichen komplexe Algorithmen, die z. B. sich wiederholende Muster in großen Datenbeständen erkennen oder neue Informationen anhand von Erfahrungen analysieren und klassifizieren können.
Je nach Vorgehensweise wird maschinelles Lernen in unterschiedliche Bereiche aufgeteilt. Das sind das überwachte Lernen, das teilüberwachte Lernen, das unüberwachte Lernen, das bestärkende Lernen und das aktive Lernen. Die Unterschiede liegen dabei vor allem darin, wie viele Daten vorgegeben sind und wie stark der Mensch z. B. durch Programmierung in den Lernvorgang eingreift. Je nach Anwendungsbereich sind deshalb nicht alle Verfahren gleich sinnvoll.
Zu den ersten Anwendungsgebieten des Machine Learning zählen z. B. im medizinischen Bereich die Automatisierung von Diagnoseverfahren oder das Klassifizieren von Nukleotidsequenzen. Auf dem Finanzmarkt hingegen wird bereits seit langem maschinelles Lernen dazu genutzt, eventuellen Kreditkartenbetrug zu identifizieren oder die Aktienkurse zu analysieren. Inzwischen ist Machine Learning auch in zahlreichen Alltagsanwendungen im Einsatz. So etwa bei der Text- und Spracherkennung in Mobiltelefonen und anderen Systemen. Beim Entwickeln von Verfahren für das künstliche Lernen dient in der Regel der Mensch als Vorbild. Ziel dabei ist, dass das künstliche System aus Erfahrungen lernen kann. Es ist also nicht auf eine starre Datenbank mit einer bestimmten Menge absoluter Informationen beschränkt. Stattdessen sammelt der Computer neue Daten und kann daraus immer neue Erkenntnisse gewinnen. Je mehr Erfahrungen der Computer sammelt, desto "intelligenter" wird er. Seine Voraussagen werden genauer und er wird zuverlässiger im Einschätzen neuer Informationen. Das ist insbesondere dann wichtig, wenn es sich um ein autonomes System handelt, wie etwa ein selbstfahrendes Auto.

Deep Learning: Verfahren für maschinelles Lernen

Der wichtigste Ansatz des Machine Learning ist das so genannte Deep Learning. Dieses kommt sowohl in überwachten, wie auch in unüberwachten Systemen zum Einsatz. Mittels eines künstlichen neuronalen Netzes wurde bereits in den 1980er Jahren damit begonnen, Computern eigenständiges Lernen beizubringen. Doch um das Potential voll auszuschöpfen, reichten insbesondere die zur Verfügung stehenden Datenmengen damals noch nicht aus. Ein heute verbreitetes Anwendungsgebiet des Deep Learning Verfahrens ist die automatische Gesichtserkennung. Dabei werden von der entsprechenden Software mehrere Ebenen durchlaufen. So kann der Computer in der ersten Ebene Helligkeitsunterschiede zwischen den einzelnen Pixeln erkennen. In der zweiten Ebene werden geometrische Strukturen identifiziert und in Ebene 3 werden schließlich komplexere Strukturen und Muster kategorisiert. Anhand größerer Datenmengen lernt das System, welche dieser Strukturen typischerweise in menschlichen Gesichtern vorkommen und klassifiziert diese. So kann in neuen, noch unbekannten Bildern automatisch erkannt werden, ob es sich um ein Gesicht handelt und dieses womöglich sogar bereits in einem zuvor analysierten Bild vor kam.
Dank des Deep Learning Verfahrens ist man durch das Machine Learning in der Lage, selbst große Datensätze innerhalb kurzer Zeit zu bearbeiten. Das musste früher noch manuell vorgenommen werden und so spart maschinelles Lernen heute sehr viel Zeit. Im Zusammenspiel mit Big Data ergeben sich dadurch auch neue Möglichkeiten und Fortschritte in der Erforschung künstlicher Intelligenz.