Was ist Maschinelles Lernen?
Maschinelles Lernen oder Machine Learning sind Synonyme, können jedoch ganz unterschiedlich verstanden werden. Meistens geht es darum, dass ein Computer Trainingsmaterial für eine spezifische Fragestellung bekommt und hinterher selbstständig eine bestimmte Fragestellung beantwortet. Was aussieht, als sei es menschlichem Lernen vergleichbar, ist bei Computern jedoch etwas ganz anderes. Der Transfer des Gelernten von einer Fragestellung zu einer anderen ist für den Computer nur begrenzt möglich. Es ist in jedem Fall erforderlich, Computer zu trainieren. Vereinfacht: Wenn man möchte, dass ein Computer auf Fotos Berge erkennt, liest man 200 Fotos mit Bergen ein und sagt dem Computer, dass Berge auf den Fotos zu sehen sind. Danach werden Fotos von Felsen, kleinen Hügeln, Kippen – vielleicht auch Kuchen – importiert. Absolviert das Programm die gestellte Aufgabe mit 90-prozentiger Sicherheit, dann ist das wahrscheinlich einer menschlichen Leistung vergleichbar. Genau dies ist ein einfacher Fall von Maschinellem Lernen. In unserem Beispiel handelt es sich um überwachtes Lernen, bei dem der Computer auf zuvor von Menschen klassifiziertes Material zurückgreifen kann. Im komplexeren Fall „besorgt“ sich der Computer selbst das Lernmaterial, indem er – wieder vereinfacht – Nomenlisten in Google eingibt, die Fotos der Bildersuche einliest, die hinterher mit anderen Fotos geprüft wird. Es handelt sich damit um Unüberwachtes Lernen. In diesem Fall wird mit sogenannten Markov-Modellen gearbeitet, um Erfolgswahrscheinlichkeiten zu berechnen. Es die Anfangsstufe des sogenannten Deep Learning.
Computer arbeiten bei ML-Algorithmen generell mit Wahrscheinlichkeiten. „Entdeckt“ ein Computer Material, das er – in unserem Fall – mit beispielsweise 75%-iger Wahrscheinlichkeit als Berg identifiziert, dann kann er dies in einen Kontrolltopf werfen. Dieser Topf wird dann von einem Menschen klassifiziert. Das Maschinelle Lernen setzt sich durch dieses Training fort. Nach und nach wird durch diese Form des gestützten maschinellen Lernens die Wahrscheinlichkeit zum Erkennen von Objekten gesteigert. Es handelt sich um eine einfache Form des verstärkenden Maschinellen Lernens.
Wofür wird Maschinelles Lernen eingesetzt?
Es gibt mittlerweile sehr viele Bereiche, in denen Maschinelles Lernen eingesetzt wird:
- Spracherkennung
Hierzu werden phonetische Dictionaries benötigt, die gesprochene Sprache in Text übersetzen, den eine Maschine verstehen kann. Erste Ansätze hierzu gab es bereits in den 90er Jahren. Relevant wurde diese Technik durch Digitale Assistenten wie Siri und Alexa.
- Visuelle Mustererkennung
Im TESSA DAM wird die Google Cloud Vision API eingesetzt, um Objekte auf Fotos zu verschlagworten. Voraussetzung hierfür ist die visuelle Mustererkennung durch Maschinelles Lernen. ML-Algorithmen aus dem Bereich der visuellen Mustererkennung sind auch Voraussetzung für autonomes Fahren oder im Bereich Medizinischer Diagnosen. Dabei werden Röntgenbilder, Ultraschall-Visualisierungen oder CTs ausgewertet.
- Klassifizierung von Verhaltensmustern
Ein einfacher Fall der Klassifikation von Verhaltensmustern besteht in der Identifikation von SPAM Nachrichten. Hier gibt es gerade bei großen Providern wie Google, T-Online oder Web.de/GMX die Möglichkeit von einfachen Regeln, über gestütztes Lernen durch die Klassifikation von Nachrichten als SPAM durch die Empfänger, einen stetigen Lernprozess zu integrieren. Ähnliches gilt für Social Media oder das Klickverhalten von Nutzern hinsichtlich Online Werbung.
Für ML-Algorithmen sind – wie aus den Anwendungsfällen ersichtlich – immer Beispielmuster erforderlich, die analysiert werden, um später in KI-Systemen automatisiert Entscheidungen treffen zu können.
Wie hängen Künstliche Intelligenz und Maschinelles Lernen zusammen?
Der Zusammenhang ist einfach. Maschinelles Lernen ist eine Voraussetzung für Künstliche Intelligenz. Genauer: Das Ergebnis von Maschinellem Lernen ist Künstliche Intelligenz. Dieser Zusammenhang ist eindeutig, allerdings nicht ein-eindeutig. Künstliche Intelligenz kann auch aufgrund manuell konfigurierter Algorithmen vorkommen. Wenn eine Bank beispielsweise weiß, dass Kreditkartenmanipulationen per Internet-Einkauf häufig aus dem Ausland stattfinden und ein Kreditkartenbesitzer bisher noch nie im Ausland bestellt hat, kann diese hier ein zusätzliches Sicherheitsmerkmal fordern – beispielsweise eine SMS PIN.
Überträgt man dies auf die Arbeitsweise eines Digital Asset Management Systems, eines DAM, so ist die automatische Zuweisung eines Assets zu einer Asset-Kategorie eine primitive Form künstlicher Intelligenz. Maschinelles Lernen ist hierzu auch im TESSA DAM nicht erforderlich, denn die automatische Zuweisung wird manuell konfiguriert. Der Begriff der Künstlichen Intelligenz ist also umfassender als der des maschinellen Lernens.
