Machine Learning: Lernen aus Daten
Klassische Programme folgen Regeln, die ein Mensch geschrieben hat. Beim Machine Learning findet das Programm die Regeln selbst, indem es aus vielen Beispielen lernt. Fast alles, was heute als KI bezeichnet wird, basiert darauf.
💡 Deep Learning ist eine Form von Machine Learning mit sehr großen, vielschichtigen neuronalen Netzen. Damit funktionieren Bilderkennung und Sprachmodelle.
Die drei Grundformen
- Überwachtes Lernen: Das Modell bekommt Beispiele mit richtiger Antwort, etwa Mails mit der Markierung „Spam“ oder „kein Spam“.
- Unüberwachtes Lernen: Das Modell sucht selbst nach Mustern, zum Beispiel Kundengruppen mit ähnlichem Kaufverhalten.
- Bestärkendes Lernen: Das Modell probiert aus und bekommt Belohnung oder Strafe, so lernen Programme etwa Spiele.
Nach dem Training wird das Modell mit Daten geprüft, die es noch nie gesehen hat. Nur so zeigt sich, ob es wirklich gelernt oder nur auswendig gelernt hat.
Ein Beispiel aus dem Alltag
Niemand hat dem Navi einprogrammiert, wann auf der Autobahn Stau ist. Es hat aus Millionen Fahrten gelernt, wie sich der Verkehr zu welcher Uhrzeit entwickelt, und sagt deine Ankunftszeit daraus vorher.
Häufiger Irrtum
„Ein Algorithmus ist neutral.“ Ein Modell ist nur so gut wie seine Trainingsdaten. Enthalten die Daten Vorurteile oder Lücken, übernimmt das Modell sie, ein Problem, das als „Bias“ bekannt ist.
Häufige Fragen
Was ist der Unterschied zwischen KI und Machine Learning?
KI ist der Oberbegriff für Systeme, die Aufgaben erledigen, die nach Intelligenz aussehen. Machine Learning ist der heute wichtigste Weg dorthin, also das Lernen aus Daten.
Warum braucht Machine Learning so viel Rechenleistung?
Beim Training werden Millionen bis Milliarden Stellschrauben immer wieder angepasst. Das sind gigantische Mengen paralleler Rechnungen, wofür vor allem GPUs eingesetzt werden.