Machine Learning als Teilbereich der künstlichen Intelligenz

Wenn von Machine Learning die Rede ist, geht es um das eigenständige Lernen von Maschinen, einen Teilbereich der künstlichen Intelligenz. Die Systeme sind in der Lage, verschiedene Regeln oder Gesetzmäßigkeiten in ihnen zugeführten Daten zu erkennen und aus den Ergebnissen quasi für die Zukunft zu lernen, indem sie aufgrund der gewonnenen „Erfahrungswerte“ ihre Reaktionen oder Handlungen anpassen. Als Vorbild fungiert hierbei das menschliche Lernen.

Einsatzgebiete und Hauptmerkmale des Machine Learning

Wir kommen bereits heute oft mit Machine Learning, also dem maschinellen Lernen von Geräten oder Maschinen, in Verbindung, ohne dass uns das wirklich bewusst wird. Ein gutes Beispiel dafür ist die Spracherkennung, wie diese auf Mobiltelefonen häufig zum Einsatz kommt. Da wird ein Satz oder ein Wort in das Handy gesprochen, diese Infos werden anschließend in Text umgewandelt. Außerdem werden mittlerweile sehr oft automatische Anrufsysteme in Callcentern eingesetzt, welche die eingehenden Anrufe nach bestimmten Anfragen oder Themengebieten vorsortieren, bevor schließlich die Anrufer an die Mitarbeiter weitergeleitet werden. All diese Systeme arbeiten selbstlernend, indem sie Muster in gesprochenen Begriffen erkennen, also die eingehenden Daten verarbeiten, um daraus zu lernen. Die Spracherkennung wird dadurch sicherer und funktioniert besser. Die Hauptmerkmale des Machine Learning lassen sich also wie folgt zusammenfassen:

  • Machine Learning bedeutet, dass ein Computerprogramm Beispiele analysiert und mithilfe selbstlernender Algorithmen Muster oder Gesetzmäßigkeiten in diesen Beispielen erkennt.
  • Daten werden intelligent miteinander verknüpft, um Zusammenhänge zu erkennen.
  • Aus den Daten und den daraus gewonnenen Zusammenhängen werden Rückschlüsse gezogen und daraus wiederum Vorhersagen getroffen.
  • Es funktioniert ähnlich wie das menschliche Lernen, indem zum Beispiel in der Sprache oder auf Bildern bestimmte Unregelmäßigkeiten erkannt werden und das Programm daraus lernt.
  • Selbstlernende Systeme können auch trainiert werden, um zum Beispiel die Erkennung von Sprache oder Bildern zu verbessern.
  • Die Systeme werden mit jedem gewonnenen Datensatz verbessert, bis die Erkennung bzw. der Lernprozess so gut wie möglich funktioniert.

Vorteile durch das maschinelle Lernen

Das maschinelle Lernen soll vor allem eingesetzt werden, um verschiedene Arbeitsprozesse zu optimieren, außerdem können langweilige oder zeitintensive Arbeiten häufiger Computern überlassen werden. So sind heute viele Rechner beispielsweise in der Lage, Papierdokumente zu scannen, zu speichern und zu sortieren. Ein weiteres Beispiel ist die Spracherkennung, durch die Computer oder Maschinen wesentlich einfacher und schneller gesteuert werden können als durch Tastatureingaben. Maschinen in Industriebetrieben beispielsweise lassen sich mithilfe einer automatischen Spracherkennung alleine durch die Sprache aktivieren und sicher steuern, ohne dass der Bediener zunächst an ein Steuerpult gehen und entsprechende Steuerungsvorgänge manuell vornehmen muss. Einer der Hauptvorteile der selbstlernenden Systeme besteht darin, dass auch komplexe Zusammenhänge in großen Datenmengen problemlos verarbeitet werden können, ganz anders als vom Menschen, der hier sehr schnell den Überblick verliert oder ermüdet.

Machine Learning und artificial Intelligence (künstliche Intelligenz)

Das Machine Learning ist ein sehr wichtiger Teilbereich der künstlichen Intelligenz (artificial Intelligence). Es geht um die Logik, Analyse und selbstständige Datenverarbeitung und damit um die Automatisierung von Lernvorgängen. Unterschieden wird beim maschinellen Lernen zwischen verschiedenen Systemen. Eines davon arbeitet mit aussagenlogischen Systemen. Dies bedeutet, dass sowohl die eingespeicherten Beispiele als auch die daraus gewonnenen Regeln genau repräsentiert wurden, also vorher genau festgelegt worden sind. Außerdem gibt es noch künstliche neuronale Netze, die das menschliche Gehirn als Vorbild haben und in denen das Wissen sozusagen implizit repräsentiert wird, also quasi mit enthalten ist. Letztere lernen aus Erfahrung, wobei die Verbindungsstärke der in den Systemen simulierten Neutronenverbindungen verändert werden kann. Der Lernprozess solcher Systeme beginnt, indem zunächst verschiedene Beispiele als Informationen eingegeben werden. Es gibt also in einer Trainingsphase vorgegebenes Material. Anhand dieser Vorgaben können neue Verbindungen bzw. Übereinstimmungen mit neuen Daten festgestellt und diese im System verankert werden.

Maschinelles Lernen in der Industrie

Künstliche Intelligenz und maschinelles Lernen gelten als Schlüsseltechnologien für die Entwicklung autonomer Systeme und somit auch für die Wiederherstellung bzw. Erhaltung von Wettbewerbsvorteilen in der Industrie. Hier können zum Beispiel kollaborative Roboter eingesetzt werden, die eng mit dem Menschen zusammenarbeiten und sich somit zur Steigerung der Produktivität einsetzen lassen. Ein weiteres Einsatzbeispiel ist die schon genannte automatische Spracherkennung, die Arbeitsvorgänge ebenfalls vereinfachen kann, indem Mitarbeiter Maschinen einfach durch Sprachbefehle steuern und dabei die Hände für andere Arbeiten frei haben. Durch predictive Maintenance können bereits während der Produktion Daten von Sensoren gesammelt und weiterverarbeitet werden, um Ausfälle von Maschinen vorherzusagen und auf diesem Wege zu vermeiden. Reparaturen oder Wartungsarbeiten lassen sich so auf den günstigsten Zeitpunkt verlegen. Dies sind nur wenige Anwendungsbeispiele, wie das maschinelle Lernen die Industrie verändert und wesentlich effizienter gestalten kann.