Künstliche Intelligenz: Wenn Algorithmen das Forschen übernehmen
Posted by Julia Werner •
Machine Learning: Definition, Algorithmen, Methoden und Beispiele
Machine Learning (deutsch: maschinelles Lernen) ist eine Anwendung der künstlichen Intelligenz (KI). IT-Systeme lernen automatisch Muster und Zusammenhänge aus Daten und verbessern sich, ohne explizit programmiert zu sein. Machine Learning unterstützt uns seit vielen Jahren erfolgreich in Wirtschaft, Forschung und Entwicklung.
In diesem Artikel erklären wir Ihnen die Grundlagen von maschinellem Lernen und zeigen, welche unterschiedlichen Arten und Algorithmen es gibt. Außerdem lernen Sie, wofür Machine Learning eingesetzt wird und welche Daten Sie dafür brauchen.
Machine Learning auf einen Blick Machine Learning ist ein Teilbereich der künstlichen Intelligenz
Systeme lernen selbstständig Muster und Zusammenhänge aus großen Datenmengen
Maschnielles Lernen wird in drei Methoden unterteilt: Supervised Learning, Unsupervised Learning und Reinforcement Learning
Deep Learning ist eine besondere Form von Machine Learning
Machine Learning Definition
Machine Learning (deutsch: Maschinelles Lernen) ist ein Teilbereich der künstlichen Intelligenz, der Systeme in die Lage versetzt, automatisch aus Erfahrungen (Daten) zu lernen und sich zu verbessern, ohne explizit programmiert zu sein.
Maschinelles Lernen kann automatisiert Wissen generieren, Algorithmen trainieren, Zusammenhänge identifizieren und unbekannte Muster erkennen. Diese identifizierten Muster und Zusammenhänge lassen sich auf einem neuen, unbekannten Datensatz anwenden, um so Vorhersagen zu treffen und Prozesse zu optimieren.
Machine Learning nutzt Daten, um Muster und Zusammenhänge in Daten zu identifizieren (Modelltraining). Anhand der erlernten Muster lässt sich eine Vorhersage für die Zukunft erstellen.
Anders als bei der traditionellen Softwareentwicklung, liegt bei Machine Learning der Schwerpunkt auf dem selbstständigen Lernen aus Daten. Das bedeutet, dass der Algorithmus aus den Daten lernt und seinen Programmcode alleine erstellt.
Maschinelles Lernen kann folgende Aufgaben erledigen:
Vorhersage von Werten auf Basis der analysierten Daten treffen (bspw. Stromverbrauch oder Umsatzforecast),
auf Basis der analysierten Daten treffen (bspw. Stromverbrauch oder Umsatzforecast), Berechnung von Wahrscheinlichkeiten für bestimmte Ereignisse (bpsw. Kaufwahrscheinlichkeit oder Kündigungswahrscheinlichkeit),
für bestimmte Ereignisse (bpsw. Kaufwahrscheinlichkeit oder Kündigungswahrscheinlichkeit), Erkennen von Gruppen und Clustern in einem Datensatz,
und Clustern in einem Datensatz, Erkennen von Zusammenhängen in Sequenzen,
in Sequenzen, Reduktion von Dimensionen ohne großen Informationsverlust
ohne großen Informationsverlust Optimierung von Geschäftsprozessen.
Damit maschinelles Lernen funktioniert und die Software die Entscheidung treffen kann, muss ein Mensch den Algorithmus trainieren. Durch das Bereitstellen von Trainings- und Beispieldaten, kann der Algorithmus Muster und Zusammenhänge erkennen und somit aus den Daten lernen. Diesen Prozess nennt man auch Modelltraining.
Maschinelles Lernen wird häufig mit den Begriffen Data Mining und predictive Analytics in Verbindung gebracht. Letztlich nutzen Data Mining und predictive Analytics die Verfahren des maschinellen Lernens.
Was ist Machine Learning? In unserem Video einfach erklärt.
Wie funktioniert Machine Learning?
Damit Machine Learning funktioniert und ein Muster lernen kann, muss es von einem Menschen trainiert werden. Dieser Lernprozess beginnt mit einem vorbereiteten Datensatz (Trainingsdatensatz), der von einem Machine Learning Algorithmus nach Mustern und Zusammenhängen durchsucht wird.
