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.
Many of these performance-related challenges are closely related to Computer Vision and Image Classification. And this takes us to another topic - the technology that finally made autonomous driving possible.
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.
While language and vision seem intuitive for us humans, they actually require fast, accurate pattern recognition. This has traditionally been difficult for machines - until the Deep Learning revolution.
This is why it took Deep Learning to bring us self-driving cars, improved online translators, fluent conversations with assistant software such as Amazon's Alexa, and image-based cancer detection.
With its superior accuracy, Deep Learning technology became vital in every area where the goal is to increase machines' intelligence.
Einige Anwendungen mögen kurios erscheinen: AlphaGo is only one example of a Deep Learning application that made the news, doing so when it defeated Lee Sedol, one of the world's best Go players. Some are more mundane, but enable efficient personalization features. Facebook's AI lab, for instance, performs tasks such as automatically tagging uploaded pictures with the people's names by using Machine Learning and Deep Learning technologies.
And finally, Deep Learning has brought us robot apprentices: The Machine Learning framework Deep TAMER, developed by data scientists at the University of Texas (UT) and the U.S. Army Research Laboratory (ARL), can give a robot the ability to learn new tasks through observation. Using Deep TAMER, a robot can learn a task with a human trainer by watching video streams or observing a human perform it. The robot later practiced the task with the help of some coaching from the trainer, who provided verbal feedback such as "good job" and "bad job."
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.
Experts and futurists are concerned about the threats and challenges arising from the rapid development in data science and AI. According to them, one of the biggest challenges might be in the privacy and security fields. For example, Machine Learning trends such as 'deepfakes' make it difficult to distinguish genuine content from fakes. These challenges will force us to improve our fraud detection abilities continuously.
But the threats and challenges that come with the development of Artificial Intelligence technologies are just one side of the medal. On a brighter note, Artificial Intelligence and Robotics studies could one day help us re-shape our lives entirely - or cure many diseases currently thought incurable.
