ARTICLE

Machine Learning & Deep Learning: Wenn Computer selbstständig lernen

Machine Learning & Deep Learning: Wenn Computer selbstständig lernen
SHARE ARTICLE

Künstliche Intelligenz (KI) ist eine Wissenschaft, die es sich zur Aufgabe gemacht hat, Computer dazu zu bringen, wie Menschen zu denken und zu handeln. So einfach wie das klingt, ist es aber nicht. Noch kann kein Computer mit der Komplexität der menschlichen Intelligenz mithalten. Der Schlüssel zu diesem Ziel liegt in Machine Learning (ML) und Deep Learning (DL). Denn diese beiden Technologien sind in der Lage, große Datenmengen zu analysieren und darauf basierend Entscheidungen und Vorhersagen mit so wenig menschlichem Eingreifen wie möglich zu treffen. Diese grundlegende Aussage führt allerdings oft dazu, dass die Begriffe Deep Learning und Machine Learning wie austauschbare Schlagworte der KI-Welt verwendet werden. Dem ist allerdings nicht so. Umso wichtiger ist es, die beiden Begriffe einmal näher zu beleuchten.

Was ist Machine Learning?

Machine Learning – ein von Arthur Samuel 1959 ´geprägter Begriff - ist eine Teilmenge der Künstlichen Intelligenz. Sie ist darauf ausgerichtet, Computer in die Lage zu versetzen, dass sie Aufgaben ohne explizite Programmierung ausführen können. Dazu verwendet ML Algorithmen, um Muster in Daten zu erkennen und zu interpretieren, daraus zu lernen und auf Basis dieser Erkenntnisse die bestmöglichen Entscheidungen bzw. Vorhersagen zu treffen. Im Allgemeinen kann der Lernprozess dieser Algorithmen entweder überwacht oder nicht überwacht werden, abhängig von den Daten, mit denen die Algorithmen gefüttert werden.

Wie funktioniert Machine Learning?

In der Regel werden Computer mit strukturierten Daten wie Beispielen, Erfahrungen oder Anweisungen gefüttert, um nach Mustern in Daten zu suchen und automatisch zu lernen, die Daten ohne menschliches Eingreifen oder Zutun im Laufe der Zeit besser auszuwerten, um in Zukunft bessere Entscheidungen und Vorhersagen treffen zu können. ML-Algorithmen verwenden Statistiken, um Muster in riesigen Datenmengen zu finden. Dabei kann alles, was digital gespeichert werden kann, als Daten in einen ML-Algorithmus eingespeist werden.

Die Algorithmen des Maschinellen Lernens werden oft als überwacht oder unüberwacht kategorisiert.

Was ist überwachtes Lernen?

Überwachtes Lernen ist eine Teilmenge des Maschinellen Lernens, die die ständige menschliche Beteiligung erfordert – daher der Name „überwacht“. Der Computer wird mit Trainingsdaten und einem Modell gefüttert, das explizit entwickelt wurde, um ihm beizubringen, wie er auf die Daten reagieren soll. Das überwachte Lernmodell hat einen Satz von Eingabe- und Ausgabevariablen. Ein Algorithmus identifiziert die Abbildungsfunktion zwischen den Eingabe- und Ausgabevariablen. Konkret heißt in diesem Fall “überwacht“, dass der Algorithmus jedes Mal korrigiert wird, um das Ergebnis zu optimieren. Der Algorithmus wird über den Datensatz trainiert und geändert, bis er ein akzeptables Leistungsniveau erreicht. Dabei wird der Algorithmus so lange verfeinert, bis er in der Lage ist, neue Datensätze, die den erlernten Mustern folgen, genau zu verarbeiten. Beim semi-überwachten Lernen wird der Computer mit einer minimalen Menge an gekennzeichneten Daten und einer großen Menge an nicht gekennzeichneten Daten gefüttert und sucht selbstständig nach Mustern.

Was ist unbeaufsichtigtes Lernen?

Unüberwachtes oder unbeaufsichtigtes Lernen geht noch einen Schritt weiter. Hier werden nicht gekennzeichnete Daten verwendet. Im Gegensatz zum überwachten Lernen werden hier nur Eingabevariablen verwendet, aber keine richtigen Antworten vorgegeben. Der Algorithmus muss herausfinden, was angezeigt wird. Das Ziel ist es, die Daten zu untersuchen und versteckte Muster und intrinsische Strukturen in den Daten zu finden. Dem Computer wird die Freiheit eingeräumt, Muster und Assoziationen nach Belieben zu finden, was oft zu Ergebnissen führt, die für einen menschlichen Datenanalysten möglicherweise nicht sichtbar waren.

