Was ist maschinelles Lernen?

Das Gesicht eines Mannes in einer Gesichtserkennungs-App auf einem Smartphone

Um eine Fertigkeit zu erlernen, sammeln wir Wissen, üben sorgfältig und überwachen unsere Leistung. Schließlich werden wir bei dieser Aktivität besser. Machine Learning ist eine Technik, die es Computern ermöglicht, genau das zu tun.

Können Computer lernen?

Intelligenz zu definieren ist schwierig. Wir alle wissen, was wir mit Intelligenz meinen, wenn wir sie sagen, aber es ist problematisch, sie zu beschreiben. Abgesehen von Emotionen und Selbstbewusstsein könnte eine Arbeitsbeschreibung die Fähigkeit sein, neue Fähigkeiten zu erlernen und Wissen aufzunehmen und sie auf neue Situationen anzuwenden, um das gewünschte Ergebnis zu erzielen.

Angesichts der Schwierigkeit, Intelligenz zu definieren, wird die Definition von künstlicher Intelligenz nicht einfacher. Also betrügen wir ein bisschen. Wenn ein Computer in der Lage ist, etwas zu tun, was normalerweise menschliches Denken und Intelligenz erfordert, sagen wir, dass es künstliche Intelligenz verwendet.

Intelligente Lautsprecher wie Amazon Echo und Google Nest können beispielsweise unsere gesprochenen Anweisungen hören, die Geräusche als Worte interpretieren, die Bedeutung der Worte extrahieren und dann versuchen, unsere Anfrage zu erfüllen. Wir bitten ihn möglicherweise, Musik abzuspielen, eine Frage zu beantworten oder dimme das Licht.

VERBUNDEN: Die besten Witze, Spiele und Ostereier für Google Assistant

Bei allen außer den trivialsten Interaktionen werden Ihre gesprochenen Befehle an leistungsstarke Computer in den Clouds der Hersteller weitergeleitet, wo die Schwerarbeit der künstlichen Intelligenz stattfindet. Der Befehl wird geparst, die Bedeutung extrahiert, die Antwort vorbereitet und an den Smart Speaker zurückgesendet.

Maschinelles Lernen untermauert die Mehrheit der Systeme der künstlichen Intelligenz, mit denen wir interagieren. Einige davon sind Gegenstände in Ihrem Zuhause, wie z. B. intelligente Geräte, und andere sind Teil der Dienste, die wir online nutzen. Das Video Empfehlungen auf YouTube und Netflix und die automatischen Playlists auf Spotify verwenden maschinelles Lernen. Suchmaschinen verlassen sich auf maschinelles Lernen, und Online-Shopping verwendet maschinelles Lernen, um Ihnen Kaufvorschläge basierend auf Ihrem Browser- und Kaufverlauf anzubieten.

Computer können auf riesige Datensätze zugreifen. Sie können Prozesse unermüdlich tausende Male innerhalb des Raums wiederholen, den ein Mensch für eine Iteration benötigen würde – wenn ein Mensch es nur einmal schaffen könnte. Wenn das Lernen also Wissen, Übung und Leistungsfeedback erfordert, sollte der Computer der ideale Kandidat sein.

Das Problem mit KI: Maschinen lernen Dinge, können sie aber nicht verstehen

VERBUNDENDas Problem mit KI: Maschinen lernen Dinge, können sie aber nicht verstehen

Das soll nicht heißen, dass der Computer das wirklich kann denken im menschlichen Sinne, oder zu verstehen und wahrzunehmen, wie wir es tun. Aber es wird lernen, und mit Übung besser werden. Geschickt programmiert, kann ein maschinell lernendes System einen anständigen Eindruck eines bewussten und bewussten Wesens vermitteln.

Früher haben wir gefragt: „Können Computer lernen?“ Daraus entwickelte sich schließlich eine praktischere Frage. Welche technischen Herausforderungen müssen wir bewältigen, damit Computer lernen können?

