Die Geschwindigkeit der Datengenerierung nimmt zu, sodass mehr Daten als je zuvor entstehen. Machine Learning ermöglicht es, diese riesige Datenmenge zu analysieren und daraus einen Mehrwert zu ziehen. Maschinelles Lernen eröffnet uns also völlig neue Möglichkeiten, Computer und andere Maschinen zu nutzen. Unternehmen können Machine Learning für wichtige Funktionen wie Betrugserkennung, Identifizierung von Sicherheitsbedrohungen, Personalisierung und Empfehlungen, automatisierten Kundenservice durch Chatbots, Transkription und Übersetzung, Datenanalyse und vieles mehr nutzen. Maschinelles Lernen ist auch die treibende Kraft hinter den spannenden Innovationen von morgen, darunter autonome Fahrzeugen, Drohnen und Flugzeuge, Augmented/Virtual Reality sowie Robotik. 

Die Begriffe Künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden zwar oft gleichbedeutend verwendet, sind aber nicht austauschbar. 

Künstliche Intelligenz ist ein Bereich der Informatik, der sich mit dem Bau von Computern und Maschinen befasst, die auf eine dem Menschen ähnliche Art logisch schließen, lernen und handeln können. Der Begriff umfasst auch Systeme mit Daten, deren Umfang das Analysieren-Fähigkeit von Menschen übersteigt. Die Fachrichtung umfasst viele verschiedene Disziplinen wie Datenanalyse, Statistik, Hardware- und Softwareentwicklung, Neurowissenschaft und sogar Philosophie.

Während die künstliche Intelligenz eine weit gefasste Kategorie in der Informatik ist, ist maschinelles Lernen eine Anwendung von KI, bei der Maschinen trainiert werden, um eine Aufgabe auszuführen, ohne speziell dafür programmiert zu werden. Maschinelles Lernen wird expliziter eingesetzt, um mithilfe von Techniken wie neuronalen Netzwerken, überwachtem und unüberwachtem Lernen, Entscheidungsbäumen und linearer Regression Wissen aus Daten zu extrahieren.

So wie maschinelles Lernen eine Teilmenge der künstlichen Intelligenz ist, ist Deep Learning eine Teilmenge des maschinellen Lernens Beim Deep Learning werden neuronale Netzwerke anhand von Datasets trainiert. Ein neuronales Netzwerk ist ein Modell, das ein System aus künstlichen Neuronen verwendet, die als Rechenknoten zum Klassifizieren und Analysieren von Daten dienen. Die Daten werden in die erste Schicht eines neuronalen Netzwerks eingespeist, wobei jeder Knoten eine Entscheidung trifft und diese Informationen dann an mehrere Knoten in der nächsten Schicht weitergibt. Trainingsmodelle mit mehr als drei Ebenen werden als „neuronales Deep-Learning-Netzwerk“ oder „Deep Learning“ bezeichnet. Einige moderne neuronale Netzwerke haben Hunderte oder Tausende von Ebenen.

Beim maschinellen Lernen werden Algorithmen anhand von Datensätzen trainiert, um ein erwartetes Ergebnis zu erzielen, z. B. um ein Muster zu identifizieren oder ein Objekt zu erkennen. Beim maschinellen Lernen wird das Modell optimiert, damit es anhand der Trainingsdatenstichproben die richtige Antwort vorhersagen kann.

Wenn die Trainingsdaten von hoher Qualität sind, wird das Modell umso genauer, je mehr Trainingsbeispiele der Algorithmus für maschinelles Lernen erhält. Der Algorithmus passt das Modell während des Trainings an die Daten an. Dieser Vorgang wird als „Fitting-Prozess“ bezeichnet. Dabei wird eine Verlustfunktion verwendet, um die Fehler des Modells zu messen, und eine Optimierungstechnik (z. B. den Gradientenabstieg), um die Parameter des Modells anzupassen und diese Fehler zu minimieren. Wenn das Ergebnis nicht dem erwarteten Ergebnis entspricht, wird der Algorithmus immer wieder neu trainiert, bis er die korrekte Antwort ausgibt. Im Wesentlichen lernt der Algorithmus aus den Daten und erzielt Ergebnisse abhängig davon, ob Eingabe und Antwort zu einer Linie, einem Cluster oder einer anderen statistischen Bezuehungipassen.

Wenn wir über verschiedene Arten von Machine Learning sprechen, sprechen wir eigentlich über die verwendeten Trainingsmodelle. Im Großen und Ganzen gibt es im maschinellen Lernen vier Arten von Modellen.

Überwachtes Lernen ist ein Modell für maschinelles Lernen, das mit Labels versehene Trainingsdaten (strukturierte Daten) verwendet, um eine bestimmte Funktion einem Label zuzuordnen. Beim überwachten Lernen ist die Ausgabe bekannt (z. B. beim Erkennen des Bildes eines Apfels) und das Modell wird mit Daten der bekannten Ausgabe trainiert. Einfach ausgedrückt: Damit der Algorithmus Bilder von Äpfeln erkennt, füttern Sie ihn mit Bildern, die als Äpfel gekennzeichnet sind. Zu den am häufigsten verwendeten Algorithmen für überwachtes Lernen gehören:

• Lineare Regression
• Polynom Regression
• K-nächstgelegene Nachbarn
• Naive Bayes
• Entscheidungsbäume

