1. Einordnung innerhalb der Künstlichen Intelligenz
Die Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. Sie befasst sich mit der Entwicklung von Systemen, die Aufgaben ausführen, für deren Bewältigung man beim Menschen kognitive Fähigkeiten ansetzt, etwa Wahrnehmen, sprachliches Verarbeiten, Problemlösen, Planen, Entscheiden oder Lernen.
Solche Systeme können auf unterschiedliche Weise aufgebaut sein. Für einen ersten Überblick ist insbesondere die Unterscheidung zwischen regelbasierten und datenbasierten Ansätzen hilfreich. Bei regelbasierten Ansätzen wird das für die Problemlösung benötigte Wissen von Menschen explizit vorgegeben. Bei datenbasierten Ansätzen wird es ganz oder teilweise aus Daten gewonnen. Beide Zugänge gehören zur Künstlichen Intelligenz, unterscheiden sich aber deutlich darin, wie Wissen in ein System gelangt und wie Entscheidungen zustande kommen.
Diese Unterscheidung ist auch deshalb wichtig, weil der Ausdruck „KI“ im Alltag heute häufig fast nur noch mit datenbasierten, lernenden Systemen verbunden wird. Tatsächlich umfasst die Künstliche Intelligenz jedoch sowohl regelbasierte als auch datenbasierte Verfahren.
Seite 1.1: Was ist Maschinelles Lernen?
Maschinelles Lernen (ML) ist ein faszinierendes Teilgebiet der Künstlichen Intelligenz (KI). Die Kernidee ist, dass Computersysteme aus Daten lernen können, Muster erkennen und Vorhersagen treffen, ohne explizit für jede einzelne Aufgabe programmiert zu werden. Stellen Sie sich vor, ein System lernt, Spam-E-Mails zu erkennen, indem es Tausende von Beispielen analysiert – das ist ML in Aktion!
Diese Fähigkeit, aus Erfahrung zu lernen, ermöglicht es Computern, Aufgaben zu lösen, die für traditionelle Programmierung sehr schwierig oder unmöglich wären.
Warum ist ML wichtig?
- Automatisierung: ML kann repetitive oder komplexe Aufgaben automatisieren, von der einfachen Datenklassifizierung bis zur Steuerung von Robotern.
- Erkenntnisse: Es hilft, verborgene Muster und Zusammenhänge in riesigen Datenmengen aufzudecken, was zu neuen wissenschaftlichen Entdeckungen oder besseren Geschäftsentscheidungen führen kann (z.B. in der Genomforschung, Marktanalyse).
- Vorhersagen: ML-Modelle werden für präzise Prognosen in vielen Bereichen genutzt (z.B. Wettervorhersage, Aktienkurse, Bedarfsprognosen, Kundenabwanderung).
- Personalisierung: Empfehlungssysteme (wie bei Netflix oder Amazon) basieren stark auf ML, um individuelle Vorschläge zu machen.
Ein typischer ML-Arbeitsablauf:
Diagramm wird geladen...
Visuelle Darstellung des typischen ML-Prozesses.
"Maschinelles Lernen ist die Wissenschaft (und Kunst), Computer so zu programmieren, dass sie aus Daten lernen." - Aurélien Géron
Im nächsten Abschnitt schauen wir uns die verschiedenen grundlegenden Arten von Maschinellem Lernen genauer an und verstehen, wann welche Methode zum Einsatz kommt.
Beispiel für ein regelbasiertes Diagnosesystem
Das folgende Flussdiagramm zeigt zum Vergleich einen regelbasierten Ablauf: Das System arbeitet nicht mit gelerntem Wissen aus Daten, sondern mit fest vorgegebenen Entscheidungsregeln.