Verwandt :  Erinnerung an den Windows-Konkurrenten von Radio Shack: Tandy DeskMate

Neuronale Netze und tiefe neuronale Netze

Das Gehirn von Tieren enthält Netzwerke von Neuronen. Neuronen können Signale über eine Synapse an andere Neuronen senden. Diese winzige Aktion – millionenfach wiederholt – lässt unsere Denkprozesse und Erinnerungen entstehen. Aus vielen einfachen Bausteinen hat die Natur Bewusstsein und die Fähigkeit zu denken und sich zu erinnern geschaffen.

Inspiriert von biologischen neuronalen Netzen wurden künstliche neuronale Netze geschaffen, um einige der Eigenschaften ihrer organischen Gegenstücke nachzuahmen. Seit den 1940er Jahren wurden Hardware und Software entwickelt, die Tausende oder Millionen von Knoten enthalten. Die Knoten empfangen wie Neuronen Signale von anderen Knoten. Sie können auch Signale erzeugen, die in andere Knoten eingespeist werden. Knoten können von mehreren Knoten gleichzeitig Eingaben annehmen und Signale an sie senden.

Wenn ein Tier zu dem Schluss kommt, dass fliegende gelb-schwarze Insekten ihm immer einen bösen Stich geben, wird es alle fliegenden gelb-schwarzen Insekten meiden. Das macht sich die Schwebfliege zunutze. Es ist gelb und schwarz wie eine Wespe, aber es hat keinen Stachel. Auch Tiere, die sich mit Wespen verheddert und eine schmerzhafte Lektion gelernt haben, machen einen großen Bogen um die Schwebfliege. Sie sehen ein fliegendes Insekt mit einer auffälligen Farbgebung und beschließen, dass es Zeit ist, sich zurückzuziehen. Die Tatsache, dass das Insekt schweben kann – und Wespen nicht – wird nicht einmal berücksichtigt.

VERBUNDEN: Das passiert, wenn die künstliche Intelligenz von Google Ihnen hilft, Gedichte zu schreiben

Die Bedeutung der fliegenden, summenden und gelb-schwarzen Streifen überlagert alles andere. Die Bedeutung dieser Signale wird als bezeichnet Gewichtung dieser Informationen. Künstliche neuronale Netze können auch Gewichtung verwenden. Ein Knoten muss nicht alle seine Eingaben als gleich betrachten. Es kann einige Signale anderen vorziehen.

Machine Learning verwendet Statistiken, um Muster in den Datasets zu finden, mit denen es trainiert wurde. Ein Datensatz kann Wörter, Zahlen, Bilder, Benutzerinteraktionen wie Klicks auf eine Website oder alles andere enthalten, was digital erfasst und gespeichert werden kann. Das System muss die wesentlichen Elemente der Abfrage charakterisieren und diese dann mit Mustern abgleichen, die es im Datensatz erkannt hat.

Wenn es versucht, eine Blume zu identifizieren, muss es die Stiellänge, die Größe und den Stil des Blattes, die Farbe und die Anzahl der Blütenblätter usw. kennen. In Wirklichkeit werden viel mehr Fakten benötigt, aber in unserem einfachen Beispiel werden wir diese verwenden. Sobald das System diese Details über den Prüfling kennt, startet es einen Entscheidungsprozess, der eine Übereinstimmung aus seinem Datensatz herstellt. Beeindruckend ist, dass maschinelle Lernsysteme den Entscheidungsbaum selbst erstellen.

Ein maschinelles Lernsystem lernt aus seinen Fehlern, indem es seine Algorithmen aktualisiert, um Denkfehler zu korrigieren. Die fortschrittlichsten neuronalen Netze sind tiefe neuronale Netze. Konzeptionell bestehen diese aus sehr vielen übereinander geschichteten neuronalen Netzen. Dadurch ist das System in der Lage, selbst winzige Muster in seinen Entscheidungsprozessen zu erkennen und zu nutzen.

Verwandt :  Was sind Google Play System-Updates für Android und sind sie wichtig?