Die gebräuchlichste Methode des unüberwachten Lernens ist das Clustering, das für die explorative Datenanalyse verwendet wird, um versteckte Muster oder Gruppierungen in Daten zu finden. Anwendungen für die Clusteranalyse umfassen Gensequenzanalyse, Marktforschung und Objekterkennung.

Was ist Reinforcement Learning?

Reinforcement Learning ist das Training von ML-Modellen, um eine Abfolge von Entscheidungen zu treffen. Beim Reinforcement Learning versucht der Computer über Versuch und Irrtum eine Lösung für das Problem zu finden. Dabei erhält die Künstliche Intelligenz entweder Belohnungen oder Strafen für die von ihr ausgeführten Aktionen. Es liegt am Modell herauszufinden, wie die Aufgabe ausgeführt wird, um die Belohnung zu maximieren, angefangen bei völlig zufälligen Versuchen bis hin zu ausgeklügelten Taktiken. Durch die Nutzung der Leistungsfähigkeit der Suche und vieler Versuche ist Reinforcement Learning derzeit der effektivste Weg, um die Kreativität von Maschinen zu erkennen. Im Gegensatz zu anderen maschinellen Lerntechniken wird das Reinforcement Learning nicht durch von Menschen gekennzeichnete Daten eingeschränkt. Damit eignet sich Reinforcement Learning für Bereiche, in denen Trainingsdaten nicht vorhanden, knapp oder durch rechtliche Beschränkungen eingeschränkt sind.

Wozu wird Maschinelles Lernen eingesetzt?

ML begegnet uns tagtäglich. Google verwendet ML beispielsweise, um Spam, Malware und Phishing-E-Mails aus dem Posteingang herauszufiltern. Banken und Kreditkarteninstitute nutzen ML, um Warnungen über verdächtige Transaktionen auf Kundenkonten zu generieren. Bei Siri und Alexa steuert Maschinelles Lernen die Sprach- und Spracherkennungsplattformen. Und die Medizin setzt heute schon ML ein, um Röntgenbilder und Bluttestergebnisse auf Anomalien wie Krebs zu scannen. ML kann eine Vielzahl von Routineaufgaben automatisieren. ML hilft bei der Automatisierung und dem Erstellen von präzisen und skalierbaren Modellen für die Datenanalyse. ML wird mittlerweile in praktisch jede Branche eingesetzt – von der Suche nach Malware über Wettervorhersagen bis hin zu Börsenmaklern, die nach optimalen Trades suchen.

Von Spracherkennung bis Stimmungsanalyse

Eine gebräuchliche Anwendung ist auch die Gesichtserkennung zum Freischalten des Smartphones oder für Sicherheitszwecke wie die Identifizierung von Kriminellen oder die Suche nach vermissten Personen. Auch die automatische Spracherkennung ist ein Spielfeld von ML, um beispielsweise Sprache in digitalen Text umzuwandeln, bei der Benutzer-Authentifizierung von Benutzern basierend auf der Stimme und bei der Ausführung von Aufgaben basierend auf den menschlichen Spracheingaben. In Kombination mit Natural Language Processing (NLP) versetzt Machine Learning Computer in die Lage eine nahtlose Interaktion zwischen Mensch und Technologie, bzw. zwischen gesprochener und geschriebener Sprache, zu ermöglichen, zu interpretieren und weiterzuverarbeiten. Besonders komplexe Workflows mit Chatbots oder virtuellen Assistenten (VA) profitieren von dieser technologischen Heirat, da nicht nur Aufgaben ausgeführt, sondern auch adäquat kommuniziert werden kann, während aus den Datensätzen gelernt wird, um noch bessere Entscheidungen zu treffen und passende Services anzubieten. Computer-Vision-Tools wie Optical Character Recognition (OCR) stellen hierbei den kleinen Bruder da, welcher gescannte Dokumente oder Fotos in Text umwandelt.

Im Finanzdienstleistungsbereich eignet sich ML für die Erkennung von Betrug, indem es die Aktivitäten jedes Benutzers überwacht und beurteilt, ob eine versuchte Aktivität für diesen Benutzer typisch ist oder nicht oder zum Erkennen von Geldwäscheaktivitäten. ML verbessert die Lead-Scoring-Algorithmen, indem es verschiedene Parameter wie Webseitenbesuche, geöffnete E-Mails, Downloads und Klicks einbezieht, um jeden Lead zu bewerten. ML ermöglicht Stimmungsanalysen, um die Reaktion der Verbraucher auf ein bestimmtes Produkt oder eine Marketinginitiative zu messen. Ganz aktuell nutzen Wissenschaftler ML, um epidemische Verläufe und Ausbrüche vorherzusagen.

Und was ist jetzt Deep Learning?

