Was ist maschinelles Lernen?

Wie funktioniert maschinelles Lernen?

Maschinelles Lernen nutzt alle Eingaben, die es jemals erhalten hat, um neue Ergebnisse vorherzusagen. Maschinelles Lernen wird im täglichen Leben häufig eingesetzt: Es empfiehlt dir Fernsehsendungen, die dir zuvor gefallen haben, korrigiert deine Tippfehler, indem es dir ein anderes Wort vorschlägt, das du stattdessen verwenden könntest, oder findet den besten Weg zur Arbeit auf der Grundlage deiner und anderer Verkehrsdaten. Maschinelles Lernen hilft den meisten Diensten, die wir heute nutzen. Viele Unternehmen setzen Machine Learning ein, weil es Muster in Daten finden und ihre Dienste verbessern kann, ohne dass der Code geändert werden muss.

Nimm als Beispiel Facebook-Anzeigen. Wenn du ein begeisterter Wanderer bist, der sich für Campingausrüstung und die neuesten GPS-Tracking-Geräte interessiert, wirst du mit Sicherheit Anzeigen zum Thema Outdoor erhalten. Das maschinelle Lernen analysiert deinen Browserverlauf, die Webseiten, die du besuchst, und die Personen, denen du auf Facebook folgst. Auf diese Weise werden dir relevante Werbe-Anzeigen angezeigt. Diese Analyse deines Verhaltens erhöht die Wahrscheinlichkeit, dass du etwas kaufst, erheblich.

Sobald du dich für etwas Neues interessierst und online danach suchst, nach dem du vorher noch nie gesucht hast, beginnt das Machine Learning sofort, dich mit verschiedenen Anzeigen anzusprechen. Es analysiert ständig die Veränderungen in deinem Verhalten und versucht, den Nutzern die Anzeigen zu liefern, auf die sie am ehesten klicken, um den Anbietern Einnahmen zu verschaffen.

Hier sind einige bekannte Beispiele für Anwendungen des maschinellen Lernens im täglichen Leben:

• Programmempfehlungen auf Streaming-Plattformen. Streaming-Dienste analysieren, was du dir ansiehst und schlagen ähnliche Sendungen vor, die dir gefallen könnten.
• Die Auto-Korrektur-Funktion. Viele verschiedene Anwendungen und Geräte bieten die Auto-Korrektur-Funktion, die analysiert, was du tippst und dir daraufhin passende Korrekturen vorschlägt.
• Betrugserkennung beim Online-Banking. Machine Learning kann Betrug erkennen und Identitätsdiebstahl verhindern. Wenn eine verdächtige Aktivität entdeckt wird, kann deine Bank dein Konto einfrieren. Das kann der Fall sein, wenn du dich aus einem fernen Land in dein Konto einloggst oder Einkäufe tätigst, die der Bank verdächtig vorkommen.
• Virtuelle Assistenten. Virtuelle Assistenten wie Siri oder Alexa analysieren die Informationen, die du ihnen gibst, vergleichen sie mit früheren Daten und führen verschiedene Aufgaben aus.
• Apps zur Verkehrsvorhersage. Google Maps und andere ähnliche Apps analysieren die Verkehrsdaten und schlagen die schnellste Route vor.
• Freundschaftsvorschläge in sozialen Netzwerken. Der Algorithmus analysiert deinen Standort, deine Freunde, deine Interessen, dein Alter und deinen Arbeitsplatz und präsentiert dir eine Liste von Personen, die du kennen könntest.
• Spam-Filter. Auch in der Cybersicherheit wird künstliche Intelligenz häufig eingesetzt. Wenn das maschinelle Lernen mit Beispielen von Spam- oder Phishing-E-Mails gefüttert wird, kann es verhindern, dass ähnliche E-Mails deinen Posteingang erreichen.
• Sportuhren. Diese Geräte verfolgen deine Aktivitäten, überwachen deine Herzfrequenz und informieren dich über Faktoren wie deinen Trainingsfortschritt oder deine Ruhezeit.
• Gesichtserkennung. Maschinelles Lernen kann biometrische Daten analysieren und Menschen durch den Vergleich ihrer Gesichter in einer Datenbank identifizieren.
• Songempfehlungen auf Spotify. Maschinelles Lernen analysiert die Musikgenres und Künstler, die du hörst und stellt dir eine wöchentliche Playlist mit Musik vor, die dir gefallen könnte.

Arten des maschinellen Lernens

Es gibt Unterschiede beim maschinellen Lernen, die sich in bestimmte Arten aufteilen lassen. Im Folgenden erfährst du, welche das sind.

Überwachtes Lernen

Beim überwachten Lernen werden einem Algorithmus Eingabedaten und gewünschte Ausgabedaten vorgelegt, damit er trainiert werden kann, Vorhersagen zu treffen. Nachdem ein Algorithmus die Daten analysiert hat, entdeckt er ein Muster und lernt allmählich, wie er die Eingabedaten mit den Ausgabedaten in Beziehung setzen kann. Jetzt kann der Algorithmus selbstständig arbeiten und seinen Zweck erfüllen.

