Maschinelles Lernen ermöglicht es Computern, aus Daten und Erfahrungen zu lernen, wodurch in jüngster Zeit große Fortschritte bei der Lösung lang bestehender Probleme wie maschinellem Sehen, Spracherkennung und automatischer Übersetzung gemacht wurden. Maschinelles Lernen wird eine zentrale Technologie auch für selbstfahrende Fahrzeuge und Fortschritte in der Medizin sein.
Die Entwicklung von Künstlicher Intelligenz hat in den letzten Jahren weltweit enorme Fortschritte gemacht, wobei sie auch die Grundlage für smarte Maschinen ist, bei denen das menschliche Gehirn als Vorbild dient. Die Software soll wie der Mensch in der Lage sein, kontinuierlich dazuzulernen, d. h., beim Maschinellen Lernen nutzen Algorithmen verschiedene Datensätze als Trainingsgrundlage, um neue Dinge zu erlernen, für die sie ursprünglich nicht programmiert wurden.
Man unterscheidet mehrere Formen des maschinellen Lernens: Das Supervised Learning (überwachtes Lernen) stellt diejenige Form maschinellen Lernens dar, bei der eine Künstliche Intelligenz von Daten lernt, die bereits etwa durch Experten annotiert wurden. Damit sind die Zielwerte relativ eindeutig bestimmbar und die Präzision des Modells ist anhand der Übereinstimmung mit den Lerndaten messbar. Beim Unsupervised Learning (unüberwachtes Lernen) lernen neuronale Netze eigenständig, ohne auf annotierte Daten oder Zielwerte zurückgreifen zu können, d. h., in diesem Fall wird also versucht, einen eigenen Zugang zu den Daten zu entwickeln. Eine Mischform ist das Selfsupervised Learning (selbstüberwachtes Lernen, bei dem die eigenen Ergebnisse der Künstlichen Intelligenz anhand eines kleinen, annotierten Datensatzes geprüft und gegebenenfalls angepasst werden.
Übrigens: Manchmal, wenn man von Künstlicher Intelligenz spricht, meint man eigentlich Machine Learning, das sich speziell damit befasst, wie Maschinen selbständig dazulernen können. Die Art und Weise, wie Menschen Muster erkennen, Aussagen widerlegen und Erfahrungen sammeln, wird durch Mustererkennung, Modelllernen und große Datenmengen technologisch nachempfunden.
Maschinellen Lernen kommt in vielen Bereichen zur Anwendung, bei Streamingdiensten, der Cybersicherheit, in der Logistik oder der Industrie, wobei Unternehmen nach qualifizierten Maschinellen Lernen-Entwicklern suchen, denn für die neu entstandenen Möglichkeiten sind Spezialisten rar und durch das recht junge Berufsfeld Spezialwissen und jahrelange Berufserfahrung entsprechend selten sind. Zusätzlich entstehen aktuell zahlreiche neue Berufsfelder wie Maschinelles Lernen-Engineer oder Data Scientist im Umfeld von Künstlicher Intelligenz und Maschinellem Lernen, deren Jobprofile im Einzelnen sehr unterschiedlich aussehen. Dabei ist die Arbeit wegen der vielen Anwendungsfelder interessantund bietet eine große Bandbreite wie Programmieren, Visualisieren, Kommunizieren mit verschiedenen Teams und Kreativität, da viel experimentiert werden muss.
Maschinellen Lernen ist eine Möglichkeit, neue Dinge zu lernen, und ermöglicht es, mit verschiedenen Arten von Daten zu arbeiten, wobei Machine Learning Resercher viele Möglichkeiten gibt, in verschiedenen Bereichen zu arbeiten. Beim maschinellen Lernen geht es um Lernmuster, also genau um das, was im wirklichen Leben auch geschieht, man gewinnt Wissen aus den Erfahrungen und trifft auf der Grundlage dessen neue Entscheidungen, was man in der Vergangenheit gelernt hat.
Maschinelles Lernen erfordert allerdings Geduld und Beharrlichkeit, da erste Ansätze möglicherweise nicht wirklich gut funktionieren oder die Daten verfeinert und genauer analysiert werden müssen. Der Schlüssel ist, optimistisch zu bleiben und verschiedene Dinge auszuprobieren, die in die richtige Richtung führen, sodass unter diesem Gesichtspunkt die Anwendung von Methoden des maschinellen Lernens auch manchmal sehr frustrierend sein kann.
Wissenschaftler des MIT haben die Gehirne von Kindern und Jugendlichen untersucht, die eine Programmiersprache gelernt hatten. wobei diese sich in dem Versuch ein Stück Code anschauen und erklären sollten, was das Programm gerade macht. Dabei wurden die Gehirnaktivitäten mittels MRT beobachtet, wobei sich zeigte, dass beim Lesen von Code ein Netzwerk von Neuronen aktiviert wird, das auch aktiv ist, wenn Menschen schwierige Matheaufgaben oder Logikrätsel lösen müssen. Das Gehirn arbeitete jedoch anders als bei der Lösung von Mathematik-Aufgaben, denn so waren bei den Probanden beide Gehirnhälften aktiv, während beim Lösen mathematischer Probleme das Gehirn meist nur in der linken Gehirnhälfte Aktivitäten zeigt. Da man aus früheren Untersuchungen wusste, dass beim Programmieren nicht nur logische und mathematische Schaltkreise aktiv sind, sondern auch die Sprachzentren der linken Hemisphäre, spielt offenbar auch das allgemeine Sprachverständnis eine zentralere Rolle beim Programmieren.
Literatur
https://www.computerbild.de/artikel/cb-News-Sicherheit-Kuenstliche-Intelligenz-Wie-lernen-eigentlich-Maschinen-25628179.html (20-04-24)
Nachricht ::: Soziale Robotik ::: Impressum
Datenschutzerklärung ::: © Benjamin Stangl :::