Deep Learning ist eine Teilmenge des Maschinellen Lernens basierend auf künstlichen neuronalen Netzen. Während bei ML die Fähigkeiten von Computern, komplexe Aufgaben auszuführen, immer noch weit hinter dem zurückbleiben, wozu Menschen fähig sind, setzt Deep Learning auf Algorithmen, die Daten mit einer logischen Struktur analysieren, ähnlich wie ein Mensch Schlussfolgerungen ziehen würde. Dazu strukturiert DL die Algorithmen in mehreren Schichten, um ein künstliches neuronales Netzwerk (KNN) zu schaffen, das aus riesigen Datenmengen lernen und selbstständig intelligente Entscheidungen treffen kann. So wie Menschen das Gehirn benutzen, um Muster zu erkennen und verschiedene Arten von Informationen zu klassifizieren, kann DL beigebracht werden, dieselben Aufgaben mit Daten auszuführen.

Wie funktioniert Deep Learning?

Bei Deep Learning-Modellen werden komplexe, vielschichtige neuronale Netze aufgebaut. Diese KNNs sind vom biologischen neuronalen Netzwerk des menschlichen Gehirns inspiriert. Das bedeutet, dass der Lernprozess von DL weitaus leistungsfähiger ist als der von Standardmodellen für Maschinelles Lernen. Ein KNN besteht aus mehreren Schichten, sogenannten Layern: einer Eingabeschicht, einer Ausgabeschicht und den mittleren Layern, die auch als versteckte Layer bezeichnet werden. Ein Layer ist eine Variable, die sich an die Eigenschaften der Daten anpassen kann, mit denen sie trainiert wird, und wird damit in die Lage versetzt, Aufgaben wie das Klassifizieren von Bildern und die Umwandlung von Sprache in Text zu erledigen. Je mehr versteckte Schichten ein Netzwerk zwischen Eingabe- und Ausgabeschicht hat, desto tiefer ist es. Im Allgemeinen wird jedes KNN mit zwei oder mehr versteckten Schichten als tiefes neuronales Netzwerk bezeichnet.

Neuronale Netze lernen von selbst

In einem neuronalen Netz werden nur die Ausgangsbasis und das gewünschte Ergebnis eingegeben. Anschließend lernt das Netz von selbst. Indem dem Netzwerk erlaubt wird, selbstständig zu lernen, entfällt die Notwendigkeit, alle Regeln einzugeben. Es wird nur die Architektur des neuronalen Netzes erstellt. Sobald das System trainiert ist, kann man ihm beispielsweise ein neues Bild zeigen und es wird in der Lage sein, das Bild zu unterscheiden und zu klassifizieren.

Convolutional Neural Networks

Convolutional Neural Networks (CNN) sind speziell entwickelte Algorithmen, die ein Eingabebild aufnehmen, verschiedenen Aspekten und Objekten im Bild eine Bedeutung zuweisen und diese auch voneinander unterscheiden können.  Die Architektur eines Convolutional Neural Networks ist mit den Konnektivitätsmustern von Neuronen im menschlichen Gehirn vergleichbar. Dabei wird auf jedes Element eines Bildes ein Filter angewendet, der dem Computer hilft, Elemente innerhalb des Bildes selbst zu verstehen und darauf zu reagieren. Dieses Verfahren eignet sich, wenn man eine große Anzahl von Bildern für ein bestimmtes Element oder eine bestimmte Funktion scannen muss, z.B. das Auffinden eines Gegenstandes auf dem Meeresboden oder um das Gesicht einer einzelnen Person auf dem Bild einer Menschenmenge zu identifizieren.

Recurrent Neural Networks

Recurrent Neural Networks (RNN) führen ein Schlüsselelement ein, das in einfacheren Algorithmen fehlt: das Gedächtnis. RNN setzt auf sequenzielle Daten oder Zeitreihendaten. Recurrent Neural Network erinnert sich an die Vergangenheit und die Entscheidungen werden von dem beeinflusst, was es aus der Vergangenheit gelernt hat. Der Computer ist in der Lage, vergangene Datenpunkte und Entscheidungen „im Gedächtnis“ zu behalten und sie bei der Überprüfung aktueller Daten zu berücksichtigen. Diese DL-Algorithmen kommen häufig bei ordinalen oder zeitlichen Problemen zum Einsatz, wie z. B. bei Sprachübersetzung, Verarbeitung natürlicher Sprache (NLP) oder Spracherkennung und finden sich in beliebten Anwendungen wie Siri oder Google Translate wieder.

Wozu wird Deep Learning eingesetzt?

