Künstliche Intelligenz – Maschinelles Lernen
Künstliche Intelligenz ist in aller Munde und wird im Jahr 2021 weiterhin mehr als nur ein Trend sein, sondern vielmehr die Technologie, die alle unsere digitalen Abläufe nachhaltig verändert. In Produkten für Endverbraucher ist die KI sowieso schon lange angekommen.
Vorschläge von Google oder YouTube, die Empfehlungen in sozialen Netzwerken wie Instagram, Sprachassistenten wie Siri oder Alexa… Die Liste ließe sich endlos fortsetzen. Alle diese Dienste haben gemein, dass sie ohne künstliche Intelligenz nicht so funktionieren würden, dass sie den Nutzern einen Mehrwert bieten.
Der Einzug der künstlichen Intelligenz in die B2B-Geschäftswelt
Doch auch in die Geschäftswelt hält die künstliche Intelligenz Einzug: Forecasts, Automatisierung und Operations Research sind Felder, die klar von KI-basierten Systemen dominiert werden. Als einer der Spitzenreiter positioniert sich dabei SAP, insbesondere durch die Lösungen von SAP Ariba. Hierbei stehen das Transaktionsmanagement und die Kommunikation zwischen Lieferanten und Käufern im Vordergrund.
Dennoch hören wir eine Frage immer wieder: Wie genau funktioniert das denn jetzt, diese künstliche Intelligenz? Handelt es sich dabei nur um endlos verschachtelte Schleifen von bedingten Anweisungen und Verzweigungen? Ist das ganze also nur eine Kette von if-Argumenten, oder steckt doch mehr dahinter? In diesem Beitrag beleuchten wir die wichtigsten Formen moderner künstlicher Intelligenz und erklären, inwiefern maschinelles Lernen die Grundlage für die am weitesten entwickelten Technologielösungen bietet.
Künstliche Intelligenz durch maschinelles Lernen: Die Unterschiede zu herkömmlicher Software
Maschinelles Lernen bildet heutzutage die Grundlage der überwiegenden Anzahl an Systemen künstlicher Intelligenz. Doch bevor wir auf die Einzelheiten der Ausprägungen des maschinellen Lernens eingehen, möchten wir Ihnen den generellen Unterschied zwischen nicht-intelligenter Software und KI vorstellen.
Während bei traditionellen Programmen der gleiche statische Code die Eingabedaten interpretiert, wird diese Aufgabe bei Anwendungen maschinellen Lernens von einem Algorithmus übernommen. Vereinfacht gesagt erstellt dieser eine oder mehrere Hypothesen aus den eingespeisten Daten und überprüft anhand von Vergangenheitswerten deren Plausibilität. Das endgültige Ergebnis fließt dann wiederum in den Algorithmus selbst ein, wodurch dieser sich anpasst und für zukünftige Fälle verbessert.
Überwachtes maschinelles Lernen: Prognose durch Regression
Das überwachte maschinelle Lernen basiert stark auf Vorgaben, die dem Algorithmus gegeben werden. Aus einem Set von Trainingsdaten (bestehend aus sowohl den Eingabe- als auch den Ausgabedaten) eignet sich das Programm an, welche Eingaben zu welchem Ergebnis führen sollen.
Hieraus wird die Prognosefunktion gebildet, über die dann auch neue Daten mit unbekanntem Ergebnis verarbeitet werden können. Anhand seiner Lernerfahrung liefert der Algorithmus hierfür nun Prognosen für das zu erwartende Ergebnis.
Unüberwachtes maschinelles Lernen: Filtern, Sortieren, Klassifizieren
Das unüberwachte maschinelle Lernen zeichnet sich dadurch aus, dass es den geringsten manuellen Aufwand benötigt. Der Algorithmus untersucht dabei die Datenbasis nach wiederkehrenden Eigenschaften und Elementen. Diese werden dann durch spezielle Algorithmen in sogenannte Cluster zusammengefasst.
Daraufhin überprüft der Algorithmus die Cluster erneut und interpretiert die Ergebnisse des Clusterings. Hierdurch wird dann als Endergebnis Wissen geschaffen, welches dem Algorithmus hilft, zukünftige Eingaben noch schneller zu clustern und dadurch zu klassifizieren.
