Machine Learning ist ein wesentlicher Teilbereich der Künstlichen Intelligenz. Doch was ist maschinelles Lernen genau und wie funktioniert dieser Prozess?
Das Marktvolumen von maschinellem Lernen wird Prognosen zufolge bereits in diesem Jahr die Marke von 100 Milliarden Euro knacken. Demnach soll die Marktgröße in diesem Jahr etwa 103 Milliarden Euro betragen. Bei einer Wachstumsrate von jährlich rund 35 Prozent kommt das maschinelle Lernen im Jahr 2030 bereits bei einem Marktvolumen von 460 Milliarden Euro an.
Das Machine Learning – oder zu Deutsch maschinelle Lernen – hat sich als Teilbereich der Künstlichen Intelligenz also zu einem enormen Wirtschaftsfaktor entwickelt. Doch was ist maschinelles Lernen überhaupt und welchen Stellenwert hat es im KI-Bereich?
Künstliche Intelligenz: Was ist maschinelles Lernen?
Beim maschinellen Lernen handelt es sich um einen Teilbereich der Künstlichen Intelligenz. Dabei kommen Algorithmen und Modelle zum Einsatz. Diese können Muster erkennen und aus Erfahrungen lernen, ohne explizit darauf programmiert zu werden.
Das maschinelle Lernen ist insbesondere darauf ausgelegt, dass Algorithmen und Modelle Muster in großen Datensätzen finden. Dabei wird das jeweilige Modell mit Beispieldaten trainiert.
Anhand der gemachten Erfahrungen während dieses Trainings kann ein Modell dann Vorhersagen und Entscheidung anhand von neuen oder unbekannten Daten treffen. Das Ziel von Machine Learning ist es, dass sich KI stetig verbessert und ihr Wissen ständig erweitert.
Die Algorithmen befähigen Künstliche Intelligenz also Daten nicht nur zu verarbeiten, sondern durch eine Auseinandersetzung damit weiter dazuzulernen. Dafür ist keine spezielle Programmierung erforderlich. Dem maschinellen Lernen können dabei verschiedene algorithmische Techniken zugrundeliegen.
Machine Learning: Welche Lernmodelle gibt es?
Welches dieser Modelle zum Einsatz kommt, hängt von verschiedenen Faktoren ab – etwa von eingespeisten Datensätzen, aber auch von erwünschten Ergebnissen.
Beim überwachten Lernen trainiert ein Modell mit einem Datensatz, bei dem es für jede Eingabe (Input) auch bereits eine korrekte Antwort (Output oder Label) gibt. Der Algorithmus lernt also beispielsweise, Pflanzen oder Sehenswürdigkeiten voneinander zu unterscheiden. Das Ziel dabei ist, ein Modell zu entwickeln, das neue, bisher unbekannte Daten möglichst genau klassifizieren oder Werte vorhersagen kann.
Beim unüberwachten Lernen gibt es keine bereits vorgegebenen Antworten, die Daten sind also nicht gelabelt. Das Modell erhält nur Daten in der Eingabe und muss aus ihnen selbstständig Muster oder Zusammenhänge erkennen.
Beim teilüberwachten Lernen handelt es sich um eine Mischung aus den ersten beiden Lernmodellen. Dabei erhält das Modell eine kleine Menge Daten, bei denen die Antwort bereits bekannt ist und eine große Menge Daten, bei denen das nicht der Fall ist.
Dieses Lernmodell kommt häufig zum Einsatz, da es kostengünstig und mit weniger Aufwand verbunden ist. Denn das Labeln von Daten – also wie beispielsweise bei Bildern von Pflanzen – ist sehr zeitaufwändig.
Beim vierten Lernmodell, dem bestärkenden Lernen, handelt es sich um eine Sonderform des maschinellen Lernens. Dabei kommt ein „Lernender“ zum Einsatz, das kann ein Roboter, aber auch ein Algorithmus sein. Durch Interaktion mit seiner Umgebung probiert er verschiedene Dinge aus. Hierfür erhält er entweder Belohnungen oder Bestrafungen. Ziel dabei ist es, durch Erfahrungen und Belohnungen das Wissen des Lernenden zu stärken.
Auch interessant:
