Maschinelles Lernen ist einer der wesentlichen Teilbereiche Künstlicher Intelligenz und beschreibt die Art, wie ein KI-Algorithmus lernt. Grundsätzlich funktioniert maschinelles Lernen durch eigenständige Wiederholung einer Anweisung durch den Algorithmus. Die KI lernt so selbstständig, Datenstrukturen zu identifizieren.
Im Gegensatz zu gewöhnlichen Algorithmen wird kein Lösungsweg vorgegeben. Zuvor wird lediglich ein Qualitätsmaßstab zugrunde gelegt, der ihr dabei hilft, den Informationsgehalt der Daten einzuschätzen.
- Beispiel: Verdeutlichen lässt sich dieser Prozess anhand eines Roboters. So würde ein Roboter, der über maschinelles Lernen arbeitet, eigenständig ausprobieren, wie er ein Objekt zu greifen hat, um es zu bewegen. Der einzige Input, den er erhält, ist eine Auskunft darüber, woher und wohin das Objekt bewegt werden soll.
Beim klassischen maschinellen Lernen greift der Mensch in den Lernprozess der KI ein. Neben anderem bestimmt er die Hierarchie der Merkmale und hilft der AI, die Unterschiede zwischen eingegebenen Datensätzen zu verarbeiten. In der Regel werden dazu strukturierte Daten herangezogen.
- Tipp: Voraussetzung für den rasanten Fortschritt des maschinellen Lernens ist die Erhältlichkeitan gewaltigen Datenmengen sowie die Rechenleistung moderner Server. Alles, was Sie über Big Data wissen sollten, um weiterhin wettbewerbsfähig zu bleiben, erfahren Sie in diesem Artikel:
zum Artikel
Deep Learning
Deep Learning (auch neuronale Netze) ist ein Spezialgebiet des maschinellen Lernens, bei dem die Merkmalserfassung von Daten weitestgehend automatisiert wird.
Infolgedessen entfallen beim Deep Learning noch mehr Eingriffe durch den Menschen als beim klassischen maschinellen Lernen. Gleichzeitig erleichtert dies die Nutzung größerer Datenmengen. In diesem Sinne lässt sich Deep Learning als skalierbares maschinelles Lernen verstehen.
Angelehnt ist das Deep Learning an die Nervenzellen des menschlichen Gehirns. So verwertet das Gehirn Informationen über sogenannte neuronale Netze. Das Deep Learning nutzt stattdessen Datenknotenreihen, die über gewichtete Verbindungen verknüpft sind.
- Hinweis: Als „deep“ gilt ein neuronales Netz, sobald es mehr als 3 Schichten aufweist, darunter stets Eingabeschicht und Ausgabeschicht.
Zusätzlich werden beim Deep Learning Algorithmen wiederholt Daten präsentiert. Anschließend wird die Gewichtung des neuronalen Netzes angepasst, sodass der Algorithmus Daten exakter einordnen lernt. Mit der Zeit kann artifizielle Intelligenz selbst zuvor unbekannte Datensätze verarbeiten.
Deep Neural Networks
Neuronale Netze, die über versteckte Neuronenschichten verfügen, werden als Deep Neural Networks bezeichnet.
- Hinweis: Als versteckte Neuronenschichten zählen Schichten, die sich zwischen Eingabe- oder Ausgabeschicht befinden, d.h. nicht direkt an diese gebunden sind.
Solche Deep Neural Networks können Millionen von Schichten beinhalten. Das ermöglicht es KI, hochkomplexe Probleme zu lösen und selbst unstrukturierte Daten in Rohform zu verarbeiten.
Beispielsweise ordnet das Deep Neural Network Merkmale eigenständig in eine Hierarchie ein und separiert Datenkategorien.
Generative KI
Generative KI-Modelle sind Deep-Learning-Modelle, die auf Basis von Rohdaten trainiert werden, um statistisch wahrscheinliche Resultate zu erzielen. Entsprechend kann generative KI Trainingsdaten abstrahieren und auf diesem Fundament eigenständig vergleichbare Kreationen erstellen.
- Hinweis: Rohdaten sind unverarbeitete Daten, die direkt aus Quellen erfasst werden. Rohdaten können in verschiedenen Formen auftreten, z.B. Text, Zahlen, Bildern und Audioaufnahmen.
Üblicherweise wird generative KI in der Statistik verwendet, um numerische Daten zu analysieren. Mit dem Durchbruch von Deep Learning können inzwischen aber auch komplexe Daten wie Bilder, Sprache und Ton generiert werden.
Der aktuelle Trend weist darauf hin, dass generative KI-Modelle in Zukunft zunehmend an Bedeutung gewinnen. Allem voran allgemeine Modelle, die durch minimale Optimierung unterschiedlichste Aufgaben ausführen können.
