Wie lernt Künstliche Intelligenz?

Share on linkedin

Was wir als „künstliche Intelligenz“ (KI) bezeichnen, ist im Grund nichts weiter als Software. Allerdings unterscheidet sich KI von „normaler“ Software, und zwar durch ihre Lernfähigkeit. Maschinelles Lernen (Machine Learning) ist der Oberbegriff für die Disziplin der KI, deren Erkenntnisse und Verfahren anstelle von gewöhnlicher Software ein selbstlernendes System entstehen lassen.

Arbeitsanleitung Schritt für Schritt

Bei Software muss der Mensch das Lernen von außen anstoßen. Hier kommen die in vorangegangenen Blogposts bereits erwähnten Algorithmen ins Spiel. Das sind Regeln für das Vorgehen, wenn es ein Problem zu lösen gilt. Im analogen Leben kennen wir Algorithmen unter Bezeichnungen wie Kochrezept oder Bastelanleitung: Schritt für Schritt wird erklärt, was zu tun ist. Da es sich bei KI um Software handelt, geben die Algorithmen die Anleitung in Form von Rechenprozessen vor, auch die Anleitung fürs Lernen.

KI lernt aus den Daten, mit denen sie arbeitet. Dabei lassen sich mehrere unterschiedliche Lernverfahren unterscheiden, zunächst einmal überwachtes Lernen (Supervised Learning) und unüberwachtes Lernen (Unsupervised Learning) sowie die Mischform teilüberwachtes Lernen. Ein weiteres Verfahren, jedoch ohne vom Menschen vorgegebene Regelwerke für die Problemlösung, ist das bestärkende Lernen. Trainiert werden müssen Algorithmen bei allen diesen Lernformen. Einen ganz anderen Ansatz hingegen, weitgehend ohne menschlichen Eingriff, verfolgt das sogenannte Deep Learning.

Überwachtes Lernen

Beim überwachten Lernen erhält der Algorithmus als Trainingsdaten Daten, die von Menschen vorbereitet und klassifiziert, „gelabelt“, wurden. Bei der Bilderkennung sind ein gutes Beispiel die häufig angeführten Hunde- und Katzenbilder, die zunächst von Menschen korrekt zugeordnet werden müssen. Anhand der Zuordnung erfasst der Algorithmus die Merkmale für die jeweilige Kategorie und kann die Parameter entsprechend anpassen. Der Algorithmus lernt also, eingegebene Daten einer vorgegebenen Ausgabe-Kategorie zuzuordnen. Überwachtes Lernen wird eingesetzt, wenn aus vorhandenen Daten künftige Ereignisse abgeleitet werden sollen, beispielsweise bei der Spamerkennung oder bei der Erkennung betrügerischer Kreditkartentransaktionen.

Unüberwachtes Lernen

Beim unüberwachten Lernen erhält der Algorithmus lediglich Eingabedaten. Sie sind nicht klassifiziert, und es gibt keine Kategorien für die Ausgabe. Der Algorithmus analysiert die Daten auf Muster und Merkmale hin, die sie voneinander unterscheiden bzw. ihnen gemeinsam sind, und gruppiert sie nach diesen Merkmalen. Mit anderen Worten: Er entwickelt selbst Kategorien, denen er die Daten zuordnet. Tiere auf Bildern könnte er dann beispielsweise nach Arten sortieren, nach der Farbe des Fells oder nach ihrer Haltung, stehend oder liegend. Einsetzen lässt sich unüberwachtes Lernen im Marketing, wenn es darum geht, Kunden mit ähnlichen Vorlieben oder ähnlichem Kaufverhalten zu finden oder Kundensegmente voneinander abzugrenzen.

Teilüberwachtes Lernen

Dieses Lernverfahren ist eine Mischform aus überwachtem und unüberwachten Lernen. Es arbeitet mit wenigen gelabelten Daten und vielen ohne Label. Der Algorithmus analysiert die gelabelten Daten auf Muster und wendet diese dann auf die ungelabelten Daten an. Das spart Ressourcen im Unternehmen, denn das Klassifizieren von Daten ist teuer, und lässt sich für dieselben Aufgaben nutzen wie überwachtes Lernen.

Bestärkendes Lernen

Das bestärkende Lernen unterscheidet sich ganz erheblich von den bisher genannten Lernformen. Es braucht keine Daten zum Trainieren und kein Regelwerk für die Problemlösung. Stattdessen lernt ein Agent, eine Ampelschaltung oder die Steuerung eines Montageroboters etwa, per Versuch und Irrtum aus seinen Aktionen. Eine Belohnungs- oder Nutzenfunktion gibt ihm positives oder negatives Feedback für die ausgeführten Schrittfolgen. Die Algorithmen sind so angelegt, dass sie nach möglichst vielen Belohnungen streben. Auf diese Art und Weise erarbeitet sich der Agent die bestmögliche Strategie zur Lösung eines Problems.

Deep Learning

Ganz anders geht Deep Learning vor. Statt vorgegebener Algorithmen nutzt das Verfahren sogenannte neuronale Netze. Unter den Neuronen muss man sich Knotenpunkte einer Netzstruktur vorstellen, über die sie Informationen von anderen Knotenpunkten aufnehmen, ändern und weitergeben. Lernen, Entscheiden und das Revidieren von Entscheidungen basieren bei diesem dem menschlichen Gehirn nachempfundenen Verfahren auf der immer wieder neuen Verknüpfung von Informationen über mehrere Schichten hinweg. Der Mensch liefert den Input in Form von enorm großen Datenmengen, greift aber nicht ein. Er hat keinen Einfluss auf den Lernprozess und kann nicht zurückverfolgen, nach welchen Mustern das System eine Entscheidung getroffen hat. Deep Learning kommt in komplexen Anwendungen unter anderem für die Spracherkennung bei Sprachassistenten oder beim autonomen Fahren zum Einsatz.

Die Lernfähigkeit katapultiert Software geradezu auf ein neues Niveau der Leistungsfähigkeit und ermöglicht ihr einen ganz neuen Umgang mit Daten, von dem wir gerade erst einen kleinen Zipfel in der Hand halten.