Ein einfaches Beispiel hierfür ist die Bilderkennung. Durch den Fokus auf wiederkehrende Elemente kann die künstliche Intelligenz in diesem Fall beispielsweise Pflanzen- oder Tierarten unterscheiden und die Daten entsprechend clustern. Hierfür können dann wiederkehrende Elemente wie Blütenfarbe, Blätterform, die Stellung der Ohren oder verschiedene Ausprägungen der Tierköpfe oder -körper verwendet werden.
Durch unüberwachtes maschinelles Lernen können jedoch nur diese Merkmale gruppiert bzw. Eingabedaten geclustert werden. Deshalb wird es oft mit dem überwachten maschinellen Lernen kombiniert, um eine aussagekräftige Prognosefunktion zu schaffen. Durch den Bezug auf diese kann das unüberwachte maschinelle Lernen neue Datensätze komplett ohne menschliches Zutun klassifizieren.
Verstärkendes Lernen: Die KI lernt, die gewünschten Ergebnisse zu produzieren
Beim verstärkenden Lernen wird die Künstliche Intelligenz in Form eines handelnden Agenten immer im Zusammenhang mit ihrer Umwelt betrachtet. Grundlegend hat die KI, die notwendigen Mittel, um ihre Umgebung zu beeinflussen.
Somit geht die Umgebung von ihrem vorherigen Zustand in den nächsten Zustand über. Je nachdem, wie erwünscht der neue Zustand ist, wird dem Algorithmus nun ein starkes, schwaches, oder auch negatives Belohnungssignal gesendet.
Durch ein schier endloses Ausloten aller möglichen Beeinflussungsmöglichkeiten und auch, welche Zustände der Umgebung auf diese verschiedenen Beeinflussungen erfolgen, erlernt der künstliche intelligente Agent nun, welche seiner Handlungsoptionen in welcher Situation nützlich sind. Diese Art maschinellen Lernens ist am genausten steuerbar, aber auch mit erheblichem manuellem Aufwand verbunden, da die Bewertung aller möglichen Umgebungszustände notwendig ist.
Künstliche neuronale Netze: Maschinen, die wie das menschliche Gehirn funktionieren
Eine Sonderform des maschinellen Lernens stellen die künstlichen neuronalen Netze dar. Diese sind mehr eine Methode des maschinellen Lernens als eine eigenständige Lernform – sie können bei allen Formen maschinellen Lernens angewandt werden. Sie sind dabei den Neuronen, die in menschlichen (oder anderen tierischen) Gehirnen vorzufinden sind, nachempfunden.
Der Unterschied zu natürlichen neuronalen Netzen ist, dass die künstliche Form diskrete Verbindungen zwischen den Neuronen hat, während die Neuronen im Gehirn sich mit allen anderen Neuronen verbinden können, die in der Reichweite der elektrischen Signale sind, die sie aussenden.
Im künstlichen neuronalen Netz fließen die Eingabedaten nach der Eingabeschicht durch eine beliebige Anzahl an Schichten künstlicher Neuronen. Jedes Neuron nimmt dabei bestimmte Berechnungen vor. Von deren Ergebnis hängt ab, wie stark die Gewichtung ist, mit der die Informationen an die nächste Schicht weitergeleitet werden.
In der Abbildung unten sehen Sie ein sogenanntes rekurrentes neuronales Netz, bei dem der Output der Neuronen der jeweiligen Schicht auch wieder als Input für dieses und vorgelagerte Neuronen verwendet wird. Hierdurch werden die Ergebnisse zusätzlich verfeinert.
Beispielsweise kann die Eingabe aus den Farbwerten der unterschiedlichen Bildpixel bestehen und die Ausgabe eine Aussage darüber, was in dem Bild, das sich aus allen Eingabewerten zusammensetzt, erkennbar ist, tätigen. In diesem Fall wäre die Aufgabe des künstlichen neuronalen Netzes die Klassifikation in Form von Bilderkennung. Die Ausgabewerte können aber grundsätzlich auch eine beliebig komplexe Bedeutung haben.
Danke für diesen spannenden Beitrag über das maschinelle Lernen. Ich interessiere mich zurzeit sehr für künstliche Intelligenz und Themen wie machine vision. Interessant, dass beim verstärkenden Lernen die künstliche Intelligenz in Form eines handelnden Agenten immer im Zusammenhang mit ihrer Umwelt betrachtet wird.