Maschinelles Lernen – Was steckt dahinter?

Maschinelles Lernen – Was steckt dahinter?

Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) sind derzeit beliebte Buzzwörter die häufig im Zusammenhang mit der digitalen Transformation oder dem Internet der Dinge genannt werden.[1]Experten sind der Meinung, die Zeiten von “digital first” und “mobiles first” seien vorbei und das “AI first” Zeitalter werde eingeleitet.

Technologien werden immer intelligenter und Unternehmen binden diese vermehrt ein. Eine Zukunft ohne Maschinelles Lernen ist undenkbar. Deshalb haben wir, Ruben, Hüseyin und Rebecca, es uns zur Aufgabe gemacht, Aufklärung zu leisten. Wir wollen Maschinelles Lernen auf eine verständliche Art und Weise näher bringen, Chancen aufzeigen und die damit verbundenen Risiken abwägen.

Künstliche Intelligenz und Maschinelles Lernen – „Ist ja dasselbe, oder nicht?“

ML ist ein Teilbereich der Künstlichen Intelligenz, weshalb man vorerst wissen sollte, was man unter der KI versteht. Grundsätzlich existiert für KI keine einheitliche Definition. Dies impliziert, dass der Begriff nicht immer im selben Kontext und teils mit deutlichen Unterschieden verwendet wird.[2]

Um sich einer Definition zu nähern, sollte als Grundlage zunächst die Intelligenz definiert werden, unter welcher man „eine generelle geistige Fähigkeit, die unter anderem die Fähigkeiten umfasst Regeln sowie Gründe zu erkennen, abstrakt zu denken, aus Erfahrung zu lernen, komplexe Ideen zu entwickeln, zu planen und Probleme zu lösen“[3]. Die Zielkompetenzen, wie beispielsweise die Lern- und Problemlösungskompetenz, müssen, um sie künstlich zu erzeugen, mit technischen Aspekten kombiniert werden. KI ist anhand von drei Hauptsäulen darstellbar: der Technologie an sich, den Rechenleistungen, sowie den Datenmengen. Alle drei Säulen sind notwendig, um KI auch zu erzeugen.[4]Deshalb findet der Durchbruch der Technologie erst durch die günstigen Bedingungen in der heutigen Zeit statt.[5]

Die Treiber für aktuelle KI-Bedeutung (Quelle: Bünte, 2018, S.2)

Amazon, als einer der Big Five, der sich intensiv mit KI beschäftigt, definiert den Begriff mit folgenden Worten: „Künstliche Intelligenz […] ist der Bereich der Informatik, der sich mit dem Erwerb kognitiver Fähigkeiten beschäftigt, die in der Regel menschlicher Intelligenz zugeordnet werden. Hierzu zählen Lernen, Problemlösung und Mustererkennung“.[6]Dies bedeutet, wenn Daten das Öl des 21. Jahrhunderts sind, kann man mit Hilfe von KI und dessen Algorithmen wertvolle Zusammenhänge gewinnen, und diese somit als Motor bezeichnen.[7]KI ermöglicht unter anderem, Daten effizient zu analysieren und Muster schnell zu erkennen, um dadurch Kunden, ihre Wünsche, Bedürfnisse und Vorlieben zu kennen.[8]Zudem beinhaltet der Definitionsversuch auch eine Art Wettkampf zwischen Mensch und Maschine, da die Technologie in bestimmten Bereichen Fähigkeiten erlangen kann, welche in der Vergangenheit nur Menschen vorbehalten waren.[9]

Ein Beispiel dafür ist der Sieg der Deepmind-Software AlphaGo, welche gegen den Go Weltmeister Lee Sedol im Jahr 2016 gewann. AlphaGo wurde von der Alphabet Inc. Tochter Google DeepMind entwickelt und befasst sich ausschließlich mit dem Spielen des chinesischen Brettspiels Go, welches 3,3×1025 Spielzugmöglichkeiten beinhaltet, und bisher nur von menschlicher Intelligenz beherrscht wurde.[10]Ohne Algorithmen kann KI jedoch nicht existieren. Wie bereits zuvor herausgearbeitet wurde, steigt die Masse an Daten immens an. Erst durch Algorithmen kann aus dieser Masse ein Mehrwert geschaffen werden.[11]Somit versteht man „unter einem Algorithmus […] eine Verarbeitungsvorschrift, die so präzise formuliert ist, dass sie von einem mechanisch oder elektronisch arbeitenden Gerät durchgeführt werden kann“.[12]