Unüberwachtes Lernen ist ein Modell für maschinelles Lernen, das Daten ohne Label (unstrukturierte Daten) verwendet, um Muster zu lernen. Anders als beim überwachten Lernen ist die „Richtigkeit“ der Ergebnisse hier nicht im Voraus bekannt. Der Algorithmus lernt aus den Daten, ohne dass Menschen dazu etwas tun (er ist also unbeaufsichtigt), und kategorisiert sie anhand von Attributen in Gruppen. Wenn der Algorithmus beispielsweise Bilder von Äpfeln und Bananen erhält, kategorisiert er automatisch, welches Bild einen Apfel und welches eine Banane darstellt. Unüberwachtes Lernen eignet sich gut für die beschreibende Modellierung und den Musterabgleich. Zu den am häufigsten verwendeten Algorithmen für unbeaufsichtigtes Lernen gehören:

• Ungenaue Übereinstimmungen
• K-Means-Clustering
• Hierarchisches Clustering
• Partial Least Squares

Es gibt auch einen gemischten Ansatz für maschinelles Lernen, der als semiüberwachtes Lernen bezeichnet wird, bei dem nur ein Teil der Daten mit Labels versehen ist. Beim halbüberwachten Lernen muss der Algorithmus herausfinden, wie die Daten organisiert und strukturiert werden können, um ein bekanntes Ergebnis zu erzielen. Dem Modell für maschinelles Lernen wird beispielsweise mitgeteilt, dass das Ergebnis eine Birne ist, aber nur ein Teil der Trainingsdaten ist mit einer „Birne“ versehen.

Bestärkendes Lernen ist ein Modell für maschinelles Lernen, das durch eine Reihe von Trial-and-Error-Experimenten als „Learn by Do“ bezeichnet wird. Ein Agent lernt, eine definierte Aufgabe über eine Feedbackschleife auszuführen, bis seine Leistung in einem gewünschten Bereich liegt. Der Agent erhält eine positive Bestärkung, wenn er die Aufgabe gut ausführt hat, und eine negative Verstärkung, wenn er eine schlechte Leistung erzielt. Ein Beispiel für Bestärkendes Learning ist die Entwicklung eines Algorithmus von Google für Bestärkendes Learning, mit der das Spiel Go gespielt wird. Das Modell, das die Regeln von Go noch nicht kannte, bewegte einfach Teile nach dem Zufallsprinzip und „erlernte“ die besten Schritte. Der Algorithmus wurde mit positiver und negativer Verstärkung so weit trainiert, dass das Modell für maschinelles Lernen einen menschlichen Spieler im Spielschlagen konnte.

Je mehr Daten von einem Algorithmus für maschinelles Lernen verarbeitet werden, desto besser lassen sich Trends und Muster in diesen Daten erkennen. Für eine E-Commerce-Website kann beispielsweise maschinelles Lernen eingesetzt werden, um zu verstehen, wie Nutzer auf der Website einkaufen. Diese Informationen können dann genutzt werden, um Nutzern bessere Empfehlungen zu geben oder Trenddaten zu ermitteln, die zu neuen Produktchancen führen können.

Maschinelles Lernen und künstliche Intelligenz können menschlichen Arbeitnehmern einen Großteil der langweiligen und trostlosen Arbeit abnehmen. Dienstprogramme wie die robotergestützte Prozessautomatisierung können einige der mühsamen unternehmensbezogenen Aufgaben ausführen, die Menschen davon abhalten, sinnvollere Aufgaben zu erledigen. Algorithmen für Computer Vision und Objekterkennung können Robotern helfen, Artikel aus einer Fließband auszuwählen und zu verpacken. Durch die immer aktive Betrugserkennung und die Bedrohungsbewertung durch maschinelles Lernen können Sicherheitslücken gefunden werden, bevor sie zum Problem werden.

Mit den richtigen Arten von Daten werden die Algorithmen des maschinellen Lernens weiter verbessert, um schneller und genauer zu sein. Diese Verbesserung kann auf verschiedene Arten erfolgen, z. B. durch die Aufnahme neuer Daten und durch Feedback von Nutzern.

Maschinelles Lernen ist oft nur so gut wie die Daten, mit denen es gefüttert wird. Wenn ein verzerrtes Dataset einem Algorithmus für maschinelles Lernen gefüttert wird, liefert er verzerrte Ergebnisse.

Maschinelles Lernen kann mit einer großen Datenmenge verbunden sein, bevor es nützlich sein kann. Da viele Anwendungsfälle für maschinelles Lernen auf überwachtem Lernen basieren, ist das Erfassen und Bereinigen strukturierter Daten zum Trainieren der Algorithmen ein wichtiger erster Schritt. Dies kann schwierig sein, wenn sich die Daten an verschiedenen isolierten Orten innerhalb eines Unternehmens befinden.

Während maschinelles Lernen, künstliche Intelligenz und Cloud-Anbieter das Einrichten und Ausführen von Algorithmen für maschinelles Lernen so einfach wie möglich machen möchten, benötigen Unternehmen oft Programmierer und Data Scientists, um die Trainingsalgorithmen und ihre Ergebnisse zu verstehen und zu nutzen.

Maschinelles Lernen kann zeitaufwendig sein und viele Rechenressourcen und Mitarbeiterstunden erfordern, um mit der Verarbeitung von Daten zu beginnen und Ergebnisse zu erzielen.