Nach einem erfolgreich abgeschlossenen Lernprozess wird das trainierte Modell dazu genutzt, unbekannte Daten zu bewerten. Somit können anhand dieser Vorhersagen bessere Entscheidungen getroffen werden. Das Hauptziel ist, es ohne menschliche Eingriffe automatisch zu lernen und die Aktionen entsprechend anzupassen.
Machine Learning nimmt Eingabedaten mit Beispielen und lernt daraus, um für die Zukunft Prognosen zu machen.
Die Entwicklung eines Modells ist ein interaktiver Prozess, der oft mehrfach durchlaufen wird, bis das Ergebnis eine gewisse Qualität erreicht hat. In der Praxis finden so immer wieder Entwicklungschleifen statt, in denen ein Mensch die Ergebnisse aus dem Machine Learning Algorithmus bewerten muss.
Arten von Machine Learning Algorithmen
Im folgenden Abschnitt gehe ich auf die unterschiedlichen Arten von Machine Learning ein:
Arten von Machine Learning Algorithmen.
Überwachtes Lernen
Überwachtes Lernen (englisch: Supervised Machine Learning) nutzt bekannte Daten, um daraus Muster und Zusammenhänge zu erkennen. Der Algorithmus lernt die Muster anhand eines Trainingsdatensatzes (Beispieldaten). Beim überwachten Lernen wird immer im Zusammenhang mit einer Zielvariable gelernt und der Algorithmus versucht diese richtig vorherzusagen. Die Zielvariable kann eine Klasse (bspw. Kündigung Ja/Nein) oder ein numerischer Wert (bspw. Umsatz für den nächsten Monat) sein.
Überwachtes maschinelles Lernen trainiert Muster und Zusammenhänge anhand von Daten mit einer Zielvariable.
Anhand eines erfolgreichen Lernprozesses werden verlässliche Vorhersagen für zukünftige oder unbekannte Daten getroffen. Im Marketing wird überwachtes Lernen häufig für die Klassifikation von Kundendaten eingesetzt.
Beispiele aus der Praxis von überwachten Lernverfahren sind:
Vorhersage von Stromverbrauch für einen Zeitraum X
Risikobewertung von Investitionen
Berechnung von Ausfallwahrscheinlichkeiten im Maschinenpark
Prognose von Kundenwert für die nächsten 12 Monate
und viele weitere Anwendungsfälle.
In diesem Video erkläre ich an einem einfachen Beispiel was Überwachtes Lernen ist!
Wer mehr über Überwachtes Lernen erfahren will: Wir haben einen ausführlichen Wiki-Beitrag zu dem Thema verfasst.
Unüberwachtes maschinelles Lernen
Bei dem Unüberwachten maschinellem Lernen (Unsupervised Machine Learning) bekommt der Algorithmus keine Beispieldaten, sondern Daten, aus denen der Algorithmus eigenständig interessante, versteckte Gruppen und Muster erkennen soll.
Der grundsätzliche Unterschied zum Supervised Machine Learning ist also, dass das Unsupervised Machine Learning nicht dafür ausgelegt ist, eine Vorhersage für eine bekannte Zielvariable (z.B. Klassifikation oder Prognose) zu berechnen. Auch die Ergebnisse müssen beim Unüberwachten Lernen von Data Scientist an relativ „weichen“ Faktoren bewertet werden, um final einzuschätzen, wie gut die Ergebnisse zur Business-Anwendung passen.
Unsupervised Learning (Unüberwachtes Lernen) ist eine Art von Machine Learning, die eigenständig Muster und Zusammenhänge in den Daten findet.
Beispiele für Unüberwachtes maschinelles Lernen sind Dimensions Reduktion und Clusteringverfahren. Die Verfahren werden eingesetzt für:
Visualisierung von großen Datenmengen,
Clusteranalysen,
Extraktion von Regeln
und Erstellung von ML-Features.
In diesem Video erkläre ich an einem einfachen Beispiel was Unüberwachtes Lernen im Machine Learning bedeutet!
