Der Begriff Machine Learning ist in aller Munde. Dabei beschreibt er das maschinelle Lernen, also das Lernen von Computern (wenn man so will).
Oft wird der Begriff mit ML abgekürzt, um die Texte nicht zu überfrachten.
Weiterhin gehört der Begriff in das Fachgebiet der Informatik – und stellt die Basis moderner Künstlicher Intellligenzen (KI) dar.
Die Sprache für die Entwicklung und den Austausch über das Thema ML ist i.d.R. Englisch – es sind so gut wie alle relevanten wissenschaftlichen und sonstigen Texte dazu zunächst (vor eine evtl. Übersetzung) in englischer Sprache verfasst.
Eine Definition
Machine learning is an application of AI that enables systems to learn and improve from experience without being explicitly programmed. Machine learning focuses on developing computer programs that can access data and use it to learn for themselves.
Damit ist eigentlich schon Alles gesagt – finden Sie nicht ?
Wie funktioniert nun dieses ML ?
Ähnlich der Art des menschlichen Gehirns Wissen und Verständnis zu erzeugen, versucht die ML mit Eingaben, Trainings-Daten oder Wissens-Graphen die Entitäten der Realität, die Bereiche und Verbindungen dazwischen zu verstehen.
Wenn die Entitäten definiert sind, kann das sog. Deep-Learning beginnen.
Dabei beginnt der ML Prozess mit Beobachtungen oder Eingabedaten, wie etwa mit Beispielen, direkten Erfahrungen oder Instruktionen.
In diesen Daten schaut der Prozess nach Mustern, auf deren Basis der Prozess später Rückschlüsse aus den Beispieldaten ziehen kann.
Die Hauptaufgabe von ML besteht darin, es Computern autonom – ohne menschliche Interaktion, Hilfe oder Einmischung – zu ermöglichen zu lernen und auf Basis des gewonnenen Wissens selbstständig Entscheidungen zu treffen bzw. Aktionen auszuführen.
Warum ist ML wichtig ?
ML ist als Konzept bereits eine Weile existent. Der Ausdruck Machine Learning wurde von Arthur Samuel begründen, einem Informatiker bei IBM, einem Pionier in KI und Computerspielen. Samuel erfand ein Schachprogramm, welches durch wiederholtes Spielen aus gemachten Erfahrungen lernte, in dem es auf Basis von Daten und den Algorithmen Vorhersagen machte.
Als Disziplin ermöglicht es ML durch Erkundung, Versuche oder Tests die Analyse und die Erstellung von Algorithmen, die aus Daten lernen können und mittels des Gelernten Vorhersagen zu treffen im Stande sind.
ML hat sich als Hilfreich erwiesen, weil es Problemstellungen in einer Geschwindigkeit und Skalierung lösen kann, die ein menschliches Gehirn alleine einfach nicht leisten kann.
Mit massiver Rechenleistung hinter einer einzelnen Aufgabe – oder mehreren Aufgaben – können Computer so trainiert werden, dass sie Muster in Beziehungen der Eingabedaten erkennen und Routineprozesse automatisieren können.
Daten sind der Schlüssel
Die Algorithmen, die das ML ermöglichen, sind der Schlüssel zum Erfolg. Dabei bilden ML Algorithmen ein mathematisches Modell auf Basis von Beispieldaten (sog. Trainings-Daten), um Entscheidungen zu treffen oder Vorhersagen zu machen – ohne dafür explizit programmiert worden zu sein. Dies kann Trends aus Business-Informationen erkennen lassen, um Business-Entscheidungen zu verbessern. Es kann aber auch die Effizienz steigern und nutzbare Daten zur Laufzeit erzeugen.
KI ist das Ziel
ML liefert die Basis für KI-Systeme, die Prozesse automatisieren und datenbasierte Business-Problemstellungen autonom zu lösen. Es ermöglicht Firmen menschliches Fähigkeiten zu ersetzen oder zu unterstützen. Verbreitete ML Anwendungen sind z.B. Chat Bots, selbstfahrende Automobile oder Spracherkennungs-Software.
