Maschinelle Lernmodelle
Die Begriffe "Künstliche Intelligenz" oder "Maschinelles Lernen" haben viele von uns schon einmal gehört, doch die wenigsten wissen, was sie eigentlich bedeuten.
Das hängt sicher auch damit zusammen, dass auch in der Wissenschaft über bestimmte Definitionen Uneinigkeit besteht.
Künstliche Intelligenz (KI) (im Englischen artificial intelligence (AI)) meint im Allgemeinen die Eigenschaft einer Maschine intelligent zu handeln. Dazu soll
die Künstliche Intelligenz selbstständig lernen können und so Lösungen für Probleme finden. In der Science Fiction überwiegt das Bild der starken künstlichen
Intelligenz. Darunter versteht man eine Künstliche Intelligenz, die alle (oder sogar mehr) Fähigkeiten besitzt, die der Mensch auch besitzt und damit universell
eingesetzt werden kann. Dem gegenüber steht die schwache künstliche Intelligenz. Diese wird für bestimmte Anwendungbereiche entwickelt und wird heute schon in
diversen Bereichen eingesetzt.
Das Maschinelle Lernen ist ein Teilbereich der künstlichen Intelligenz. Beim maschinellen Lernen lernt eine künstliche Intelligenz mit Hilfe von Beispielen bestimmte
Regeln oder Muster von Daten zu erkennen. Die Beispiele werden dabei nicht auswendig gelernt, sondern die Künstliche Intelligenz erkennt die Regeln und Muster
selbstständig und kann diese anschließend auf neue Daten anwenden. Wir unterscheiden drei Teilbereiche des Maschinellen Lernens: Überwachtes Lernen, Unüberwachtes Lernen
und Bestärkendes Lernen.
Beim überwachten Lernen erhält die Künstliche Intelligenz Beispiele in Form von Paaren aus Eingaben und Ausgaben. Ein Beispiel ist die
Bilderkennung. Eine Künstliche Intelligenz, die Katzen von Hunden unterscheiden soll, erhält in der sogenannten Lern- oder auch Trainingsphase diverse Bilder von Katzen und Hunden,
bei denen wir jeweils vorgeben, um welches Tier es sich handelt. Hat die Künstliche Intelligenz genügend Beispiele gesehen, so kann sie später in der Anwendungsphase
selbstständig zuordnen, ob es sich bei einem neuen Bild um eine Katze oder einen Hund handelt. Dieses Verfahren ist ein Beispiel für Klassifizierung. Klassifizierung
ist eines von vielen Beispielen für überwachtes maschinelles Lernen.
Unüberwachtes Lernen benötigt nur Eingaben, aus denen sich die Künstliche Intelligenz selbstständig Kategorien und Regeln erarbeitet. Die Künstliche Intelligenz entdeckt
Muster anhand dessen sich Eingaben besonders ähneln oder voneinander abgrenzen lassen oder Regeln, die in bestimmten Fällen gültig sind. Ein Beispiel für
unüberwachtes maschinelles Lernen ist das Clustering. Beim Clustering werden ähnliche Objekte zu Gruppen, genannt Clustern, zusammengefasst. Clustering findet
beispielsweise in der Genforschung Anwendung. Auch Chatbots nutzen unüberwachte maschinelle Lernmethoden. Aus gegebenen Texten erarbeiten sie sich die gültigen
Regeln der Sprache und sind so in der Lage, eigene grammatikalisch richtige Texte zu verfassen.
Bestärkendes Lernen funktioniert mit Hilfe von Belohnungssystemen. Die Künstliche Intelligenz erhält beim bestärkenden Lernen regelmäßig Rückmeldung in Form
von negativer oder positiver Belohnung (negative Belohnung = Strafe) und versucht langrfristig die positive Belohnung zu maximieren. Online-Spiele sind hier
eine häufige Anwendung, bei denen wir als Mensch gegen den Computer antreten. Ein Gewinn ist dabei die positive Belohnung, ein Verlust die negative Belohnung
und so wird die Künstliche Intelligenz durch häufiges spielen des Spiels immer besser. Auch im Bereich autonomes Fahren kommt bestärkendes maschinelles Lernen zum
Einsatz.
Aufgabe 1 - Übersicht Maschinelles Lernen