Falls Sie mehr erfahren möchten, finden Sie hier einen ausführlichen Beitrag über Unüberwachtes Lernen in unserem Wiki. Ein Anwendungsbeispiel finden Sie hier: Beispiel in Python – wie man eine Kundensegmentierung mit einem K-Means-Clustering-Algorithmus erstellt.
Teilüberwachtes Lernen
Teilüberwachtes Lernen (Semi-supervised Machine Learning) nutzt sowohl Beispieldaten mit konkreten Zielvariablen, als auch unbekannte Daten und ist somit eine Mischung aus überwachtem und unüberwachtem Lernen. Die Einsatzgebiete von teilüberwachtem Lernen sind im Grunde die gleichen wie bei dem überwachten Lernen.
Der Unterschied liegt darin, dass für den Lernprozess nur eine geringe Menge an Daten mit einer bekannten Zielvariable genutzt wird und eine große Menge an Daten, bei der diese Zielvariable noch nicht vorhanden ist. Dies hat den Vorteil, dass schon mit einer geringeren Menge von bekannten Daten trainiert werden kann. Denn oft ist die Beschaffung von bekannten Beispieldaten extrem aufwendig und kostenintensiv, da häufig Menschen diese Daten durch manuelle Prozesse erstellen müssen (bspw. das manuelle Labeling von Bildern).
Besonders in der Bild- oder Objekterkennung findet Semi-Supervised Learning Anwendung. Hier wird ein kleiner Datensatz von bekannten (gelabelten) Bildern erstellt, dies wird in der Regel durch Menschen gemacht. Nachfolgend wird bspw. ein künstliches neuronales Netz zur Klassifikation trainiert und dann auf den Rest der Daten angewendet. So können die Beispieldaten für die unbekannten Daten deutlich schneller richtig erstellt werden.
Verstärkendes Lernen
Verstärkendes Lernen (Reinforcement Learning) oder auch bestärkendes Lernen ist eine besondere Form des maschinellen Lernens. Diese Algorithmen interagieren mit der Umgebung und werden durch eine Kostenfunktion oder ein Belohnungssystem bewertet, um so selbständig eine Strategie zur Lösung des Problems zu erlernen und die Belohnung zu maximieren.
Einfaches Beispiel von verstärkendem Lernen durch Belohnungen.
Bei verstärkendem Lernen wird dem Algorithmus nicht gezeigt, welche Aktion oder Handlung in welcher Situation die richtige ist, sondern dieser erhält durch die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Anhand der Kostenfunktion wird dann eingeschätzt, welche Aktion zu welchem Zeitpunkt, die Richtige ist. Somit lernt das System „bestärkend“ durch Lob oder Bestrafung die Belohnungsfunktion zu maximieren.
Der entscheidende Unterschied zu Überwachtem und Unüberwachtem Lernen ist, dass das bestärkende Lernen vorab keine Beispieldaten benötigt. Der Algorithmus kann in einer Simulationsumgebung in vielen iterativen Schritten eine eigene Strategie entwickeln. Im folgenden Video von Google DeepMind wird dies deutlich: hier lernt die KI eigenständig zu Laufen.
Googles Deepmind bringt der KI bei zu Laufen.
Wenn die KI eigenständig lernen kann, dann ist kein menschliches Vorwissen mehr nötig, um komplexe Probleme zu erlernen. Reinforcement Learning ist die große Hoffnung vieler KI-Forscher für die Lösung komplexer Problemstellungen, wie bspw. autonomes Fahren, autonome Robotik und der Entwicklung einer generellen Künstlichen Intelligenz.
Welche Einsatzgebiete für Machine Learning gibt es?
In den letzten zwei Jahrzehnten haben technische Fortschritte Machine Learning zu einem Kernbaustück von Technologie und Wirtschaft gemacht. Wir wollen hier ein paar Beispiele für Einsatzgebiete von Machine Learning nennen:
Maschinelles Lernen im Überblick: Anwendungsbeispiele nach Arten
Machinelles Lernen im Customer Relationship Management
Im Customer Relationship Management (CRM) findet maschinelles Lernen ein breites Anwendungsgebiet, um die Effizienz und Effektivität im CRM zu verbessern und natürlich den Kundenwert zu steigern. Da im CRM traditionell viele Kundendaten zur Verfügung stehen, sind hier die Optimierungspotentiale entlang des kompletten Kundenlebenszyklus enorm:
Personalisierung im Marketing
Ein wichtiges Einsatzfeld von Machine Learning im Marketing ist die Personalisierung. Maschinelles Lernen kann Vorlieben und Verhalten von Kunden erlernen und mit denen anderer Kunden vergleichen – das Resultat sind individuelle Produkt- oder Handlungsempfehlungen für jeden Kunden zum gegebenen Zeitpunkt.
