In unserem dritten Teil unserer Serie Begriffe der Informationstechnologie 4.0. beschäftigen wir uns mit den Themenpunkte Machine und Deep Learning, die eine wesentliche Grundlage für Künstliche Intelligenz (KI) sind.
Maschinelles Lernen ist die Anwendung und Erforschung von Verfahren, durch die Computersysteme befähigt werden, selbstständig Wissen aufzunehmen und zu erweitern, um ein gegebenes Problem besser lösen zu können als vorher. (Definition aus dem Gabler Wirtschaftslexikon [1]).
Die Systeme werden nicht, wie bisher üblich, programmiert, sondern sie lernen, indem sie Regel- und Gesetzmäßigkeiten in Daten erkennen und daraus Konklusionen und Aktionen ableiten.
Deep Learning
Eine bestimmte Methode des maschinellen Lernens ist Deep Learning. Hier werden Computer zur Lösung unzureichend definierte Abstraktionen
und Probleme trainiert, indem neuronale Netze emuliert werden, die wie das menschliche Gehirn funktionieren. Zum Beispiel kann ein
fünfjähriges Kind, im Gegensatz zu einem Computer, problemlos den Unterschied zwischen einem Schülerlotsen und einem Lehrer erkennen.
In Anwendungen zur Bilder- und Spracherkennung sowie Computervisionen wird Deep Learning häufig eingesetzt.
Überwachtes Lernen (Supervised Learning)
Beim Überwachten Lernen lernt das System mit Trainingsdaten und einem Verständnis, wie Daten klassifiziert werden.
Das Ziel ist es, Muster zu finden, die auf eine Analyseprozess angewendet werden können.
Beispielsweise kann ein basierend auf Bildern und Beschreibungen trainiertes System zwischen Millionen von Tieren unterscheiden.
Unüberwachtes Lernen (Unsupervised Learning)
Im Gegensatz zum überwachten Lernen, weiss das System beim unüberwachten Lernen nicht, was es erkennen soll.
Es erkennt bestimmte Muster und Cluster oder Kategorien, jedoch ohne zu Wissen, um welche Kategorie es sich handelt.
Es handelt sich hier um einen iterativen Prozess, wo die Daten vollautomatisch analysiert werden. Diese Methode wird
z.B. bei E-Mail-Spam-Erkennung angewendet, um unerwünschte E-Mails zu identifizieren.
Bestärkendes Lernen (Reinforcement Learning))
Beim bestärkenden Lernen lernt das System nach der Trial-and-Error-Methode und benötigt keine vorheriges
Datenmaterial. Der Algorithmus bekommt ein Feedback aus der Datenanalyse und führt dem Benutzer zum besten Ergebnis.
Die verwendeten Algorithmen haben das Ziel, die erhaltenen Belohnungen zu maximieren.
Beispiel für die Verwendung von Reinforcement Learning ist AlphaGo von Google.