Machine Learning: Kompakt erklärt

Was ist Machine Learning?

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz und der Informatik, das sich auf die Entwicklung von Systemen konzentriert, die ohne explizite Regeln lernen und sich verbessern. Während herkömmliche Software in der Regel so programmiert ist, dass sie bestimmte Schritte mit expliziten Anweisungen ausführt (z. B. mit Schleifen, if/else-Anweisungen usw.), lernen Machine-Learning-Systeme, wie sie gute Leistungen erbringen und Entscheidungen treffen können.

Wichtig ist, dass Machine-Learning-Systeme lernen, wie sie ihre Leistung verbessern können, indem sie mit Datenbeispielen konfrontiert werden. Dies macht Machine Learning zu einer stark datengesteuerten Teildisziplin der Informatik, da Daten ein wichtiger Input für Machine-Learning-Systeme sind und für die Verbesserung ihrer Leistung von zentraler Bedeutung sind. Diese Fähigkeit, aus Daten zu lernen, ermöglicht es Machine-Learning-Systemen, eine Vielzahl komplexer Probleme zu lösen, die mit herkömmlicher Programmierung kaum zu lösen sind, von der Prognose und Vorhersage des Kundenverhaltens bis hin zur Gesichtserkennung und selbstfahrenden Autos. Ich werde die Anwendungen des Machine Learning in einem separaten Abschnitt näher erläutern.

Es ist jedoch wichtig zu betonen, dass Machine Learning zwar eng mit KI verwandt ist, es aber Unterschiede gibt. KI ist ein größeres Feld, das über Machine Learning hinausgeht. Anders ausgedrückt ist Machine Learning ein Ansatz zum Aufbau intelligenter Systeme.

Unterschiede von Machine Learning und Künstlicher Intelligenz

Viele Menschen verwenden die Begriffe „Künstliche Intelligenz“ (KI) und „Machine Learning“ (ML) synonym, aber es gibt wichtige Unterschiede.

KI ist ein weites Feld, das sich auf die Schaffung von Systemen mit Fähigkeiten konzentriert, die wir typischerweise mit menschlicher Intelligenz in Verbindung bringen, wie Entscheidungsfindung, Problemlösung und logisches Denken. Daher umfasst der Bereich der KI das maschinelle Lernen, geht aber auch darüber hinaus, da es andere Methoden zum Aufbau „intelligenter“ Systeme gibt, wie z. B. regelbasierte Systeme, Expertensysteme und symbolisches Denken.

Maschinelles Lernen ist also am besten als eine Teildisziplin der KI zu verstehen, die sich auf die Erstellung und Nutzung von Algorithmen konzentriert, die sich durch die Verarbeitung von Daten verbessern. Maschinelles Lernen ist ein bestimmter KI-Ansatz unter vielen.

Es ist jedoch erwähnenswert, dass Machine Learning im Jahr 2024 der bekannteste und wohl erfolgreichste Ansatz für den Aufbau von KI-Systemen ist, da die derzeit beliebtesten KI-Systeme auf Machine Learning basieren.

Die Tatsache, dass unsere derzeitigen KI-Systeme auf Machine Learning basieren, hat dazu geführt, dass viele Menschen und Medienorganisationen die Begriffe vermischen. Diese Ungenauigkeit in der Begrifflichkeit entsteht dadurch, dass generative KI-Systeme zur vorherrschenden Art von KI-Systemen geworden sind, sodass viele Menschen – fälschlicherweise – glauben, dass jede KI generative KI ist oder dass generative KI-Systeme alle Arten von Problemen lösen können, obwohl wir in Wirklichkeit oft andere Arten von Machine-Learning-Systemen verwenden.

Letztendlich muss man sich Folgendes vor Augen halten:

• KI ist ein weites Feld, das über Machine Learning hinausgeht
• Machine Learning ist ein Ansatz zum Aufbau intelligenter KI-Systeme
• Generative KI ist eine spezielle Art von KI, die größtenteils auf Machine Learning basiert
• Andere Arten des Machine Learning eignen sich besser als generative KI zur Lösung bestimmter Arten von Problemen

Methoden

Obwohl wir Machine Learning auf einer hohen Ebene als eine einzige Disziplin betrachten können, gibt es tatsächlich verschiedene „Ansätze“, die wir beim Aufbau von Machine-Learning-Systemen verwenden. Diese werden manchmal als Machine-Learning-„Paradigmen“ bezeichnet.