Der Lernprozess des Algorithmus hört hier nicht auf. Er fährt fort, neue Muster zu entdecken, während er die eingehenden Daten analysiert.

Unüberwachtes Lernen

Algorithmen für unüberwachtes Lernen brauchen kein menschliches Eingreifen, weil sie selbst Muster in den Daten finden können. Dank dieser Fähigkeit können sie komplexere und vielseitigere Aufgaben erfüllen als überwachte Lernverfahren. Allerdings sind unüberwachte Lernalgorithmen weniger genau.

Teilweise überwachtes Lernen

Wie der Name schon sagt, vereint das teilweise überwachte Lernen ein bisschen von beidem, dem überwachten und dem unüberwachten Lernen. Es verwendet sowohl gelabelte als auch nicht gelabelte Daten, damit ein Modell lernen und Vorhersagen für neue Dateneinträge treffen kann.

Teilweise überwachtes Lernen wird oft eingesetzt, wenn nicht genügend Daten vorhanden sind, aus denen ein Algorithmus lernen kann. Dieser Mangel an Daten kann jedoch zu weniger genauen Ergebnissen führen.

Bestärkendes Lernen

Beim bestärkenden Lernen erhält ein Modell auf der Grundlage seiner Aktionen Belohnungen oder Bestrafungen. Es liegt am Modell herauszufinden, wie es mehr Belohnungen erhält und seine Aufgaben erfüllen kann. Algorithmen des bestärkendes Lernen lösen komplexe Probleme und werden nicht für einfache Aufgaben eingesetzt. Indem ein Modell verschiedene Methoden zur Lösung eines Problems ausprobiert, findet es schließlich eine, die seine Belohnung maximiert.

Maschinelles Lernen vs. Deep Learning vs. KI (künstliche Intelligenz)

Obwohl die Begriffe maschinelles Lernen und künstliche Intelligenz oft synonym verwendet werden, sollten sie nicht als Synonyme betrachtet werden. KI ist ein Konzept, das Maschinen definiert, die die menschliche Denk- und Verhaltensweise simulieren können. Maschinelles Lernen ist ein Teilbereich der KI, der es Maschinen ermöglicht, verschiedene Muster zu lernen und Probleme zu lösen.

Deep Learning versucht, das Netzwerk menschlicher Neuronen zu imitieren und macht es zu einem extrem ausgeklügelten System, das eigenständig Entscheidungen treffen kann. Deep Learning ist ein Teilbereich des maschinellen Lernens. Es gilt jedoch als fortschrittlicher.

Beim maschinellen Lernen muss der Mensch eingreifen, während Deep Learning die Ergebnisse selbst auswerten und entscheiden kann, ob sie zufriedenstellend sind. Da Deep Learning aus seinen eigenen Fehlern lernen kann, wird es oft mit dem menschlichen Gehirn verglichen. Es mag wie Science Fiction klingen, aber die Vorhersagen der Experten für 2025 sagen, dass wir sogar noch weiter gehen können als das.

Ethische Herausforderungen des maschinellen Lernens

Mit dem maschinellen Lernen und der künstlichen Intelligenz werden zunehmend auch ethische Fragen aufgeworfen, wie die neue Technologie etwa zur Überwachung genutzt werden kann.

Überwachung

Maschinelles Lernen kann zwar das Nutzererlebnis verbessern, es kann aber auch für die Überwachung eingesetzt werden. Viele Städte nutzen Gesichtserkennungssoftware, um öffentliche Räume zu überwachen und Kriminelle zu identifizieren. Datenschützer haben jedoch Bedenken hinsichtlich der Genauigkeit dieser Software und der Frage, ob es ethisch vertretbar ist, Menschen zu überwachen.

Mangel an Transparenz

Für künstliche Intelligenz gibt es immer noch keine vernünftige Regulierung und keine internationalen Gesetze. Wir können nicht sicher sein, wie KI-Technologien eingesetzt werden und wer unsere privaten Daten sammelt. Sie kann sogar böswilligen Zwecken dienen und verschiedenen Bedrohungsakteuren zugute kommen.

Ungleiche Machtverteilung

Große Unternehmen verfügen über mehr Ressourcen, um KI einzuführen und ihre Konkurrenten aus dem Markt zu drängen. IT-Experten sind sich einig, dass diejenigen, die KI-Technologie besitzen, allen anderen ein paar Schritte voraus sind.

Privatsphäre

Unternehmen sammeln eine Menge Daten über uns, von unseren Surfgewohnheiten bis hin zu unserem Standort. Sie behaupten zwar, dass sie diese Informationen brauchen, um den Nutzern das bestmögliche Erlebnis zu bieten, aber das wirft auch ethische Dilemmas auf. Wir können nicht sicher sein, wie unsere Daten gespeichert werden und wer auf sie zugreifen kann. Da es jeden Tag zu Datenschutzverletzungen kommt, macht das Sammeln von Daten uns alle angreifbar.