Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz (KI), der sich auf die Entwicklung von Algorithmen und statistischen Modellen konzentriert, die Computern die Fähigkeit verleihen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Wenn man sich also mit maschinellem Lernen beschäftigt, ist man in dem Sinne mit künstlicher Intelligenz befasst, als dass man an der Entwicklung und Anwendung von KI-Techniken arbeitet.
Allerdings deckt künstliche Intelligenz ein breiteres Spektrum von Konzepten und Technologien ab, einschließlich, aber nicht beschränkt auf maschinelles Lernen. KI umfasst auch Bereiche wie regelbasierte Systeme, Expertensysteme, natürliches Sprachverständnis, Robotik und viele andere Aspekte, die unabhängig von ML-Methoden funktionieren können.
Kurz gefasst, wenn Sie sich auf maschinelles Lernen konzentrieren, beschäftigen Sie sich tatsächlich mit einem Teilaspekt der künstlichen Intelligenz, aber die Beschäftigung mit maschinellem Lernen allein bedeutet nicht, dass Sie sich mit allen Facetten der KI auseinandersetzen.
Maschinelles Lernen bietet die technische Grundlage für viele KI-Systeme, indem es ihnen ermöglicht, selbstständig zu lernen und sich zu verbessern, ohne dass sie für jede mögliche Situation explizit programmiert werden müssen. So kann beispielsweise ein Bilderkennungsmodell trainiert werden, um Fotos zu klassifizieren, oder ein Algorithmus kann darin geschult werden, auf Basis historischer Daten Aktienkursbewegungen vorherzusagen.
In der Praxis ist maschinelles Lernen jedoch nur einer von mehreren Bausteinen zur Erstellung eines umfassenden KI-Systems. Weitere entscheidende Elemente können die Datenaufbereitung, die Auswahl geeigneter Algorithmen, die Bereitstellung von Rechenleistung und die Integration in bestehende Software- oder Hardwareumgebungen sein.
Um die Verbindung zu verstehen, kann man KI als den Oberbegriff betrachten, der die Schaffung von Systemen umfasst, die in der Lage sind, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören lernfähige Systeme (machine learning, ML), Problemlösung, Sprachverstehen, Wahrnehmung und Entscheidungsfindung. Maschinelles Lernen ist eine Methode, um diesem Ideal näher zu kommen, bei der Maschinen auf der Basis von Daten trainiert werden, um Muster zu erkennen und Vorhersagen zu treffen.
Die Beschäftigung mit maschinellem Lernen schließt oft die folgenden Aspekte ein:
1. Datenbeschaffung und -verarbeitung: Daten sind das Herzstück des maschinellen Lernens. Die Qualität und Quantität verfügbarer Daten können die Leistung der ML-Modelle stark beeinflussen.
2. Feature-Engineering: Die Auswahl und das Design von Merkmalen (Features), die den Lernalgorithmen als Eingabe dienen, sind entscheidend für die Effektivität der Modelle
3. Auswahl von Algorithmen: Je nach Problemstellung und Art der zur Verfügung stehenden Daten gibt es verschiedene Algorithmen und Modelle, die eingesetzt werden können, wie beispielsweise überwachte Lernverfahren (Supervised Learning), unüberwachte Lernverfahren (Unsupervised Learning), teilüberwachte Verfahren (Semi-Supervised Learning) oder verstärkendes Lernen (Reinforcement Learning).
4. Training und Validierung: ML-Modelle müssen anhand von Trainingsdaten geschult und anschließend mit Test- bzw. Validierungsdaten evaluiert werden, um ihre Leistungsfähigkeit zu überprüfen und Überanpassung (Overfitting) zu vermeiden.
5. Hyperparameter-Tuning: Die Feinabstimmung der Hyperparameter kann die Leistung des Modells erheblich beeinflussen. Dies kann manuell oder durch automatisierte Prozesse wie Grid-Search oder Random-Search erfolgen.
6. Modellbewertung: Die Bewertung der Modellleistung anhand geeigneter Metriken ist essentiell, um den Erfolg des Lernprozesses zu messen und das Modell gegebenenfalls anzupassen.
7. Implementierung und Produktivsetzung: Nach der Entwicklung und Bewertung muss das Modell implementiert werden, damit es praktische Aufgaben übernehmen kann. Dazu gehört auch die Einbettung in vorhandene IT-Systeme und die Anpassung an Echtzeit- oder Batch-Verarbeitungsworkflows.
8. Überwachung und Wartung: Einmal ausgerollte ML-Modelle benötigen Überwachung, um sicherzustellen, dass ihre Leistung über die Zeit stabil bleibt, und Wartung, um sie an Veränderungen in den zugrunde liegenden Daten oder Anforderungen anzupassen.
Es ist wichtig zu verstehen, dass bei maschinellem Lernen meist ein Fokus auf den technischen Aspekten liegt, während sich KI-Forschung und -Entwicklung auch mit Fragen der Ethik, der Gesellschaft oder Mensch-Maschine-Interaktion befassen kann. KI zieht ein breiteres Spektrum an Disziplinen heran, einschließlich, aber nicht beschränkt auf Informatik, kognitive Wissenschaften, Psychologie, Philosophie und zahlreiche technische Anwendungsgebiete.