Was ist machine learning?

Der englische Begriff “Machine Learning” bedeutet auf Deutsch “Maschinelles Lernen”. “Machine Learning” bedeutet so viel wie die künstliche Generierung von Wissen aus Erfahrung. Es ist ein Bereich der Informatik, welcher zum Großteil statistische Techniken verwendet, um Computersystemen die Fähigkeit zu geben, Daten mit Daten zu “erlernen”, ohne explizit programmiert zu sein.

Was ist Machine Learning?

Ein System “lernt” sozusagen aus Beispielen, wobei es die Beispiele nicht auswendig lernt, sondern Gesetzmäßigkeiten und Muster erkennt. Es entsteht ein Machine Learning Algorithmus. Somit kann das System Voraussagen erstellen. Ein solches System ist vergleichbar mit einem Menschen mit jahrelanger Erfahrung in dem angewandten Gebiet. Der Unterschied liegt darin, dass das System Entscheidungen innerhalb einer Sekunde treffen kann und vor allem prinzipiell eine um ein Vielfaches größere Datenmenge verarbeiten kann. Man unterscheidet zwischen symbolischen Systemen und subsymbolischen Systemen. Beim symbolischen Ansatz ist das Wissen explizit repräsentiert, bei den subsymbolischen wiederum implizit. Künstliche Neuronale Netze sind nach dem Vorbild des menschlichen Gehirns aufgebaut. Nehmen wir ein Beispiel: ein Programm soll Katzen erkennen. Also gibst du ihm Bilder von Katzen und benennst sie mit “Katze”. Dies ist die Lernphase. Danach fütterst du es mit verschiedenen Bildern von Katzen, aber auch anderen Tieren, wie zum Beispiel Hunden oder Pferden. Dies ist die Testphase. Danach wertest du aus, wie oft das Programm richtig lag und nimmst bei Fehlern Änderungen vor. Je öfter du das wiederholst, desto kleiner wird die Fehlerquote.

Beliebte Programmiersprachen für Machine Learning: Python und Co.

Welche Programmiersprache wird oft im Bereich des Machine Learning verwendet?
Beliebte Programmiersprachen für Machine Learning sind Python, R, Octave und Mathlab. Machine Learning mit Python wird von den meisten heutzutage verwendeten Frameworks, wie zu Beispiel Caffe und Tensorflow, unterstützt. Aber auch bei den weniger populären Frameworks ist Python oft die einzig universell unterstütze Programmiersprache. Python eignet sich besser zur objektorientierten Programmierung, die Programmiersprache R besser zur funktionellen. Aufgrund bereits integrierter Pakete ist R manchmal etwas schneller als Python. Des Weiteren eignen sich auch Mathlab und Octave zur Programmierung von Maschinellem Lernen.

Was ist Deep Learning?

“Deep Learning” ist ein Teilbereich des maschinellen Lernens. Hier arbeitet man mit einem subsymbolischen Ansatz: Den Künstlichen Neuronalen Netzen. Der Name “Deep Learning” kommt davon, dass das System während der laufenden Anwendung hinzulernt. Somit optimiert sich das System ständig selbst, was die Erkennungsgenauigkeit und den Ergebnisnutzen kontinuierlich steigert.
Machine-Learning-Algorithmen werden bereits in vielen verschiedenen Teilen unseres Lebens angewendet. Zum Beispiel bei Girokonten und Kreditkarten können mit Hilfe von gut trainierten Machine Learning Algorithmen an ungewöhnlichen Transaktionen Hackerangriffe aufgedeckt werden. Weiter kann die Kreditwürdigkeit eines Kreditnehmers berechnet werden. E-Mail-Anwendungen, die automatisch Spam-Mails erkennen, arbeiten ebenfalls mit solchen Algorithmen. Auch Empfehlungen von verschiedenen Onlinekaufhäusern und Streaming-Anbietern basieren meist auf einem Machine Learning Algorithmus. Im Kundenservice werden zunehmend Chatbots eingesetzt, die automatisiert mit Kunden kommunizieren. Machine Learning ist auch eine Schlüsseltechnologie für die Entwicklung autonomer Systeme, wie selbstfahrender Autos und kollaborativer Roboter. Machine Learning Algorithmen werden auch in der Medizin eingesetzt, um die wirksamsten Therapien für Patienten zu finden. Diese Liste lässt sich beliebig um beinahe jeden Bereich des alltäglichen Lebens erweitern. Das Potential ist enorm.

Ausblick: Machine Learning wird bleiben

In Zukunft wird die Nachfrage an Machine Learning Algorithmen immer größer und die Technologie reifer werden. Deshalb werden immer mehr Unternehmen die Gelegenheit nutzen, um beispielsweise mit Hilfe der Cloud, Machine Learning als Dienstleistung anzubieten. Dies ermöglicht einer größeren Anzahl von Organisationen, das maschinelle Lernen zu nutzen, ohne große Hardware-Investitionen tätigen oder ihre eigenen Algorithmen trainieren zu müssen.
In nur wenigen Jahren wird maschinelles Lernen Teil fast jeder Softwareanwendung sein. Dies erlaubt z.B. einen hohen Grad an Personalisierung bei Streamingdiensten usw.

Klassische Anwendungsfälle

Vor dem maschinellen Lernen hatten Computer sehr viel Mühe, selbst einfache menschliche Sprache zu verstehen. Maschinelles Lernen hilft Computern mit Sprachsteuerung, den Kontext und die Bedeutung von Sätzen besser zu verstehen.
Gegenwärtig werden die meisten maschinellen Lernsysteme nur einmal trainiert. Basierend auf diesem anfänglichen Training wird das System dann neue Daten oder Probleme behandeln. Im Laufe der Zeit werden die ursprünglichen Trainingsinformationen oft veraltet oder unvollständig. In naher Zukunft werden mehr maschinelle Lernsysteme eine Verbindung zum Internet herstellen und sich selbst an den relevantesten Informationen weiterbilden.
Ein Trend verbindet alle dieser Vorhersagen: Mit dem Fortschreiten dieser Technologie werden immer mehr Unternehmen in den Markt einsteigen. Der Wettbewerb um die effizienteste Nutzung von Daten und maschinellem Lernen wird verschärft. Die Teams mit den stärksten KI-Strategien werden einen großen Wettbewerbsvorteil haben.