Schichten werden üblicherweise verwendet, um eine Gewichtung bereitzustellen. Als „Spezial“-Layer können sogenannte Hidden-Layer fungieren. Sie liefern gewichtete Signale über ein einzelnes Merkmal des Probanden. Unser Beispiel zur Blütenidentifikation könnte vielleicht versteckte Schichten verwenden, die der Form der Blätter, der Größe der Knospen oder der Länge der Staubblätter gewidmet sind.

Verschiedene Arten des Lernens

Es gibt drei allgemeine Techniken, die zum Trainieren von Systemen des maschinellen Lernens verwendet werden: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.

Überwachtes Lernen

Beaufsichtigtes Lernen ist die am häufigsten genutzte Lernform. Das liegt nicht daran, dass es anderen Techniken von Natur aus überlegen ist. Es hat mehr mit der Eignung dieser Art des Lernens für die Datensätze zu tun, die in den heute geschriebenen maschinellen Lernsystemen verwendet werden.

Beim überwachten Lernen werden die Daten so gekennzeichnet und strukturiert, dass die Kriterien für den Entscheidungsprozess für das maschinell lernende System definiert sind. Dies ist die Art des Lernens, die in den maschinellen Lernsystemen hinter den YouTube-Playlist-Vorschlägen verwendet wird.

Unbeaufsichtigtes Lernen

Unüberwachtes Lernen erfordert keine Datenaufbereitung. Die Daten sind nicht gekennzeichnet. Das System scannt die Daten, erkennt seine eigenen Muster und leitet seine eigenen Auslösekriterien ab.

Unüberwachte Lerntechniken wurden mit hohen Erfolgsraten auf die Cybersicherheit angewendet. Durch maschinelles Lernen verbesserte Eindringlingserkennungssysteme können die nicht autorisierte Netzwerkaktivität eines Eindringlings erkennen, da sie nicht den zuvor beobachteten Verhaltensmustern autorisierter Benutzer entspricht.

VERBUNDEN: Wie sich KI, maschinelles Lernen und Endpunktsicherheit überschneiden

Verstärkungslernen

Reinforcement Learning ist die neueste der drei Techniken. Vereinfacht gesagt, verwendet ein Reinforcement-Learning-Algorithmus Trial-and-Error und Feedback, um ein optimales Verhaltensmodell zum Erreichen eines bestimmten Ziels zu erhalten.

Dies erfordert Rückmeldungen von Menschen, die die Bemühungen des Systems danach „bewerten“, ob sich sein Verhalten positiv oder negativ auf die Zielerreichung auswirkt.

Die praktische Seite der KI

Weil es so weit verbreitet ist und nachweisbare Erfolge in der Praxis hat – einschließlich kommerzieller Erfolge – wird maschinelles Lernen als „die praktische Seite der künstlichen Intelligenz“ bezeichnet. Es ist ein großes Geschäft, und es gibt viele skalierbare, kommerzielle Frameworks, mit denen Sie maschinelles Lernen in Ihre eigenen Entwicklungen oder Produkte integrieren können.

Wenn Sie diese Art von Feuerkraft nicht sofort benötigen, aber daran interessiert sind, in einem maschinellen Lernsystem mit einer freundlichen Programmiersprache wie Python herumzustöbern, gibt es auch dafür hervorragende kostenlose Ressourcen. Tatsächlich werden diese mit Ihnen skalieren, wenn Sie ein weiteres Interesse oder eine geschäftliche Notwendigkeit entwickeln.

Fackel ist ein Open-Source-Framework für maschinelles Lernen, das für seine Geschwindigkeit bekannt ist.

Scikit-Lernen ist eine Sammlung von Werkzeugen für maschinelles Lernen, insbesondere für die Verwendung mit Python.

Kaffee ist ein Deep-Learning-Framework, das besonders kompetent bei der Verarbeitung von Bildern ist.

Keras ist ein Deep-Learning-Framework mit einer Python-Schnittstelle.