Der Mensch kann nicht ohne Maschine – und umgekehrt. Wie im letzten Artikel erwähnt, fielen Data Mining Resultate erbärmlich aus, wenn kein Data Scientist die Maschine führen würde. Sein Algorithmusgefühl entscheidet darüber, wie das Maschinelle Lernen der KI schlussendlich tanzt – und die verdiente Benotung ausfällt. Kurz: Mensch und Maschine müssen sich auf einen Beat einigen. Wieviele stehen zur Auswahl, Jorge?
Genau: Drei! Überwachtes, Unüberwachtes und Teilüberwachtes Maschinelles Lernen. Aber Moment mal? Wieso zeigt Jorge vier? Und sagt drei? Er hat recht! Es gibt tatsächlich eine vierte Form, die Roboter ohne Führerschein Auto fahren lässt: Verstärkendes Lernen. Dazu später mehr, wir beginnen mal mit gechillten Maschinen.
Überwachtes Machine Learning (Supervised Machine Learning)
Überwachtes maschinelles Lernen (engl.: Supervised Machine Learning) nutzt bekannte Daten, um Muster bzw. Zusammenhänge zu erkennen und vermittelt sie dem Algorithmus über einen Trainingsdatensatz. Die Lernzielvariable (Klassifizierungen wie „Kündigungsentscheidung“ oder numerische Wertdefinitionen der Marke „Umsatz“) im Fokus, beauftragt ML den Algorithmus, diese richtig vorherzusagen.
Spielentscheidene verlässliche Vorhersagen für zukünftige oder unbekannte Daten. Wie Klassifikation der Kundendaten für Marketingabteilungen.
Beispiele aus der Praxis von überwachten Lernverfahren sind:
- Vorhersage von Stromverbrauch für einen Zeitraum X
- Risikobewertung von Investitionen
- Berechnung von Ausfallwahrscheinlichkeiten im Maschinenpark
- Prognose von Kundenwert für die nächsten 12 Monate
Unüberwachtes Machine Learning (Unsupervised Machine Learning)
Hier werden im Gegensatz zum Überwachten Lernen Muster und Strukturen in den Daten entdeckt, ohne dass es eine vorgegebene Antwort gibt. Diese Algorithmen clustern oder segmentieren Daten. Der Data Scientist bewertet dann „weiche“ Faktoren auf Kompatibilität im Verhältnis zu den Geschäftsanforderungen. Solche Machine Learning Verfahren sind besonders nützlich, weil sie versteckte Muster in grossen Datenmengen aufdecken.
Dimensions-Reduktionen und folgende Clusteringverfahren resultieren daraus:
- Visualisierung von großen Datenmengen
- Clusteranalysen
- Extraktion von Regeln
- und Erstellung von ML-Features
Teilüberwachtes Machine Learning (Semi-supervised Learning)
Teilüberwachtes Lernen kombiniert die Nutzung von Beispiel- mit konkreten Zielvariablen sowie Fremd-Daten. Die Einsatzgebiete sind dieselben wie beim Überwachten Lernen.
Mit dem Vorteil der geringeren Datenmenge trainiert werden kann. Bekannte Beispieldaten beschaffen ist meistens teuer und zeitintensiv, da sie in analog-manuellen Prozessen erstellt werden müssen (z.B. manuelle Beschriftung von Bildern). Zuerst kreiert man einen kleinen gegabelten Datensatz. Um ein künstliches neuronales Netz auf gewünschte Klassifikationen zu trainieren, die auf die restlichen Daten angewendet werden. Unbekannte Daten werden so schneller und effizienter gegabelt.
Verstärkendes Lernen (Reinforcement Learning) bestraft die Strafe (FSK 12)
Reinforcement Learning gibt dem Algorithmus weder Beispieldaten noch Vorgaben. Er durchläuft stattdessen eine Art maschinelles Bootcamp und muss selber entscheiden, welche Aktionen die richtigen sind. Im Rahmen der Prozessvorgaben des Data Scientists, aber selbständig. Muss mit minimalen Outputs wie „Ja“ oder „Nein“ zur Kostenfunktion klar kommen.
Das Ziel ist, die Belohnungsfunktion mit – eben – Lob oder Strafe für richtige bzw. falsche Entscheidungen zu aktivieren. Und eine Art Navy Seal zu formen, der, durch die Massnahmen „bestärkt“, seine Strategien mit unzähligen iterativen Schritten in Simulationsumgebungen autonom und sicher entwickelt.
Wenn die KI eigenständig lernen kann, dann ist kein menschlicher Input mehr nötig, um fortan komplexe Probleme zu lösen. Reinforcement Learning ist der Chuck Norris im Bugatti Chiron der Maschinellen Learning-Tools – und mit 500 Sachen auf der KI-Forschungs-Überholspur. Autonom gefahren von einem solid programmierten Roboter.
Fernbedienung nie aus der Hand geben (Guard the fxin Remote Control in your hands)
Wir sitzen auf dem Beifahrersitz und können kaum erwarten, beim Fressbalken anzukommen. Wir danken Gott, dass dieses Bugatti-Raumschiff keinen Kühlschrank eingebaut hat, wo die Fernbedienung für den Roboter verdaddelt sein könnte.
Noch 35 Kilometer. In 29 Sekunden wurde von CISCO der Beginn langsamen Bremsens programmiert, in 47 Sekunden sind wir da. Die Türklinke geht analog auf. Notfalls haben wir einen Hammer dabei. Der Roboter fährt weiter zum Hockenheim-Ring.
Der bereitstehende Notarzt zieht uns ohnmächtig aus dem Wagen, macht kurz ne Routine-Herzmassage, während sein Assistent die Fernbedienung gefühlvoll und routiniert aus unserer Hand schneidet.
Nach dieser wertvollen Nahtoderfahrung sind wir auch schon wieder frei, Sie als Co-Piloten auf Ihrem Beifahrersitz an´s sichere Ziel zu bringen.
Ein Soft Fact, der uns dabei wichtig ist: 300 Sachen reichen im Fall völlig aus, um an Ihrer Konkurrenz vorbei zu fahren. Sparen Sie sich also den Anruf, wenn Sie einen Bugatti Chiron haben, zu 50 % aus Quecksilber sind und nur auf „Positiv“ und „Negativ“ reagieren können.
Wir heissen Fast Lane – und nicht Last Lane.
Mit nobler Blässe im Gesicht,
Ihre Co-Piloten von Fast Lane
Schreibe einen Kommentar