Das Einsatzgebiet von DL ist breit gefächert. Beim automatisierten Fahren erkennt es Objekte wie STOP-Schilder oder Fußgänger. Auch Heimassistenzgeräte wie beispielsweise Alexa und Siri verlassen sich auf Deep Learning-Algorithmen, um auf die Stimme des Benutzers zu reagieren und seine Vorlieben zu kennen. Ohne Deep Learning gäbe es keine Chatbots, Google Translate wäre eine rudimentäre Übersetzungsmaschine und der Streamingdienst Netflix hätte keine Ahnung, welche Filme oder Fernsehserien er vorschlagen soll. In der Landwirtschaft kann mit Hilfe von DL die Ertragsproduktion optimiert werden, indem Daten von Sensoren und Satelliten unter Berücksichtigung von Temperatur und Luftfeuchtigkeit genutzt werden für Vorhersagen. In Sales und Marketing lassen sich potenzielle Kunden, die die Lösung am wahrscheinlichsten kaufen würden, identifizieren. Im Bereich des Markenschutzes lassen sich Logo- und Produktfälschungen im Internet erkennen. DL ermöglicht es Unternehmen, datengesteuerte prädiktive Werbung, Real-Time Werbung oder zielgenaue Display-Werbung zu betreiben. In der Gas- und Ölindustrie kann DL Erkenntnisse aus Daten gewinnen, die zuvor verborgen waren, um wichtige Ziele wie seismische Modellierung, automatisierte Bohrlochplanung, Vorhersagen von Maschinenausfällen und Optimierung von Lieferketten zu erreichen.

Machine Learning und Deep Learning

Die Begriffe Machine Learning und Deep Learning werden oft synonym verwendet. Dennoch gibt es einige Unterscheidungsmerkmale. Im Gegensatz zum Maschinellen Lernen ist Deep Learning ein noch junges Teilgebiet der Künstlichen Intelligenz basierend auf künstlichen neuronalen Netzen. Beim Maschinellen Lernen geht es darum, dass Computer mit weniger menschlichen Eingriffen denken und handeln können. Beim Deep Learning geht es darum, dass Computer das Denken lernen, indem sie Strukturen verwenden, die dem menschlichen Gehirn nachempfunden sind. In einem Deep Learning-Modell ist der Merkmalsextraktionsschritt überflüssig. Auch ohne die Hilfe von Menschen kann dieses Modell die einzigartigen Eigenschaften eines Autos erkennen und eine korrekte Vorhersage in einer bestimmten Situation treffen. Maschinelles Lernen dagegen erfordert kontinuierliche menschliche Eingriffe, um Ergebnisse zu erzielen. Deep Learning ist komplexer einzurichten, erfordert aber danach nur minimale menschliche Eingriffe. Da ML-Programme eine geringere Komplexität aufweisen als Deep Learning-Algorithmen, können sie auf herkömmlichen Computern ausgeführt werden. Deep Learning dagegen benötigt weitaus leistungsfähigere Hardware und Ressourcen. ML-Modelle lassen sich zwar schnell einrichten und betreiben, die Aussagekraft ihrer Ergebnisse ist aber eingeschränkt. Dagegen benötigen DL-Systeme einen höheren Aufwand für die Einrichtung, liefern dann aber sofort Ergebnisse. Während ML sich mit strukturierten Daten beschäftigt und traditionelle Algorithmen wie die lineare Regression verwendet, arbeitet DL mit neuronalen Netzen und wurde extra entwickelt, um große Mengen unstrukturierter Daten zu verarbeiten.

Fazit

Jeden Tag werden innovative Technologien in unseren Alltag integriert. Gleichzeitig wachsen die Anforderungen, die Verbraucher an die Services und Anwendungen der Unternehmen stellen. Um mit den Erwartungen der Verbraucher Schritt halten zu können, setzen Unternehmen zunehmend auf lernende Algorithmen, um die Dinge zu vereinfachen. Man muss nicht im Kaffeesatz lesen können, um vorauszusagen, das Maschinelles Lernen und Deep Learning derzeit die effektivsten KI-Technologien für zahlreiche Anwendungen sind und dass sie unser Leben und das kommender Generation auf eine Weise verändern werden, die noch vor Jahrzehnten unmöglich war. Doch damit nicht genug. In den nächsten Jahren wird die Technologieforschung Lernmethoden und -Modelle entwickeln und verfeinern, die menschliches Verhalten noch genauer nachahmen können. KI-Technologien wie diese sind außerdem ein wichtiger Bestandteil bei der Automatisierung von Prozessen. Sie machen das "Hyper" in Hyperautomation und das "Intelligent" in Intelligent Automation aus.

Das RPA 1x1 als Ebook

Jetzt downloaden!Machine Learning & Deep Learning: Wenn Computer selbstständig lernen
More articles like this