Artificial Intelligence und Machine Learning
Maschinelles Lernen (ML) scheint heutzutage gemeinsam mit künstlicher Intelligenz (KI) und Robotik allgegenwärtig. Aber ML und KI sind nicht bloß Schlagworte. Maschinelles Lernen ist ein Teilbereich der Informatik, der uns hilft, Programme zu erstellen, die das menschliche Lernen nachbilden. Und das eröffnet eine riesige Bandbreite an Möglichkeiten.
ML-Modelle sind von unserer eigenen Art des Lernens inspiriert. Daher funktionieren einige der am häufigsten verwendeten Modelle des maschinellen Lernens, wie Regression, Klassifizierung, Clustering oder die Verarbeitung natürlicher Sprache ähnlich wie das Lernen eines Menschen.
Bei der klassischen Methode des überwachten Lernens erfolgt das Training durch die Vorlage von positiven und negativen Beispielen. Während des Trainingsprozesses versucht das Modell, die diesen Beispielen innewohnenden Muster zu verstehen. Anschließend wendet es diese auf unbekannte Daten an. Diese Inferenz erlaubt es einem Modell, neue Daten zu klassifizieren, Verbindungen zwischen Eingaben und Ausgaben zu finden, Entscheidungssequenzen zu erstellen, ein Ergebnis auf der Grundlage früherer Erfahrungen vorherzusagen und vieles mehr.
Ist Machine Learning nur ein Trend?
Auch wenn "maschinelles Lernen" in letzter Zeit überall auftaucht, handelt es sich nicht um eine Seifenblase oder eine Modeerscheinung. Maschinelles Lernen gibt es schon seit mehr als 60 Jahren, und die praktischen Anwendungsbereiche haben in den letzten Jahrzehnten dramatisch zugenommen. Bessere und effizientere Trainingsalgorithmen in Verbindung mit immer leistungsfähigerer Hardware treiben diesen Trend voran.
Derzeit werden Lösungen für maschinelles Lernen am häufigsten in den Bereichen Verhaltensprognose, personalisiertes Marketing, Betrugserkennung im Bankensektor, Chatbots, Digitalisierung physischer Dokumente und selbstfahrende Autos eingesetzt.
Selbstfahrende Autos sind einer der jüngsten Anwendungsbereiche auf dem Markt. Sie haben sich vielleicht schon gefragt, warum die Anwendung von Automatisierung und maschinellem Lernen bei selbstfahrenden Autos im Vergleich zu anderen Bereichen so schwierig ist. Zwei der wichtigsten Faktoren sind die erforderliche Verarbeitungsgeschwindigkeit und das genaue Timing der vom selbstfahrenden Auto getroffenen Entscheidungen.
Die Geschwindigkeit ist maßgeblich, denn der Zeitaufwand für automatische Entscheidungen kann den Unterschied zwischen einem Unfall und einer reibungslosen Fahrt ausmachen. Aktives Lernen erfordert noch mehr Zeit und Rechenleistung. Dank der jüngsten Fortschritte bei dedizierten Hardwaresystemen sind jedoch bereits selbstfahrende Autos auf dem Markt, die aktiv verschiedene Frameworks für maschinelles Lernen nutzen.
Viele dieser hohen Anforderungen an die Leistung sind eng mit Computer Vision und Bildklassifizierung verbunden. Und damit kommen wir zu einem weiteren Thema – der Technologie, die autonomes Fahren schließlich möglich gemacht hat.
Machine Learning Applications & Deep Learning Revolution
Deep Learning ist ein relativ neuer Ansatz innerhalb des maschinellen Lernens. Im Gegensatz zu älteren Methoden verwendet Deep Learning sogenannte Künstliche Neuronale Netze, um maschinelles Lernen durchzuführen und eine hohe Genauigkeit bei Aufgaben wie Sprach- oder Bilderkennung zu erzielen.
Während Sprache und Sehen für uns Menschen intuitiv erscheinen, erfordern sie in Wirklichkeit eine schnelle und genaue Mustererkennung. Dies war für Maschinen traditionell schwierig – bis zur Revolution durch das Deep Learning.
Erst Deep Learning hat uns selbstfahrende Autos, verbesserte Online-Übersetzer, flüssige Unterhaltungen mit Assistenzsoftware wie Amazons Alexa und bildbasierte Krebserkennung beschert.
Dank ihrer überragenden Genauigkeit ist die Deep-Learning-Technologie in allen Bereichen, in denen es darum geht, die Intelligenz von Maschinen zu steigern, unverzichtbar geworden.
Einige Anwendungen mögen kurios erscheinen: AlphaGo ist nur ein Beispiel für eine Deep Learning-Anwendung, die für Schlagzeilen sorgte, als sie Lee Sedol, einen der besten Go-Spieler der Welt, besiegte. Andere sind alltäglicher, ermöglichen aber effiziente Personalisierungsfunktionen. Das KI-Labor von Facebook setzt Techniken des maschinellen Lernens und des Deep Learning unter anderem dazu ein, hochgeladene Bilder automatisch mit Personennamen zu kennzeichnen.
Und schließlich hat uns das Deep Learning Roboterlehrlinge beschert: Das von Datenwissenschaftlern der University of Texas (UT) und des U.S. Army Research Laboratory (ARL) entwickelte Machine Learning Framework Deep TAMER ermöglicht es Robotern, neue Aufgaben durch Beobachtung zu lernen. Mit Deep TAMER kann ein Roboter eine Aufgabe mit einem menschlichen Trainer erlernen, indem er sich Videostreams ansieht oder einen Menschen bei der Ausführung der Aufgabe beobachtet. Später übt der Roboter die Aufgabe mithilfe von Coaching durch den Trainer, der ihm einfaches verbales Feedback wie "gut gemacht" oder "schlecht gemacht" gibt.
Die Zukunft künstlicher Intelligenz
In den letzten zehn Jahren sind die Investitionen in Startups im Bereich der künstlichen Intelligenz weltweit exponentiell angewachsen: von 670 Millionen Dollar im Jahr 2011 auf 36 Milliarden Dollar im Jahr 2020. Dieser 50-fache Anstieg ist ein Zeichen für die rasante Entwicklung und das Wachstum des KI-Sektors.
Diese Entwicklung zieht erhebliche Veränderungen in allen sozioökonomischen Bereichen nach sich und bringt völlig neue Konzepte der Automatisierung hervor – und stellt zugleich die gesamte Menschheit vor neue Herausforderungen.
Expert:innen und Zukunftsforscher:innen sind besorgt über die Bedrohungen und Herausforderungen, die sich aus der rasanten Entwicklung von Data Science und KI ergeben. Ihrer Meinung nach liegt eine der größten Herausforderungen in den Bereichen Datenschutz und Sicherheit. So erschweren beispielsweise Trends des maschinellen Lernens wie "Deepfakes" die Unterscheidung zwischen echten Inhalten und Fälschungen. Diese Probleme werden uns dazu zwingen, unsere Fähigkeiten zur Betrugserkennung ständig zu verbessern.
Aber die Bedrohungen und Herausforderungen, die mit der Entwicklung von KI-Technologie einhergehen, sind nur eine Seite der Medaille. Ein positiver Aspekt ist, dass die Forschung zur künstlichen Intelligenz und Robotik uns eines Tages helfen könnten, unser Leben völlig neu zu gestalten – oder viele Krankheiten zu bekämpfen, die derzeit noch als unheilbar gelten.