Produktempfehlungen Webshops: “Kunden, die dieses Produkt kaufen, kauften auch…”
Personalisierte Internetseiten bei Streaminganbietern und Webshops
Kundensegmentierung auf Grundlage verschiedener Kennzahlen (CLV, RFM) führt zu personalisierten Marketingstrategien
Ein spannendes neues Beispiel ist der Drive-Through von McDonalds: Bei einigen Standorten werden Kameras mit Bilderkennung eingesetzt, um Fahrzeuge und damit Kunden wiederzuerkennen und ihnen bestimmte Produktvorschläge zu machen.
Wie Machine Learning im E-Commerce eingesetzt werden kann, können Sie hier lesen.
Download: KI Use Cases für Marketing und Vertrieb Mehr Umsatz durch gezielte Vorhersagen
Durch Automatisierung mehr Zeit gewinnen
Budget und Ressourcen gezielt einsetzen Jetzt eintragen und spannende KI-Projektbeispiele aus der Praxis erhalten: Email Jetzt PDF herunterladen Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.
(IT-)Security
Üblicherweise werden kritische IT-Systeme meist mit Hilfe von Security Information and Event Management (SIEM) abgesichert. Problematisch sind hier der große Aufwand und das benötigte Personal, um auf potenziell sicherheitsbezogene Ereignisse zu reagieren.
Schwierigkeit : auf immer besser ausgeklügelten Methoden von Hackern mit kriminellen Absichten reagieren
: auf immer besser ausgeklügelten Methoden von Hackern mit kriminellen Absichten reagieren Lösung : Machine-Learning-Modelle zur Überwachung von IT-Systemen
: Machine-Learning-Modelle zur Überwachung von IT-Systemen Diese können viel größere Datenmengen in einer höheren Geschwindigkeit verarbeiten
Erkennt subtile, aber auch komplexe Methoden
Digitale Assistenten
Digitale Assistenten sind wohl die prominentesten Anwendungen von Machine Learning im Alltag. Eine Umfrage von Splendid Research in 2019 zeigt:
Von rund 1000 Befragten haben 60% schon einmal ein Gerät mit Hilfe von Sprachsteuerung bedient.
Zwei Jahre zuvor waren es gerade mal 37% der knapp 1000 Befragten.
Von den 605 Personen gaben 19% an, mehrmals wöchentlich solche Systeme zu nutzen, 11% der Nutzer sogar täglich.
Beliebteste Anwendungsfälle: Suchergebnisse von Google erhalten (52%), Musik abspielen (51%) und das Wetter anzeigen lassen (46%).
Digitale Assistenten werden auch vermehrt in anderer Form eingesetzt. So werden beispielsweise moderne Kamerasysteme durch KI-Module unterstützt, um optimale Voreinstellungen für das Bild zu treffen oder Personen und Objekte im Bild zu erkennen und zu tracken.
Mobilität
In der Mobilität und im Verkehr ist Machine Learning immer häufiger vertreten. Autonomes Fahren ist ein gutes Beispiel:
Es werden verschiedene Sensordaten ausgewertet und so genaue Informationen zu dem Fahrzeugzustand und der Umgebung generiert.
Neuronale Netze ermöglichen sichere Navigation im Straßenverkehr und reagieren in Echtzeit auf kritische Situationen.
Ebenso werden in der Infrastruktur Machine Learning Modelle angewandt, um so beispielsweise die Ampelschaltung an großen Kreuzungen zu optimieren. Diese intelligenten Systeme erkennen Ansammlungen von Autos und sollen mit einer reaktiven Schaltung der Grünphasen Staus verhindern.
