Wie lernen eigentlich Maschinen?

KI, Machine Learning, Deep Learning: seit Monaten dominieren diese Begriffe die Schlagzeilen und Diskussionen. Aber was steckt dahinter, wie lernen Computer und Maschinen und was ist gemeint, wenn von künstlicher Intelligenz (KI bzw. AI), maschinellem Lernen (Machine Learning) und mehrschichtigem bzw. „tiefem Lernen“ (Deep Learning) die Rede ist?
Künstliche Intelligenz (KI) bezieht sich allgemein auf die Fähigkeit von Computern oder Maschinen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Dies kann eine Vielzahl von Techniken umfassen, die es einem System ermöglichen, Wissen zu erfassen, zu lernen, zu verstehen, zu schlussfolgern, zu planen, zu kommunizieren und zu handeln. KI kommt in verschiedenen Anwendungen zum Einsatz, z. B. in Spracherkennung, Bildverarbeitung und Robotik.

Machine Learning ist ein Teilgebiet der künstlichen Intelligenz, das sich mit der Entwicklung von Algorithmen und Techniken befasst, mit denen Computer aus Daten lernen können, ohne hierfür eigens programmiert zu werden. Das Machine-Learning-Modell erhält hierbei keine spezifischen Anweisungen, sondern analysiert große Mengen an Daten, um Muster und Zusammenhänge zu erkennen und auf dieser Grundlage Vorhersagen oder Entscheidungen zu treffen. So werden Algorithmen für Videosicherheitsanwendungen mit Fotos oder Videoclips, etwa von Personen oder Fahrzeugen, „gefüttert“. Diese Eingabedaten werden mit Zusatzinformationen zu den Bildinhalten und Videosequenzen versehen, damit der Algorithmus Zusammenhänge, Muster, Abhängigkeiten und verborgene Strukturen identifizieren kann. Der Prozess wird so lange wiederholt, bis die maschinelle Objektklassifizierung die gewünschte Präzision erreicht hat.

Man unterscheidet drei Arten maschinellen Lernens: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Überwachtes Lernen ist die häufigste Variante für Maschine Learning. Hierbei lernt das Modell Dinge, wie Fahrzeuge oder Personen, zu klassifizieren oder Prognosen abzuleiten, z.B. Wetterprognosen.

Beim unüberwachten Lernen dagegen erkennt der Algorithmus eigenständig Muster in den Daten und sortiert diese in Clustern. Und beim verstärkenden Lernen werden „Belohnungen“ und „Bestrafungen“ eingesetzt. Bei falschen Entscheidungen wird „bestraft“, bei „guten“ Entscheidungen gelobt und nach diesem Prinzip optimiert der Algorithmus seine Strategie. Dieser Ansatz befindet sich aber noch in der Anfangsphase und wird aktuell hauptsächlich beim autonomen Fahren oder in der Robotik verwendet.

Beim Deep Learning handelt es sich dagegen um eine spezielle Art des maschinellen Lernens, die sich auf neuronale Netzwerke stützt, das heißt auf mathematische Modelle, die die Funktionsweise des menschlichen Gehirns imitieren. Deep Learning umfasst mehrschichtige neuronale Netzwerke mit einer großen Anzahl von Schichten („tiefe“ Netzwerke), die eine hierarchische Darstellung von Daten erlernen können. Die Informationen werden kombiniert und in einer mehrstufigen Hierarchie in einem Netzwerk zu „höherem“ Wissen zusammengefasst. Dieses Verfahren ist allerdings sehr aufwendig, sowohl hinsichtlich der Entwicklung als auch des Trainings, und erfordert sehr viel Rechenkapazität. Durch das Training mit großen Datenmengen kann Deep Learning komplexe Muster und Zusammenhänge erkennen und für Aufgaben wie Bild- und Spracherkennung, natürliche Sprachverarbeitung und maschinelles Übersetzen verwendet werden. Häufig sind aber durch Machine-Learning gut trainierte oder speziell für eine Anwendung trainierte Algorithmen vollkommen ausreichend.

Im Anschluss an das Training werden die Ergebnisse getestet. Dabei erhält das Modell neue Daten zur Analyse. Sollte dieser Test nicht erfolgreich sein, wird der Prozess des Lernens von vorne gestartet. Erst wenn der Test zufriedenstellend verläuft, wird das Modell in realen Situationen getestet. Der Umfang des Tests ist dabei auch vom Einsatzfeld abhängig. Je komplexer der Einsatzzweck, desto größer der Aufwand.