Drei der wichtigsten Machine-Learning-Methoden sind:

• Supervised Learning
• Unsupervised Learning
• Reinforcement Learning

Supervised Learning

Beim Supervised Learning (deutsch: überwachten Lernen) trainieren wir ein Modell anhand eines Datensatzes mit Kennzeichnungen. Bei diesem Ansatz haben wir einen Datensatz, der sowohl Eingabedaten als auch die erwartete Ausgabe enthält. Durch die explizite Bereitstellung von Eingabe- und Ausgabepaaren für einen Algorithmus für maschinelles Lernen können die Algorithmen die Beziehung zwischen typischen Ein- und Ausgaben „lernen“. Anders ausgedrückt: Der Algorithmus lernt, Eingaben in entsprechende Ausgaben zu übersetzen.

Dieser Ansatz des maschinellen Lernens eignet sich gut für Aufgaben wie die Klassifizierung, bei der wir eine kategoriale Bezeichnung wie „Spam“ in einer E-Mail-Spam-Klassifizierungsaufgabe vorhersagen. Wir verwenden überwachtes Lernen auch für die Regression, bei der wir einen numerischen Wert (wie Immobilienpreise) vorhersagen. Überwachtes Lernen erfordert gekennzeichnete Trainingsdaten (d. h. Daten mit sowohl Eingaben als auch Ausgaben) und ist einer der am häufigsten verwendeten Ansätze in der Praxis.

Unsupervised Learning

Im Gegensatz zum Supervised Learning haben wir beim Unsupervised Learning (deutsch: unüberwachten Lernen) unmarkierte Daten. Anders ausgedrückt: Die Daten, die wir für das unüberwachte Lernen verwenden, haben nur „Eingangsdaten“, aber es fehlt eine überwachte Ausgangsvariable (wie eine kategoriale Kennzeichnung), die vorhergesagt werden soll.

Unüberwachtes Lernen arbeitet mit den Eingabedaten und versucht, Muster oder zugrunde liegende Strukturen in den Daten zu entdecken. Durch die Entdeckung verborgener Strukturen in den Daten hilft uns das unüberwachte Lernen oft, Einblicke in die Natur der Daten zu gewinnen. Es kann uns auch bei bestimmten Arten der Datenverarbeitung und -transformation als Vorstufe für andere Arten des Machine Learning helfen (z. B. können wir oft einige Arten des unüberwachten Lernens auf einen Datensatz anwenden, um ihn zu transformieren, bevor wir überwachtes Lernen durchführen).

Reinforcement Learning

Das von der Verhaltenspsychologie inspirierte Reinforcement Learning (deutsch: bestärkendes Lernen) ist ein Lernansatz, bei dem ein System lernt, Entscheidungen zu treffen, indem es mit einer Umgebung interagiert und Belohnungen erhält.

Während das System (oft als „Agent“ bezeichnet) mit einer Umgebung interagiert, erhält es Belohnungen und Strafen für seine Handlungen. Diese Belohnungen und Strafen sind eine Form von Feedback, das es dem System ermöglicht, seine Strategien im Laufe der Zeit zu verfeinern und zu verbessern.

Dieser Ansatz des maschinellen Lernens wird häufig bei Problemen im Zusammenhang mit Spielen (z. B. Schach) sowie in der Robotik und beim autonomen Fahren eingesetzt.

Weitere Methoden

Neben überwachtem, unüberwachtem und bestärkendem Lernen gibt es noch andere Ansätze.

Zu diesen zusätzlichen Ansätzen des maschinellen Lernens gehören:

• teilüberwachtes Lernen (Semi-Supervised Learning), bei dem eine Mischung aus gekennzeichneten und nicht gekennzeichneten Datenbeispielen verwendet wird
• selbstüberwachtes Lernen (Self Supervised Learning), bei dem aus den Daten neue Kennzeichnungen generiert werden und dann gelernt wird, wie diese Kennzeichnungen angewendet werden

Die gängigsten Algorithmen für maschinelles Lernen

Beim Machine Learning verwenden wir eine Vielzahl von Algorithmen, und verschiedene Algorithmen eignen sich gut für unterschiedliche Aufgaben und Datentypen.

Lineare Regression

Die lineare Regression ist wohl einer der gebräuchlichsten Algorithmen, die wir beim Machine Learning verwenden.

Die lineare Regression sagt numerische Werte voraus, indem sie lernt, eine lineare Beziehung zwischen den Eingabedaten und der Zielvariablen vorherzusagen. Im Grunde funktioniert sie, indem sie eine Linie (oder bei höherdimensionalen Daten eine Hyperebene) so an die Daten anpasst, dass der Fehler zwischen den vorhergesagten Werten und den tatsächlichen Werten minimiert wird.

Logistische Regression

Die logistische Regression ähnelt (und ist verwandt) der linearen Regression, führt jedoch eine Klassifizierung durch. Das heißt, wir verwenden die logistische Regression, um kategoriale Labels auf der Grundlage von Eingabedaten vorherzusagen.

