Machine Learning: 3 KI-Lernverfahren auf einen Blick

Ob Produkt- und Film-Empfehlungen bei Amazon und Netflix, Spracherkennung bei Alexa, Korrekturvorschläge bei Google-Suchanfragen oder das Erkennen von Spam-Mails: Schwache Künstliche Intelligenz begegnet uns im Alltag permanent. Doch welche Lernverfahren nutzt die Technologie?

Wenn wir an dieser Stelle von Künstlicher Intelligenz sprechen, meinen wir die KI-Teildisziplin "Machine Learning", zu Deutsch "Maschinelles Lernen": Es ermöglicht Programmen das selbständige Lernen anhand von Beispielen. Dank erkannter Muster und Gesetzmäßigkeiten können sie Aufgaben eigenständig erledigen

Maschinelles Lernen nutzt hauptsächlich drei Lernverfahren:

• überwachtes Lernen (Supervised Learning)
• unüberwachtes Lernen (Unsupervised Learning)
• bestärkendes Lernen (Reinforcement Learning)

1. Wie funktioniert überwachtes Lernen?

Beim überwachten Lernen trainiert der Algorithmus mit sogenannten Labels: Man füttert das KI-Programm mit Eingaben (Inputs) und deren korrekten Ausgaben (Outputs). Der Algorithmus vergleicht seinen kalkulierten Output mit den vorgegebenen Ausgaben. So erkennt er seine Fehler und passt seine Vorgehensweise entsprechend an.

Supervised Learning arbeitet mit einem Trainings-Datensatz und das häufig dort, wo sich aus historischen Daten mögliche zukünftige Ereignisse ableiten lassen:

• Erkennen von Spam-E-Mails
• Sprach- und Texterkennung
• medizinische Diagnosen

Ein Nachteil: Die notwendige manuelle Datenaufbereitung ist sehr aufwendig.

2. Wie funktioniert unüberwachtes Lernen?

Anders als beim überwachten Lernen verzichtet unüberwachtes Lernen auf historische Labels. Es nutzt einzig einen Rohdatensatz ohne vorgegebene korrekte Outputs – der Algorithmus muss selbst eine Antwort finden.

Hierfür benötigt er sehr viele Daten – sind es zu wenig, scheitert der Algorithmus daran, eine Gruppe von Datenobjekten mit ähnlichen Eigenschaften zu erstellen (sog. Cluster), um eine Prognose über einen unbekannten Datensatz zu erstellen.

In der Praxis soll unüberwachtes Lernen z. B. helfen, das Kaufverhalten von Kunden zu segmentieren, um erneute Käufe wahrscheinlicher zu machen.

3. Was ist bestärkendes Lernen?

Anders als das überwachte und das unüberwachte Lernen gibt es beim Reinforcement Learning zunächst keine Daten: Der Algorithmus darf sich anfangs austoben und muss sich dabei nur an ein paar Regeln halten (z. B. erlaubte Spielzüge bei Brettspielen oder Verkehrsregeln beim Autofahren). Daten entstehen hier in einer Simulationsumgebung nach einem Versuch-und-Irrtum-Verfahren.

Schließlich überprüft der Mensch die Situation, in die sich die KI gebracht hat: Hat sie im Schach gewonnen oder verloren? Hat sie das Auto sicher ans Ziel geführt – oder gegen das nächstbeste Hindernis gesetzt?

Ist das Ergebnis positiv, wird das Machine-Learning-Programm "belohnt". Ist es negativ, folgt eine "Strafe". In beiden Fällen wird die algorithmische Vorgehensweise angepasst: Die KI lernt, schlechte Handlungen zu vermeiden und gute zu wiederholen.

Maschinelles Lernen: The show has just begun

Auch wenn uns KI im Jahr 2019 mitunter noch etwas holprig erscheint: Das Potenzial ist enorm. Die kommenden Jahre und Jahrzehnte werden große Fortschritte mit sich bringen und künstliche Intelligenz immer stärker in unserem Leben verankern.

Welchem der genannten Lernverfahren dabei die Zukunft gehören wird, bleibt abzuwarten. Fest steht: Das Thema KI bleibt spannend!

Link-Tipps: 

• Künstliche Intelligenz 2018: Sechs Praxis-Beispiele auf einen Blick
• Künstliche Intelligenz: 8 Teilbereiche auf einen Blick