ML ist bereits weit verbreitet
Machine Learning ist kein Science Fiction (mehr). Es wird global genutzt, in Busineses aller Branchen uns Sektoren, um Innovationen voranzutreiben und die Prozesseffizienz zu steigern.
Im Jahr 2021 gaben 41% der befragten Firmen an, wegen der Pandemie die Einführung von KI-Systemen zu forcieren. Diese neuen Spieler treffen auf die 31% der Befragten Firmen, die bereits KI-Systeme nutzen oder Pilotprojekte dazu betreiben.
Bereiche mit breit adaptiertem ML:
– Datensichereit – ML Modelle können Schwachstellen erkennen, bevor sie zu Sicherheitslücken werden
– Finanzwesen – Banken, Trader, Broker und FinTechs nutzen ML Algorithmen, um das Traden zu automatisieren und professionelle Hilfestellungen für Investoren bereit zu stellen
– Gesundheitswesen – ML wird genutzt, um massive Datenmengen zu analysieren und Heilungsverfahren zu identifizieren, um Heilungsprozesse zu verbessern, Routineprozesse zu automatisieren und menschliche Fehler auszuschließen
– Betrugserkennung – ML wird im Finanz- und Bankensektor verwendet, um große Datenmengen in Echtzeit auf mögliche Betrugsversuche in Echtzeit zu untersuchen
– Verkauf – KI Wissenschaflter und Entwickler nutzen ML Algorithmen, um Empfehlungs-Verfahren zu entwickeln, die Empfehlungs-Vorschläge für Kunden auf Basis der letzten Käufe, historischer Daten, geografischer und demografischer Daten ermitteln
Unterschiedliche Trainings-Methoden für ML
ML bietet klare Vorteile für KI-Technologien – aber welcher ML Ansatz ist der Richtige für das Vorhaben oder das Unternehmen ? Es gibt viele Trainings-Methoden im ML-Bereich, aus denen man für seine Bedürfnisse auswählen muss.
– Supervised Learning – Überwachtes Lernen
– Unsupervised Learning – Nicht überwachtes Lernen
– Semi-Supervised Learning – Teilüberwachtes Lernen
Welcher Ansatz ist der Richtige für mich ?
Supervised Learning: Mehr Kontrolle, weniger Ausrichtung oder Tendenz
Die Algorithmen aus diesem Bereich projezieren das Gelernte aus der Vergangenheit auf neue Daten und nutzen sog. gekennzeichnete Beispiele, um Vorhersagen für die Zukunft zu treffen.
Durch die Analyse von Beispieldaten erzeugt der ML Algorithmus dazu eine interne Funktion, um die Ausgabewerte vorherzusagen. Das System kann Treffer für jeden neuen Input erzeugen, wenn das Training vorher gut genug war. Es kann ebenfalls den gemachten Output mit dem korrekten Output vergleichen, um so Fehler zu erkennen und den Algorithmus entspr. anzupassen.
Unsupervised Learning: Geschwindigkeit und Skalierung
Nicht überwachtes Lernen wird genutzt, wenn die Daten weder klassifiziert sind noch irgendwie kategorisiert scheinen. Dabei erforscht dieser Zweig den Weg, wie Systeme eine Funktion erzeugen können, die eine unbekannte und versteckte Struktur in nicht kategorisierten Daten verarbeiten kann.
Das System kann zu keiner Zeit mit Sicherheit sagen, welche Ausgabe-Daten korrekt sind. Stattdessen zeichnet es Abhängigkeiten und Relationen zwischen Datensätzen auf, wie sie sein sollten.
Reinforcement Learing: Belohnt die Ausgaben
Diese Algorithmen sind eine Lernmethode, bei der das System mit seiner Umwelt interagiert und die Ergebnisse auswertet. Dabei werden vom System verschiedene Aktionen in seiner Umwelt ausgeführt und die Fehler und Belohnungen der Umwelt in die Lernmethode einbezogen. Dieses als „Trial and Error“ bekannte Lernsystem, entspricht am Meisten dem menschlichen Lernen von Kleinkindern. Die Belohnung wird immer erst später sichtbar.