Die logistische Regression verwendet die logistische Funktion, um die Wahrscheinlichkeit zu modellieren, dass die Ausgabeklasse eine 0 oder 1 ist. Daher verwenden wir sie häufig für die binäre Klassifizierung, obwohl es auch Möglichkeiten gibt, die logistische Regression für mehr als zwei Klassenbezeichnungen anzuwenden.

Wir können die logistische Regression für eine Vielzahl spezifischer Aufgaben verwenden, wie z. B. Spam-Vorhersage, Krankheitsdiagnose, Abwanderungsvorhersage und vieles mehr.

Entscheidungsbäume

Entscheidungsbäume treffen Vorhersagen, indem sie die Daten auf der Grundlage von Merkmalswerten in Teilmengen aufteilen.

Im Wesentlichen bildet ein Entscheidungsbaum einen baumartigen Pfad mit Verzweigungen (z. B. „Wenn Variable A größer als 1 ist, gehe diesen Weg, andernfalls gehe den anderen Weg“), und nach mehreren Verzweigungen gibt der Baum eine Vorhersage aus.

Entscheidungsbäume sind oft leicht zu verstehen, leicht zu visualisieren und leicht zu erklären. Darüber hinaus können wir sie sowohl für Regressions- als auch für Klassifizierungsaufgaben verwenden. Dadurch sind sie für eine Vielzahl von Aufgaben sehr nützlich. Allerdings weisen Entscheidungsbäume auch einige Schwächen auf, wie z. B. die Tendenz zur Überanpassung der Daten (es sei denn, die Überanpassung wird durch Techniken wie Regularisierung, Random Forests usw. gemildert).

Neuronale Netze

Der Algorithmus für neuronale Netze ist von den neuronalen Netzen im menschlichen Gehirn inspiriert und baut Netzwerke aus künstlichen „Neuronen“ auf, die miteinander verbunden sind, um Eingabedaten zu verarbeiten.

Wir erstellen neuronale Netze, indem wir eine große Anzahl künstlicher Neuronen in spezifischen Architekturen (oft in Schichten) so kombinieren, dass sie Ausgänge vorhersagen und Muster erkennen können. Neuronale Netze erfordern oft sehr große Mengen an Trainingsdaten. Aber wenn sie richtig trainiert werden, funktionieren sie außergewöhnlich gut für komplexe Aufgaben wie Bilderkennung, Verarbeitung natürlicher Sprache und vieles mehr.

K-Means-Clustering

K-Means-Clustering ist einer der häufigsten Algorithmen für unüberwachtes Lernen. Wir verwenden K-Means häufig, um Daten basierend auf der Ähnlichkeit von Datenpunkten in Gruppen zu clustern (auch bekannt als Segmentierung).

Dazu ordnet K-Means Datenpunkte Clustern zu, indem es berechnet, wie nah jeder Datenpunkt an einer Reihe von Cluster-„Zentroiden“ liegt. Die Zentroide werden zunächst zufällig im Datenraum festgelegt, dann aber als Mittelpunkt der Datenpunkte im Cluster neu berechnet. K-Means weist also iterativ Datenpunkte einem Cluster zu, berechnet den Cluster-Zentroid neu und weist dann Datenpunkte einem neuen Cluster zu, basierend auf dem neuen nächstgelegenen Zentroid.

K-Means ist eine leistungsstarke Technik, die wir häufig bei der Marktsegmentierung sowie bei der Erkennung von Anomalien einsetzen.

Weitere Algorithmen

Obwohl die oben aufgeführten Algorithmen zu den am häufigsten verwendeten Werkzeugen im Bereich des maschinellen Lernens gehören, gibt es Dutzende (wenn nicht sogar Hunderte) weitere Algorithmen. Ein großer Teil der Arbeit im Bereich des maschinellen Lernens besteht darin, die Stärken und Schwächen der verschiedenen Algorithmen zu verstehen und zu wissen, welcher Algorithmus für welches Problem verwendet werden sollte.

Anwendungsbereiche für Machine Learning

Nachdem wir nun besprochen haben, was Machine Learning ist und welche primären Werkzeuge und Ansätze es gibt, wollen wir uns abschließend damit befassen, wie wir Machine Learning in der Praxis einsetzen können.

Gesundheitswesen

Im Gesundheitswesen können Ärzte und Gesundheitsdienstleister Machine-Learning-Systeme einsetzen, um Krankheiten zu erkennen und personalisierte Behandlungspläne zu erstellen. Genauer gesagt können wir Klassifizierungssysteme verwenden, um Krankheiten in medizinischen Bildern zu analysieren und zu erkennen sowie Krankheiten im Allgemeinen über die medizinische Bildgebung hinaus vorherzusagen.

