(mit DALL-E und ZMO.AI generiertes Bild)
In seinem 2004 erschienenen Buch „On Intelligence“ definiert Jeff Hawkins Intelligenz als die Fähigkeit, die Zukunft vorherzusagen, z. B. das Gewicht eines Glases, das wir gleich heben werden, oder die Reaktion anderer auf unsere Handlungen, und zwar auf der Grundlage von Mustern, die im Gedächtnis gespeichert sind (der Gedächtnis-Vorhersage-Rahmen). Dieses Prinzip liegt auch dem maschinellen Lernen (ML) zugrunde.
Was ist ML?
Maschinelles Lernen ist eine Disziplin im Bereich der künstlichen Intelligenz, die Computer durch Algorithmen mit der Fähigkeit ausstattet, Muster in großen Datenmengen zu erkennen und Vorhersagen zu treffen (prädiktive Analyse). Dieses Lernen ermöglicht es Computern, bestimmte Aufgaben selbstständig auszuführen, ohne dass sie programmiert werden müssen.
Der Begriff „maschinelles Lernen“ wurde erstmals in den 1950er Jahren verwendet. Arthur Samuel. Er war ein Forscher bei IBM, der Schach- und Dameprogramme entwickelte, die Lernalgorithmen zur Leistungssteigerung einsetzten. Im Jahr 1959 schrieb er einen berühmten Artikel mit dem Titel „Some Studies in Machine Learning Using the Game of Checkers“ (Einige Studien zum maschinellen Lernen anhand des Spiels Dame), in dem er erstmals den Begriff „maschinelles Lernen“ einführte. Er beschrieb das System, mit dem er Computern beibrachte, selbständig Dame zu spielen.
Der Begriff hat in den letzten Jahren aufgrund der gestiegenen Rechenleistung und des Datenbooms an Bedeutung gewonnen. Die Techniken des maschinellen Lernens sind in der Tat ein grundlegender Bestandteil von Big Data.
Was sind die Arten von ML-Algorithmen?
Wir können drei Hauptkategorien hervorheben, je nach erwartetem Output und Inputtyp.
- Supervised ML: Diese Algorithmen verfügen über ein vorheriges Lernen auf der Grundlage eines Systems von Kennzeichnungen, die mit den Daten verbunden sind, so dass sie Entscheidungen oder Vorhersagen treffen können. Ein Beispiel ist ein Spam-Detektor, der eine E-Mail auf der Grundlage von Mustern, die er aus dem E-Mail-Verlauf gelernt hat (Absender, Text/Bild-Verhältnis, Schlüsselwörter in der Betreffzeile usw.), als Spam einstuft oder nicht.
- Unüberwachte ML: Diese Algorithmen haben kein Vorwissen. Sie stellen sich dem Datenchaos mit dem Ziel, Muster zu finden, die es ihnen ermöglichen, die Daten in irgendeiner Weise zu organisieren. Im Bereich des Marketings werden sie beispielsweise eingesetzt, um Muster aus umfangreichen Social-Media-Daten zu extrahieren und hochgradig segmentierte Werbekampagnen zu erstellen.
- Reinforcement ML: Ihr Ziel ist es, dass ein Algorithmus aus seinen eigenen Erfahrungen lernt. Mit anderen Worten, es sollte in der Lage sein, in verschiedenen Situationen durch einen Versuch-und-Irrtum-Prozess, bei dem richtige Entscheidungen belohnt werden, die beste Entscheidung zu treffen. Sie wird derzeit für die Gesichtserkennung, medizinische Diagnosen oder die Klassifizierung von DNA-Sequenzen eingesetzt.
Was sind die praktischen Anwendungen von ML?
ML ist einer der Eckpfeiler der digitalen Transformation. Es wird derzeit eingesetzt, um neue Lösungen in verschiedenen Bereichen zu finden, unter anderem:
- Multimedia und Unterhaltung: Algorithmen des maschinellen Lernens werden eingesetzt, um den Verbrauchern personalisierte Inhaltsempfehlungen zu geben und sogar die Produktion zu rationalisieren. Spotify beispielsweise nutzt intelligente Verarbeitungsmaschinen, um den Musikgeschmack der Nutzer vorherzusagen und automatisch Wiedergabelisten zu erstellen, damit Sie immer die Musik finden, nach der Sie suchen.
- Soziale Netzwerke: Twitter zum Beispiel setzt MLg-Algorithmen ein, um Spam auf der Plattform deutlich zu reduzieren. Facebook nutzt es auch, um Fake News und verbotene Inhalte in Live-Streams zu erkennen und automatisch zu blockieren.
- Medizin und Biowissenschaften: ML-Forscher entwickeln Lösungen, die Krebstumore oder Augenkrankheiten erkennen und so die Heilungschancen erhöhen.
- Cybersicherheit: Neue Antiviren- und Malware-Erkennungsprogramme nutzen bereits maschinelles Lernen, um das Scannen zu verbessern, die Erkennung zu beschleunigen und Anomalien besser zu erkennen.
- Fertigungsprozesse: ML kann die vorausschauende Wartung, Qualitätskontrolle und innovative Forschung im Fertigungssektor unterstützen. NotCo zum Beispiel ist ein Unternehmen, das sich der Herstellung und dem Verkauf von 100 % veganen Produkten verschrieben hat. Sie arbeiten mit einem maschinellen Lernalgorithmus namens Giuseppe, der die beste Kombination von Zutaten sucht, um auch die anspruchsvollsten Gaumen zu befriedigen, indem er den Geschmack, die Textur und den Geruch von Produkten tierischen Ursprungs nachahmt.
Das maschinelle Lernen hat sich im digitalen Zeitalter als leistungsfähiges Werkzeug erwiesen, das ein breites Spektrum und unbegrenzte Möglichkeiten für künftige Innovationen bietet.
Weitere informative Artikel zum Thema Technik finden Sie in unserem Blog. Besuchen Sie uns: Unimedia-Blog