Predictive Maintenance und Logistics
Der herkömmliche Ansatz klassischer Maintenance Systeme ist meist zeitpunktbasiert oder reaktiv nach festgesetzten Intervallen.
Problem : Oft verliert man an der Stelle Zeit und Ressourcen, bis das Problem behoben wurde.
: Oft verliert man an der Stelle Zeit und Ressourcen, bis das Problem behoben wurde. Lösung : Überwachung von Sensordaten, um Abweichungen frühzeitig zu erkennen und sogar prognostizieren
: Überwachung von Sensordaten, um Abweichungen frühzeitig zu erkennen und sogar prognostizieren Supply Chain kann automatisch aufrechterhalten werden
Beispiel: McDonalds plant und kontrolliert die Lieferung von Zutaten und Zubereitungen von Mahlzeiten
Notdienste
Heutzutage nutzt die Polizei Machine Learning, um mögliche Verbrechen vorherzusagen und plant dementsprechend Patrouillen. Einbrüche sind da ein gutes Beispiel:
Die Aufklärungsquote der Einbrüche in Deutschland lag im Jahr 2018 gerade mal bei gerade einmal knapp 18%.
Machine Learning wird eingesetzt, um Einbrüche zu verhindern, bevor sie überhaupt passieren
Erfolg: Rückgang der Einbrüche von 116.540 Fällen (2018) zu 97.504 Fällen (2019), ein Rückgang von 16,3%!
Auch die Feuerwehr nutzt mittlerweile autonome Löschfahrzeuge, wie Drohnen oder kleine Löschautos, die mithilfe von Machine Learning Menschen und Objekte selbst bei dichtem Rauch und Dunkelheit erkennen können. Diese Fahrzeuge können in Räumen oder Gebieten eingesetzt werden, die für Menschen lebensgefährlich sind und sind so ein sehr wertvolles Tool für die Einsatzkräfte.
Machine Learning Algorithmen Übersicht
Die folgenden Machine Learning Algorithmen können für viele Problemstellen genutzt werden:
Wie funktioniert der Machine Learning Prozess?
Ein Machine Learning Prozess in der Praxis sieht wie so aus:
Problemdefinition, Zieldefiniton und Wissenaustausch. Ziele und Einsatzzweck von Machine Learning muss im Vorfeld klar festgelegt werden. Was ist mit maschinellem Lernen zu optimieren? Datenbeschaffung, Transformation und Feature Extraktion. In der Regel ist dieser Schritt der zeitaufwändigste, da es wichtig ist, qualitativ hochwertige Daten zu nutzen. Hier kann z.B. ein ML Feature Store hohe Effizienz schaffen. Lernphase. In diesem Schritt findet das maschinelle Lernen statt. Der Machine Learning Algorithmus wird trainiert. Interpretation der Ergebnisse. Ergebniss- und Modellinterpretation sind essentiell für den Prozess. Ein wichtiger Schritt, um auch Akzeptanz für maschinelles Lernen im Fachbereich zu schaffen. Der Mensch möchte verstehen, was in dem Algorithmus passiert. Produktive Nutzung. Maschinelles Lernen allein in Innovationslabs zu entwickeln und diese dann nicht in realen Prozessen zu nutzen, hat keinen Mehrwert. Die technischen Anforderungen für Machine Learning sind komplex, daher ist die Produktivnahme nicht immer ganz einfach.
Dieser Prozess wird so häufig durchlaufen, bis die gewünschten Ergebnisse vorhanden sind.
Folgend haben wir Ihnen den Machine Learning Prozess in einer Infografik visualisiert:
Machine Learning Prozess
Ein Vorgehensmodell, was in der Literatur oft beschrieben wird, ist der CRISP-DM Prozess. Ein Prozess der für das Data Mining entwickelt wurde. Dieser Prozess ist nicht allein auf das Machine Learning fokussiert, sondern bezieht auch die Ziele aus Sicht der Business-Anwendung mit ein.
Ich persönlich finde, dass der CRISP-DM sehr hilfreicher ist, um Machine Learning Projekte zu strukturieren. In diesem Beitrag habe ich den CRISP-DM Prozess beschrieben.
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Praktisch gesehen ist Deep Learning eine Teilmenge von Machine Learning, daher ist tiefes Lernen technisch gesehen immer maschinelles Lernen. Allerdings unterscheiden sich die Fähigkeiten dieser beiden Arten.
