5 Maschinelles Lernen / Machine Learning (ML)

Wie wir im vorigen Abschnitt angedeutet haben, sind regelbasierte Expertensysteme beschränkt leistungsfähig, wenn es um Anwendungsfälle mit unsicheren Daten geht. Außerdem ist das Ausformulieren von Regeln für viele Bereiche des Lebens sehr aufwendig, und die Wissensbasis kann nur durch das Hinzufügen neuer Regeln erweitert werden. Ein anderes Problem besteht darin, dass neue Regeln in Widerspruch zu bestehenden Regeln geraten können und das System dann nicht weiß, wie es entscheiden soll.

Daher hat man sich die menschliche Intelligenz noch einmal näher angeschaut und festgestellt, dass wir Menschen nicht nur durch das Auswendiglernen von Informationen und Regeln (wenn-dann), sondern in den meisten Fällen durch das Lernen aus Beispielen intelligent auf neue Situationen reagieren können.

Das Maschinelle Lernen (engl. Machine Learning, abgekürzt ML) orientiert sich an dieser Form des Lernens. Wie funktioniert das? Die Besonderheit des ML ist, dass nicht fertige Regeln formuliert werden, sondern dass die Maschine anhand von Beispielen trainiert wird.

Es gibt also zuerst eine sogenannte Trainingsphase: Ich zeige der Maschine z.B. 1000 Bilder von Katzen und 1000 Bilder von Hunden.

Die Maschine erstellt daraus ein internes Modell, in dem das Wissen steckt, wie sich Katzen von Hunden unterscheiden. Der Clou im Vergleich zum Expertensystem ist, dass kein Programmierer in dieses Modell eingreifen muss, um eine Wissensbasis und Regeln zu formulieren. Das Modell passt sich automatisch an die jeweiligen Trainingsdaten an. Was wie Zauberei klingt, ist nichts weiter als Mathematik und Statistik. Wie das genau funktioniert, werden wir uns noch anschauen. Nach Abschluss der Trainingsphase erhält man also ein trainiertes Modell. Dieses Modell kann nun verwendet werden, um neue Daten, z.B. Bilder, zu klassifizieren.

Um sicherzugehen, dass das Modell auch gut funktioniert, führt man in der Regel nach der Trainingsphase eine Überprüfungs- oder Testphase durch. In dieser Phase wird gecheckt, wie viele Fehler das ML-Modell macht, wenn man neue Daten einspeist.

Erst wenn das Modell diese Tests besteht, kann es eingesetzt werden. In der Einsatzphase soll das Modell dann zur Vorhersage (engl. prediction) von Daten verwendet werden, die es vorher noch nicht gesehen hat.

Hier noch einmal die Phasen des ML im Überblick.

Aufgabe: Unterscheide Katzen- von Hundebildern.

Daten: 1000 Katzenbilder und 1000 Hundebilder.

Trainingsphase: Ich trainiere das Modell der KI mit 800 Katzen- und 800 Hundebildern (das sind meine Trainingsdaten).

Testphase: Wenn das Modell fertig trainiert ist, nimmt man die übrig gebliebenen 200 Katzen- und Hundebilder und überprüft, ob diese richtig erkannt werden (das sind die Testdaten). Falls das Modell zu viele Fehler macht, muss man das Modell noch einmal überdenken. Ein gutes Maß für die Fehlerrate ist es, in unserem Beispiel nachzuprüfen, wie viel Prozent der Katzen und Hunde richtig erkannt werden.

Einsatzphase/Vorhersage: Ist die Fehlerrate gering, sodass die meisten Katzen und Hunde richtig erkannt werden, kann das Modell im Alltag eingesetzt werden. Es werden nun neue Bilder präsentiert, und das Modell kann vorhersagen, um was es sich dabei handelt.

Übung:

Das Maschinelle Lernen, wird in drei Varianten eingesetzt.

Überwachtes Lernen (englisch: Supervised Learning):

Hier bei gibt es zwei grundlegende Formen: die Regression und die Klassifikation. Bei der Regression geht es darum, Datenwerte (z.B. Preise, Temperaturen o.ä.) vorherzusagen, bei der Klassifikation geht es um die Einsortierung von vorliegenden Fällen in bestimmte Klassen (z.B. Katzen oder Hunde, Email-Spam oder Nicht-Spam, Tumor oder nicht auf einem Röntgenbild).

