Maschi­nel­les Ler­nen – Zukunfts­mu­sik oder Realität?

Robo­ter, wel­che mensch­lich aus­se­hen und han­deln, über eine Super­in­tel­li­genz ver­fü­gen und die Men­schen nach und nach ver­drän­gen – sieht so die Zukunft aus? Fil­me und ande­re Medi­en grei­fen das The­ma künst­li­che Intel­li­genz und maschi­nel­les Ler­nen sehr ger­ne reich­lich über­spitzt auf. In naher Zukunft wird das jedoch tat­säch­lich nur Fik­ti­on blei­ben. Den­noch gibt es vie­le Fra­gen, Mythen und Unsi­cher­hei­ten, wel­che Zwei­fel beim Ein­satz der Tech­no­lo­gie zurück­las­sen. Nichts­des­to­trotz sind auch die unend­li­chen Ein­satz­mög­lich­kei­ten nicht zu ver­ken­nen, die zum Teil schon umge­setzt wer­den. Schon heu­te begeg­nen wir dem maschi­nel­len Ler­nen öfter, als wir das viel­leicht ver­mu­ten. Aber was steckt denn eigent­lich hin­ter dem maschi­nel­len Lernen?

• durch das maschi­nel­le Ler­nen lösen Maschi­nen Pro­ble­me „intel­li­gent“
• es wer­den Vor­her­sa­gen und Ent­schei­dun­gen getroffen 
• maschi­nel­les Ler­nen hat ein sehr gro­ßes, bran­chen­über­grei­fen­des Einsatzpotenzial 
• noch ist der Trai­nings­auf­wand sehr groß und der Ein­satz sehr speziell

Was bedeu­tet maschi­nel­les Lernen?

Künst­li­che Intel­li­genz hat das Ziel, wie der Name schon sagt, dass Maschi­nen eine Auf­ga­be “intel­li­gent” lösen. Was bedeu­tet aber intel­li­gent? Es geht dar­um, dass eine Maschi­ne selbst eine Lösung sucht, ohne dass die­se auf vor­ge­ge­be­ne Befeh­le und Ein­ga­ben reagiert. Anfangs wur­den Maschi­nen und Com­pu­ter intel­li­gent, indem manu­el­le Wis­sens­ein­ga­ben oder kon­kre­te Pro­gram­mie­run­gen getä­tigt wurden.

Mit fort­schrei­ten­der Zeit und tech­ni­scher Wei­ter­ent­wick­lung wur­den die Vor­gän­ge jedoch immer kom­ple­xer, sodass die­se Metho­den nicht mehr aus­rei­chen. Hier kommt das soge­nann­te maschi­nel­le Ler­nen zum Ein­satz. Dabei lernt eine Maschi­ne, wie der Mensch auch, aus Erfah­run­gen. Ver­ein­facht aus­ge­drückt wer­den aus Bei­spie­len Lern­al­go­rith­men erstellt, wel­che ein kom­ple­xes Modell bil­den. Die­ses Modell kann dann wie­der­um auf neue Daten ange­wandt wer­den. So kann der Com­pu­ter schluss­end­lich sogar Vor­her­sa­gen oder auch Ent­schei­dun­gen tref­fen. 

Maschi­nel­les Ler­nen kann ganz unter­schied­lich funktionieren

Maschi­nel­les Ler­nen kann ver­schie­de­ne For­men umfas­sen. Es gibt das über­wach­te Ler­nen, wel­ches bei­spiels­wei­se auf Ent­schei­dungs­bäu­men basiert und für Klas­si­fi­ka­tio­nen ein­ge­setzt wer­den kann. Hier wer­den also schon rich­ti­ge Ant­wor­ten zu den Bei­spie­len als soge­nann­te Labels vor­ge­ge­ben, was wie­der­um viel Vor­ar­beit bedeu­tet. Bei dem unüber­wach­ten Ler­nen wer­den hin­ge­gen nur die Roh­da­ten benö­tigt, um Mus­ter zu erken­nen. Das bestär­ken­de Ler­nen funk­tio­niert schluss­end­lich über Feed­back, wel­ches sagt, ob die Aus­füh­rung gut oder schlecht war, um so die Feh­ler nach und nach zu ver­rin­gern. Aus die­sen ver­schie­de­nen For­men erge­ben sich zahl­rei­che Model­le und Algo­rith­men, wel­che für ver­schie­de­ne Berei­che zum Ein­satz kommen.