KI wird derzeit bereits erfolgreich in verschiedenen B2B Bereichen, wie beispielsweise der Industrie 4.0 oder der Robotik verstärkt eingesetzt. Kunden haben hierzu kaum direkten Kontakt.[13]

Dies wird sich voraussichtlich durch das Internet der Dinge, der steigenden Anzahl an vernetzten Geräten und dem gesellschaftlichen Wandel rasant verändern. Durch die Verwendung von Sprachassistenten oder intelligenten Haushaltsgeräten erhält die Künstliche Intelligenz vermehrt Einzug in den Alltag der Konsumenten. Zudem wird auch im B2C-Bereich auf Unternehmensseite verstärkt KI eingesetzt, um eine personalisierte Customer Experiences zu schaffen. Vorreiter hierbei sind auch wiederum Unternehmen wie Google, Facebook, oder Amazon. Meist merken deren Kunden im ersten Moment nicht, dass sie mit der neuen Technologie in Kontakt treten. Dies geschieht beispielsweise durch Chatbots auf Facebook oder personalisierte Google Suchergebnisse. Die Künstliche Intelligenz fordert immer mehr von Algorithmen. Das alleinige Auswerten von Daten reicht längst nicht mehr aus. Der nächste Schritt ist es, ein automatisiertes Unternehmen durch smarte Algorithmen zu erschaffen, die eigenständig Handlungen erschließen können.[14]

Doch was ist nun Maschinelles Lernen?

Das Maschinelle Lernen ist ein Teilbereich der KI das auf der Verwendung intelligenter Algorithmen beruht. Dadurch werden nicht nur Daten analysiert, sondern ebenso erfolgreich Muster, beziehungsweise Zusammenhänge erkannt und darauf basierend Vorhersagen getroffen.[15]Abstrahierend dargestellt drückt dies aus, „dass ein Modell aufgrund der selbstlernenden Algorithmen und der existierenden Daten zukunftsrelevante Rückschlüsse ziehen kann, ohne diese explizit zu programmieren“[16]Jedoch gibt es auch für Maschinelles Lernen keine offizielle Definition, wodurch es häufig schwierig wird den Begriff klar von anderen Technologien abzugrenzen. Maschinelles Lernen sollte jedoch nicht direkt mit menschlicher Intelligenz verglichen werden, da ML nur auf eine bestimmte Aufgabe beziehungsweise einen bestimmten Bereich trainiert ist. Somit spricht man hier von einer schwachen KI. Bei Menschen hingegen spricht man von einer starken beziehungsweise universalen Intelligenz. Diese ist bis jetzt ausschließlich Menschen vorbehalten. ML täuscht  im Vergleich zum Menschen lediglich vor, in einem bestimmten Bereich intelligent, beziehungsweise ein Spezialist in diesem Gebiet zu sein.[17]Die schwache Intelligenz kann im Vergleich zur menschlichen Intelligenz nicht automatisch auf weitere Gebiete übertragen werden. Beim Maschinellem Lernen unterscheidet man außerdem zwischen dem überwachten, verstärkenden und dem nicht überwachten Lernen.[18] Je nachdem, wie eigenständig der Algorithmus arbeiten soll,  sollte man sich für die entsprechende Art entscheiden.