Unüberwachtes Lernen (englisch: Unsupervised Learning): Bei dieser Form des Lernens gibt es keine Vorgaben durch vorklassifizierte Beispiele, sondern nur die Beispieldaten. Die Maschinen untersuchen diese mittels bestimmter Statistik- und KI-Algorithmen und finden Besonderheiten über diese Daten heraus, wie zum Beispiel, dass manche Beispiele sich gruppieren lassen oder dass es in einer Reihe von Daten „Ausreißer“ gibt, mit denen irgendetwas nicht stimmt. Diese Form von Lernen besteht eher im Aufspüren von Besonderheiten. Beispiele: Gruppierung von Kunden in verschiedene Typen oder kaputte Motoren in einer Auto-Fabrik am Geräusch erkennen.

Verstärkendes Lernen (englisch: Reinforcement Learning): Diese Art des Lernens finden wir dort, wo eine Maschine selbständig durch eine bestimmte Umgebung navigieren soll. Das kann ein selbstfahrendes Auto im Straßenverkehr sein aber auch ein computergesteuerter Character in einem Videospiel oder eine Figur auf dem Schachbrett. Hier wird beim Trainieren bei jeder Einzelentscheidung bewertet, ob das vorteilhaft oder nachteilig für das zu erreichende Ergebnis ist. Man kann das mit einer Dressur vergleichen, die gutes Verhalten belohnt und schlechtes bestraft. Die Summe der Entscheidungen wird dann in einem Modell abgespeichert und kann später in neuen ähnlichen Situationen neue Entscheidungen treffen. Beispiele sind Staubsauger-Roboter oder automatische Warenlager aber auch künstliche Gegner in Videogames

Wir sehen: Das Maschinelle Lernen hat viel mehr mit unser Vorstellung von Lernen zu tun als Expertensysteme und ist viel flexibler als die Regelbasierte KI. Daher ist ML heute das mit Abstand wichtigste Verfahren in der KI.

Wirtschaft
Die folgende Grafik zeigt, wo ML in der Wirtschaft eingesetzt wird. Die Einsparmöglichkeiten durch automatische Prozesse sind enorm. Wenn kaputte Geräte in der Produktion schneller erkannt werden, wenn Kreditkartenbetrug frühzeitig aufgedeckt werden kann, wenn Texte automatisch übersetzt werden können, dann kann man viel Geld sparen. Aber es geht nicht nur darum, bestehende Prozesse, wie zum Beispiel die Analyse von Röntgenbildern billiger zu machen. In vielen Fällen sind die durch ML trainierten Modelle sogar besser als die menschlichen Experten, was neue und bessere Services ermöglicht, die vor ein paar Jahren noch undenkbar waren. Können etwa Krankheiten früher erkannt werden, oder der CO²-Verbrauch von Paketdiensten reduziert werden, dann nützt das allen.

(Schaubild muss noch angepasst werden)

Selbstcheck: Suche dir vier Kategorien aus dem Schaubild oben aus und überlege dir zu jeder mindestens zwei Anwendungsmöglichkeiten (in Wirtschaft, Forschung oder Alltag).

Gesellschaft und Individuum
Die KI-Produkte und -Services, die auf ML beruhen, sind extrem leistungsfähig und bestimmen heutzutage schon einen Teil unserer Interaktion mit Maschinen. Wir müssen nicht programmieren können, um eine Information zu erhalten; wir können einfach unser Smartphone fragen. Wir schalten das Mikrofon ein, um Vogelstimmen oder ein Musikstück zu erkennen. Wir müssen eigentlich nichts mehr wissen oder uns merken, alles kommt auf Zuruf aus dem Smartphone heraus. Doch die Möglichkeiten mit ML gehen noch weiter. Selbst wenn wir nichts aktiv anfragen, beeinflusst KI unser Leben, in dem diese FÜR UNS entscheidet, welcher Beitrag bei Facebook, welcher Song bei Spotify oder welcher Film bei Netflix für uns interessant sein soll. Ein weiteres Problem der ML-Techniken ist, dass sie häufig so komplex sind, dass man von außen nicht mehr nachvollziehen kann, nach welchen Kriterien in einem Modell Entscheidungen getroffen werden. Das sollte da, wo das Leben von Menschen von diesen Entscheidungen betroffen sind, zum Nachdenken anregen. Mehr dazu erfahren wir im Kapitel über die Auswirkungen von KI am Schluss.