Diese Art von Anwendungen kann wiederum die Diagnosegenauigkeit verbessern und zu einer individuelleren Versorgung führen. Letztendlich kann der Einsatz von Machine Learning im Gesundheitswesen die Kosten senken und zu besseren Behandlungsergebnissen führen.

Finanzwesen

Im Finanz- und Bankwesen können wir Systeme für maschinelles Lernen für die Kreditwürdigkeitsprüfung, Betrugserkennung und den algorithmischen Handel einsetzen. So können wir beispielsweise Regressionsmodelle zur Vorhersage der Kreditwürdigkeit oder verschiedene Algorithmen zur Erkennung betrügerischer Transaktionen (z. B. Klassifizierungsmodelle) verwenden.

Letztendlich kann der Einsatz von Systemen des maschinellen Lernens das finanzielle Risiko verringern und den Gewinn steigern.

Einzelhandel und E-Commerce

Im Einzelhandel und im E-Commerce können wir Machine Learning nutzen, um Empfehlungssysteme zu entwickeln, die das Kauf- und Surfverhalten der Kunden analysieren, um neue Produkte vorherzusagen, die den Kunden gefallen werden. Dies erhöht oft die Kundenzufriedenheit und den Umsatz.

Auf operativer Ebene können Sie Machine Learning auch zur Optimierung von Lagerbestand und Logistik einsetzen, was zu einer höheren betrieblichen Effizienz führt.

Marketing

Im Marketing können Sie Machine Learning auf vielfältige Weise einsetzen, um sowohl die Marketingstrategie als auch die -taktik zu verbessern.

Auf strategischer Ebene können Sie Clustering-Techniken zur Kundensegmentierung einsetzen, die es Unternehmen ermöglichen, ihre Strategien für Produkt, Messaging und Kanalbindung zu verfeinern. Taktisch können Sie ML für Dinge wie die Vorhersage von Abwanderungen nutzen, indem Sie ein Klassifizierungsmodell erstellen, das Kunden vorhersagt, die abwandern werden. Dies wiederum ermöglicht es Unternehmen, einzugreifen und somit die Abwanderung zu verringern.

Diese strategischen und taktischen Anwendungen von Machine Learning im Marketing führen oft zu einer verbesserten Kundenbindung, höheren Warenkorbwerten, einer höheren Kundenzufriedenheit und letztlich zu höheren Einnahmen und einer höheren Rendite.

Autonome Fahrzeuge

Bei autonomen Fahrzeugen können wir fortschrittliche Deep-Learning-Techniken einsetzen, um Autos zu bauen, die selbstständig fahren. Dazu sammeln wir Daten von großen Sensorsystemen und verwenden dann ML-Algorithmen (z. B. Deep-Learning-basierte Computer-Vision-Systeme), um Objekte zu identifizieren, das Verhalten anderer Fahrer vorherzusagen und gute Routen zu planen.

Der Einsatz von Machine Learning für selbstfahrende Autos auf diese Weise verspricht ein geringeres Sicherheitsrisiko und weniger Fahrfehler.

Verarbeitung natürlicher Sprache

Der vielleicht spektakulärste Einsatz von Machine Learning in den letzten Jahren war die Verarbeitung natürlicher Sprache, bei der der Einsatz spezialisierter Architekturen (d. h. der Transformer-Architektur) zu ML-gestützten Systemen wie ChatGPT geführt hat.

Diese ML-Systeme für natürliche Sprache können Fragen beantworten, Übersetzungen anfertigen, Stimmungsanalysen durchführen und vieles mehr. Aufgrund ihrer Flexibilität können wir diese Systeme in Bereichen einsetzen, die eine Revolution für Unternehmen und Industrie versprechen.

Fazit

Machine Learning ist ein Toolkit zum Aufbau von Softwaresystemen, die aus Daten lernen, und es hat sich zu einer leistungsstarken Technologie zur Lösung einer Vielzahl von Problemen in der Wirtschaft, der Industrie und darüber hinaus entwickelt.

Angesichts des aktuellen Booms im Bereich Machine Learning und KI kratzen wir wahrscheinlich immer noch nur an der Oberfläche. Da immer mehr Daten verfügbar sind und die Rechenhardware immer leistungsfähiger wird, werden wir mit Machine Learning wahrscheinlich noch mehr Fähigkeiten erschließen. ML wird wahrscheinlich eine zentrale Rolle in der Technologie, aber auch in der Gesellschaft im Allgemeinen spielen.

Vor diesem Hintergrund sollten Sie in Betracht ziehen, Machine Learning in Ihrem eigenen Unternehmen oder Ihrer Organisation zu erlernen oder zu implementieren. Da Machine-Learning-Systeme immer leistungsfähiger werden, werden die Möglichkeiten enorm sein.