Überwachtes Lernen

Bei dem überwachten Lernen, oder auch Supervised Learning genannt, überwacht keine Person einen Algorithmus – was intuitiv angenommen werden könnte – sondern es werden dem Algorithmus bestimmte Ein- und Ausgabemengen zugeordnet. Der Prozess läuft somit innerhalb klar definierter Grenzen ab, wobei der Datensatz und alle Antwortmöglichkeiten bekannt sind. Das überwachte Lernen wird vor allem für Regressionsanalysen und Klassifizierungen verwendet.[19]Hier bekommt der Algorithmus Gruppen wie beispielsweise Katzen und Hunde vorgegeben und wird dadurch ausschließlich mit festen Zielwerten trainiert.[20]

Nicht Überwachtes Lernen

Bei dem nicht überwachten Lernen, auch als Unsupervised Learning bekannt, liegen im Vergleich zum überwachten Lernen keine vorgegebenen Antwortmöglichkeiten vor. Das System ist darauf ausgerichtet, selbständig Muster innerhalb der Daten erschließen zu können und Cluster zu bilden. Hier steht vor allem das Erkennen versteckter Zusammenhänge im Vordergrund, was beispielsweise zur Kunden- und Marktsegmentierung verwendet wird.[21]Unternehmen wird es so ermöglicht zeitnah Änderungen in oben genannten Anwendungsfeldern abzusehen. Ein Beispiel hierfür sind Kaufempfehlungen der Kategorie „Kunden kauften auch“. An diesem Punkt liegt der große Unterschied zum überwachten Lernen. Bei dem nicht überwachten Lernen bildet der Algorithmus eigenständig Gruppen, die er durch Muster und Merkmalsüberschneidungen in der Datenbank autonom erkennt.[22]

Verstärkendes Lernen

Beim verstärkenden Lernen, beziehungsweise dem Reinforcement Learning, wird das nicht überwachte Lernen mit der dynamischen Programmierung kombiniert. Durch das selbstlernende System können somit komplexe Probleme bewältigt werden. Ein Beispiel dafür ist ein Staubsaugerroboter, der selbständig eine Treppe erkennt und somit nicht herunterfällt. Ein weiteres Beispiel ist die Deep-Learning Software AlphaGo, welche durch das Spielen mit sich selbst zu Höchstleistungen trainiert wurde.[23]Bei dem Reinforcement Learning liegt zu Beginn der Lernphase kein optimaler Lösungsweg vor. Ein Agent steht im Zentrum des verstärkenden Lernens und wird durch eigenständiges Ausprobieren und Interaktion mit seiner Umgebung den besten Lösungsweg finden. Dabei wird der Agent bei Richtigkeit belohnt, bei einer schlechten Lösung hingegen bestraft.[24]

Ausblick

Maschinelles Lernen und Künstliche Intelligenz werden immer wichtiger.[25]Mehr und mehr sind Unternehmen und auch Personenbereit die Technologie in ihren (Geschäfts-)Alltag mit einzubeziehen.[26]Denn damit können sowohl die Erlöse als auch die Kundenzufriedenheit gesteigert werden. Hierbei sollten Voraussetzungen, wie beispielsweise nötige Rechenleistung und ausreichend Fachkräfte oder Risiken mit Manipulationsmöglichkeiten durch die Interaktion mit Menschen, nicht unterschätzt werden.[27]In den nächsten Blogbeiträgen werden wir vor allem auf das Maschinelle Lernen in Unternehmen, in der Medizin eingehen und beleuchten wie die Technologie verstärkt in unseren Alltag einfließen wird.


Quellen:

[1]Vgl. Peter Gentsch, Künstliche Intelligenz für Sales, Marketing und Service(Wiesbaden: Springer Fachmedien Wiesbaden, 2018), S. V.

[2]Vgl. Claudia Bünte, Künstliche Intelligenz – die Zukunft des Marketing: Ein praktischer Leitfaden für Marketing-Manager, essentials (Wiesbaden: Springer Fachmedien Wiesbaden, 2018), S. 5.

[3]‘Intelligenz: Definition, Messen Mit Klug Management-Diagnostik’ <https://www.klug-md.de/Wissen/Intelligenz.htm> [aufgerufen am 13. April 2019].

[4]Vgl. Bünte, S. 1–2.