System mit dieser Lernmethode erlaubt es Maschinen und Software-Agents automatisch das ideale Verhalten innerhalb eines spezifischen Kontextes zu erkennen, um seine Performance zu steigern.
Simple Rückmeldungs-Signale sind für die Agenten zwingen notwendig, um den Agenten lernen zu lassen welche Aktion den besten Weg darstellt.
ML ist nicht perfekt
Es ist wichtig zu erkennen, was ML kann – und was es nicht kann.
So nützlich es auch ist für den Transfer menschlicher Intelligenz hin zu Maschinen, ist es bei weitem nicht die perfekte Lösung für datenbasierte Business-Problemstellungen.
Man sollte daher die folgenden Klarstellungen verinnerlichen, bevor man zu viel Aufwand in eine Methode steckt, die die eigenen Problemstellungen gar nicht lösen kann.
ML basiert nicht auf Wissen
Entgegen der allgemeinen Meinung, kann ML niemals das Level menschlicher Intelligenz erreichen. Diese Maschinen sind durch Daten getrieben, nicht menschliches Wissen. Demnach ist die Intelligenz gleich der Menge an Traingingsdaten, die für das System bereitgestellt werden.
ML Modelle sind schwierig zu trainieren
81% der befragten Date Scientists geben zu, dass es schwerer als gedacht ist die Modelle zu trainieren. Es benötigt Zeit und Ressourcen, um Maschinen zu trainieren. Große Datenmengen werden für die Erstellung der Datenmodelle benötigt – und menschliche Hilfe durch vorherige Markierung und Kategorisierung ist unbedingt notwendig. Dieser Ressourcen-Hunger kann erhebliche Einbußen bei der Performance der Projekte hervorrufen.
ML ist anfällig für Datenfehler
96% der Unternehmen haben bestätigt, dass Probleme bzgl. des Trainings mit der Datenqualität, dem Kategorisieren der Daten und der Modellerstellung einhergehen, die nicht vorhersehbar sind. Diese Probleme setzen 78% der Projekte derart unter Druck, dass sie extrem lange vor der Veröffentlichung stehen oder das Licht der Welt niemals sehen. Datenqualität stellt demnach einen überproportional wichtigen Faktor bei ML Projekten dar.
ML ist oft nicht transparent
ML System sind dafür bekannt in einer Black-Box zu operieren, so dass man nicht erkennen kann wie die Maschine Lernt oder wie sie Entscheidungen trifft. Somit, wenn ein Punkt in der Historie von Daten herausgepickt wird, ist nicht erkennbar was diesen Zutsand bzw. das Ergebnis verursacht hat. Das Einzige Hilfsmittel ist es den Algorithmus im Fehlerfall nochmals mit mehr Daten zu trainieren – was aber kein Garant für die Beseitigung des Problems darstellt.
Die Zukunft von ML muss ein hybrider Ansatz sein
ML ist aus der heutigen Welt nicht wegzudenken – und ist immer noch kritisch für den Erfolg künstlicher Intelligenz (KI).
Um obige Probleme – vor allen Anderen das Problem mit der Black-Box – zu lösen, sind aber hybride Ansätze mit anderen Gebieten der KI notwendig.
Ein solcher Ansatz ist der Einsatz von sog. Symbolischer KI.
Symbolische KI ist ein Open-Box Ansatz (offen, transparent), bei dem eine regelbasierte Methodik auf Datenverarbeitung trifft.
Dabei wird ein Wissen-Graph erzeugt und verwendet (Transparenz), um Konzepte und semantische Beziehungen zu verwalten.
Zusammen formen ML und Symbolische KI eine hybride Methodik, der eine KI hilft Sprache zu verstehen – und nicht nur Daten.
Mit mehr Einsicht in Was wurde gelernt und Warum wurde es gelernt, kann es dabei helfen zu erkennen warum die Daten im Unternehme wie verwendet wurden und werden.