Der Hauptunterschied zwischen Deep Learning und Machine Learning liegt in der Fähigkeit, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten. Deep Learning durch künstliche Neuronale Netze ist in der Lage unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln und zu verarbeiten. Diese extrahierten Informationen lassen sich dann zur Mustererkennung, Vorhersage oder zum weiteren Lernen verwendet.
Machine Learning vs. Deep Learning: der Unterschied liegt in der Feature Extraktion und dem Einsatz von tiefen, künstlichen neuronalen Netzen.
Klassisches Machine Learning, also bspw. anhand von Entscheidungsbaumverfahren, ist nicht in der Lage, diese unstrukturierten Daten sinnvoll zu verarbeiten. Somit können zum Beispiel nicht einfach Bilder als Eingabedaten genutzt werden, um einen Algorithmus zur Objekterkennung zu trainieren. An dieser Stelle müsste dann immer aufwendiges Feature Engineering durch einen Menschen betrieben werden.
In der folgenden Tabelle zeige ich die Hauptunterschiede zwischen Deep Learning und Machine Learning:
Machine Learning Deep Learning Datenstruktur Strukturierte Daten Unstrukturierte und strukturierte Daten Datensatzgröße Klein – Mittel Groß Hardware Funktioniert mit einfacher Hardware. Braucht leistungsstarke Computer (mit GPUs). Neuronale Netze multiplizieren Matrizen, die sehr viel Rechenzeit brauchen – GPUs beschleunigen den Vorgang. Feature Extraktion Sie müssen die Merkmale in der Regel verstehen. Sie müssen die Merkmale nicht verstehen. Laufzeit Ein paar Minuten bis Stunden Bis zu Wochen und Monaten. Künstliche neuronale Netze müssen einen enorm viele Gewichte berechnen. Interpretierbarkeit Einige Algorithmen sind leicht zu interpretieren (Logistische Regression, einfache Entscheidungsbäume), andere sind fast unmöglich (SVM, XGBoost). Schwer zu interpretieren und oft unmöglich. Deep Learning und Machine Learning im Vergleich: Wo liegt der Unterschied?
Einen kompletten Verlgeich dieser zwei Methoden finden Sie hier: Deep Learning vs. Machine Learning: Wo liegt der Unterschied?
Ist AutoML die Zukunft von Machine Learning?
AutoML ist die Automatisierung der einzelnen ML-Prozessschritte. Anstatt die Architektur und die Modellauswahl akribisch von Data Science Teams herausfinden zulassen, automatisiert AutoML diesen Prozess und reduziert die menschliche Arbeitszeit in diesem Prozess.
Am Ende muss der Mensch höchstens noch auf die Modellergebnisse blicken. Auch die sehr aufwendige Datenvorverarbeitung im Machine Learning (laut Forbes ca. 80% der Zeit eines ML-Projekts) wird von einigen AutoML Frameworks schon übernommen.
Doch was muss der Mensch in dem Prozess noch machen? Ich sehe vor allem die fachliche Expertise und das Design der Datensätze, die zur Lösung der Problemstellung erstellt werden müssen, weiterhin als wichtige Aufgabe für den Menschen.
Klar ist, dass große Unternehmen extrem viel Geld in die Automatisierung von Machine Learning Prozessen stecken. So hat auch Goolge, nach Amazon Sagemaker, H2O und vielen weiteren, eine AutoML Plattform herausgebracht. Daher ist davon auszugehen, dass in Zukunft deutlich mehr Prozesse automatisiert sein werden und der Mensch nach und nach aus diesem Prozess stärker verschwinden wird.
Fazit: Maschinelles Lernen und die Potentiale für die Zukunft
Machine Learning ist ein Teilbereich der künstlichen Intelligenz und nutzt Algorithmen und statistische Methoden, um Daten zu analysieren und Muster zu erkennen. Durch die steigende Datenmenge ist es anhand von einfachen Datenanalysen schwer wertvolle Informationen zu extrahieren. Hier hilft maschinelles Lernen diese Informationen herauszufiltern, Muster zu erkennen und Vorhersagen zu treffen. Unternehmen können so die richtigen Entscheidungen treffen und ihre Prozesse anhand von Machine Learning deutlich verbessern.