[5]Vgl. Jim Sterne, Artificial Intelligence for Marketing: Practical Applications(Hoboken, NJ, USA: John Wiley & Sons, Inc., 2017), S. 9.

[6]‘Was Ist Künstliche Intelligenz (AI)? – Amazon Web Services’ <https://aws.amazon.com/de/machine-learning/what-is-ai/> [aufgerufen am 13. April 2019].

[7]Vgl. ‘AIFirst_Learningfromthemachine_MachineIntelligence.Pdf’, S. 12.

[8]Vgl. Gentsch, S. 64.

[9]Vgl. Gentsch, S. 17–18.

[10]‘Go/ Taktische Konzepte/ Vorbemerkung – Wikibooks, Sammlung Freier Lehr-, Sach- Und Fachbücher’ <https://de.wikibooks.org/wiki/Go/_Taktische_Konzepte/_Vorbemerkung> [aufgerufen am 13. April 2019]; ‘Google-Computer Alpha Go Besiegt Lee Sodol 4:1 – SPIEGEL ONLINE’ <https://www.spiegel.de/netzwelt/gadgets/alphago-besiegt-lee-sedol-mit-4-zu-1-a-1082388.html> [aufgerufen am 13. April 2019].

[11]Vgl. Gentsch, S. 14.

[12]Hardwin Jungclaussen, Kausale Informatik. Einführung in die Lehre vom aktiven sprachlichen Modellieren durch Mensch und Computer, 1. Aufl. (Wiesbaden: Deutscher Universitäts-Verlag, 2001), S. 84.

[13]Vgl. Bünte, S. 7.

[14]Vgl. Gentsch, S. 14.

[15]Vgl. Andreas Welsch, Verena Eitle, and Peter Buxmann, ‘Maschinelles Lernen: Grundlagen und betriebswirtschaftliche Anwendungspotenziale am Beispiel von Kundenbindungsprozessen’, HMD Praxis der Wirtschaftsinformatik, 2018, S. 367.

[16]Welsch, Eitle, and Buxmann, S. 371.

[17]Vgl. Welsch, Eitle, and Buxmann, S. 367.

[18]Vgl. Welsch, Eitle, and Buxmann, S. 14–20.

[19]Vgl. Welsch, Eitle, and Buxmann, S. 75.

[20]Vgl Sterne, S. 81–82.

[21]Vgl. Jungclaussen, S. 24–25.

[22]Vgl. Sterne, S. 81–82.

[23]Vgl. Jungclaussen, S. 23.

[24]Vgl. Gentsch, S. 38–39.

[25]Vgl. Bünte, S. 22.

[26]Vgl. Bünte, S. 18.

[27]Vgl. Bünte, S. 28–34.

 

Print Friendly, PDF & Email

Bildquellen

  • MachineLearning: Eigene Abbildung

3 thoughts on “Maschinelles Lernen – Was steckt dahinter?

  1. Marcus Birkenkrahe

    Sehr ausführlich und ausgezeichnet strukturiert – die (deutschen) Quellen kannte ich selbst nicht. Noch nicht ganz klar ist mir, warum Sie sich auf medizinische Anwendungen von ML stürzen möchten – und ob alle verschiedenen Typen von ML dafür gleich relevant sind – aber vielleicht wird das ja später noch klarer.

  2. Hüseyin

    Wir finden das die medizinische Seite des ML, für unsere Zukunft eine sehr wichtige Rolle spielt. Jetzt wo auch das menschliche Herz, mit hilfe eines 3D – Druckers gedruckt wurde, ist es sehr wichtig, dass ML im Bereich der Medizin spezialisiert wird. Dies war unser Anhaltspunkt!

    1. Marcus Birkenkrahe

      Davon (3D-Herz) wusste ich noch gar nichts, aber der Zusammenhang mit Machine Learning (ML) ist mir dadurch auch nicht klarer geworden – 3D-Druck als Technologie hätte ich überhaupt nicht mit ML in Verbindung gebracht. Oder habe ich Sie missverstanden?

Leave a Reply

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.