Für die Sprach- und Text­ver­ar­bei­tung ist vor allem der Fort­schritt des soge­nann­ten Deep Lear­nings, ein Teil­be­reich des maschi­nel­len Ler­nens von Vor­teil. Hier ler­nen die Anwen­dun­gen mit Hil­fe künst­li­cher neu­ro­na­ler Net­ze, ähn­lich der Funk­ti­ons­wei­se eines mensch­li­chen Gehirns. Die­se Net­ze bestehen aus künst­li­chen Neu­ro­nen oder auch Kno­ten, wel­che wäh­rend des Ler­nens immer wie­der neu ver­knüpft werden. 

Die­se Tech­nik ist sehr kom­plex und nicht mehr so nach­voll­zieh­bar wie ein Ent­schei­dungs­baum, aber macht es mög­lich, dass auf Basis gro­ßer Daten­men­gen und einer Ana­ly­se des­sen, Ent­schei­dun­gen und Pro­gno­sen abge­lei­tet wer­den kön­nen, ohne dass der Mensch ein­grei­fen muss. Daten kön­nen dabei alles mög­li­che umfas­sen. Sei es Text, Bil­der oder Sen­sor­da­ten – all die­se Infor­ma­tio­nen kön­nen ver­ar­bei­tet werden.

Maschi­nel­les Ler­nen bringt gro­ßes Ein­satz­po­ten­zi­al mit sich

Schon längst ist das maschi­nel­le Ler­nen kein rei­nes For­schungs­pro­jekt mehr. In fast jedem Lebens­be­reich und jeder Bran­che kann die künst­li­che Intel­li­genz einen ent­schei­den­den Ein­fluss haben. Das auto­no­me Fah­ren von Autos ist nur ein Bei­spiel von Vie­len. Bei dem Begriff maschi­nel­les Ler­nen wird oft nur an phy­si­sche Robo­ter gedacht, wel­che “intel­li­gent” wer­den. Jedoch kön­nen auch digi­ta­le Anwen­dun­gen ler­nen. Wird uns bei Ama­zon oder Net­flix ein Pro­dukt oder eine Serie vor­ge­schla­gen, basiert dies auf künst­li­cher Intelligenz.

Auch in der Text- und Sprach­ver­ar­bei­tung wird das maschi­nel­le Ler­nen bereits ein­ge­setzt. Bei Chat­bots kommt bei­spiels­wei­se eine Tech­nik namens Natu­ral Lan­guage Pro­ces­sing zum Ein­satz, wel­che es ermög­licht, dass der Com­pu­ter die mensch­li­che Spra­che ver­ste­hen, inter­pre­tie­ren und dar­auf reagie­ren kann. Hier erfah­ren Sie mehr darüber.

Maschi­nel­les Ler­nen stößt noch auf Grenzen

Es gibt bereits vie­le Anwen­dungs­be­rei­che und die­se wer­den immer wei­ter wach­sen. Man darf aller­dings nicht ver­ges­sen, dass die­se Tech­nik (noch) nicht alles kann. In einer Stu­die der Fraun­ho­fer-Gesell­schaft wur­den der aktu­el­le tech­no­lo­gi­sche Stand und somit die Kom­pe­ten­zen des maschi­nel­len Ler­nens untersucht.

Momen­tan wird vor allem dar­an geforscht, wie der Trai­nings­auf­wand ver­rin­gert wer­den kann und die Model­le auch siche­rer und trans­pa­ren­ter wer­den kön­nen, um eine Akzep­tanz in der Gesell­schaft zu schaf­fen. Denn heu­te ist die Tech­no­lo­gie des maschi­nel­len Ler­nens nur für spe­zi­el­le Auf­ga­ben ein­setz­bar und auch noch sehr auf­wen­dig, auch da sehr vie­le Daten dafür benö­tigt wer­den. Dar­um sind aktu­ell ein­fa­che Chat­bots auch noch bes­ser als intel­li­gen­te Bots.