Auch im täglichen Leben finden wir maschinelles Lernen wieder. Ob bei Social Media, E-Commerce oder Medizin, maschinelles Lernen findet hier überall Anwendung. Somit ist es nicht mehr wegzudenken und wir können damit rechnen, dass maschinelles Lernen in den nächsten Jahren zunehmend unser persönliches Leben begleitet.
Wenn Sie Fragen zu maschinellem Lernen haben, dann melden Sie sich bei uns.
FAQ – Die wichtigsten Fragen schnell beantwortet
Schwerpunkt: Künstliche Intelligenz und Algorithmen – Wissenschaftskommunikation.de
Algorithmen kuratieren Social-Media-Feeds, verarbeiten große Datenmengen und bilden die Grundlage für immer ausgereiftere KI-Tools. Wie lassen diese sich für die Wissenschaftskommunikation nutzen? Und wie sprechen wir über Algorithmen und Künstliche Intelligenz? Diesen Fragen widmet sich der Schwerpunkt.
Foto: Alan Warburton / © BBC / Better Images of AI / Virtual Human / CC-BY 4.0
Fragen, Anregungen und Themenwünsche an: redaktion@wissenschaftskommunikation.de
Künstliche Intelligenz: Wenn Algorithmen das Forschen übernehmen
Wir Menschen, das muss man leider eingestehen, sind recht schnell überfordert. Im Alltag sowieso. Und genauso in der Forschung. Die Unübersichtlichkeit der Welt, die wir verstehen wollen, treibt Forscher nicht selten in die Verzweiflung. Erfolgreiche Wissenschaft heißt daher fast immer erfolgreiche Vereinfachung des Komplexen. Aber muss das so sein? Könnte die Forschung nicht viel besser sein, wenn sie ohne die Limitation auskäme, die von uns Menschen stammt? Die Frage ist keine rhetorische, der Künstlichen Intelligenz sei Dank. Die nämlich kann Daten, anders als der Mensch, bergeweise schlucken und analysieren. Bislang jedoch kommt sie zumeist nur für eher stumpfe Hilfsjobs infrage: Korrelationen suchen, bestehende Theorien testen und anwenden.
Doch immer häufiger versucht sich die KI nun auch am Königsgeschäft der Theoriebildung. In der Astrophysik zum Beispiel. Da sollte ein Algorithmus dabei helfen, ferne Planetensysteme per Mikrolinseneffekt zu finden: Wenn sich ein Stern vor einem Hintergrundstern vorbeibewegt, verzerrt er dessen Licht kurzzeitig wie eine optische Linse und macht den Hintergrundstern heller. Diese Verzerrung verläuft unterschiedlich, je nachdem, ob sich der Stern allein durchs All bewegt oder ob er einen planetaren Begleiter hat. Aus dem konkreten Ablauf der Helligkeitsverstärkung kann auf der Grundlage der Allgemeinen Relativitätstheorie sogar abgeleitet werden, um was für einen Planeten es sich handelt. Wie schwer er ist etwa oder wie weit von seinem Heimatstern entfernt.
Mehr zum Thema 1/
Das Problem ist nur: Die Allgemeine Relativitätstheorie ist in diesen Fällen überaus kompliziert. Und nicht selten kann eine bestimmte Lichtkurve auf ganz verschiedene Planetensysteme hinweisen. Planeten in den Daten zu finden und zu erkennen, wann eine solche Uneindeutigkeit vorliegt, war die Aufgabe der Künstlichen Intelligenz. Und die machte ihren Job überaus gründlich. Wie die Forscher in „Nature Astronomy“ berichten, lieferte sie die Grundlage für ein allgemeineres Verständnis der relativistischen Lösungen. Damit konnten frühere Unstimmigkeiten zwischen Modellen und Daten aufgelöst werden. Die KI wäre damit mutmaßlich glücklich gewesen. Die Wissenschaftler dagegen offenbarten sich als echte Menschen: Sie ruhten erst, als sie die Erkenntnis auch mathematisch – also im verständlichen Modell – herleiten konnten.
Tagged: