Maschinelles Lernen erklärt: Wie KI wirklich lernt (ohne Fachchinesisch)
Jeder sagt, KI „lernt“ aus Daten, aber was bedeutet das eigentlich? So funktioniert maschinelles Lernen wirklich, ganz ohne Fachjargon und Hype.
Das Rezeptbuch Ihrer Mutter
Lassen Sie mich von meiner Mutter erzählen. Sie macht den besten Apfelkuchen, den ich je gegessen habe. Absolut perfekt. Jedes einzelne Mal.
Die Sache ist die: Sie hat nie ein Rezept benutzt. Kein einziges Mal. Sie backt diesen Kuchen seit 40 Jahren. Sie weiß einfach, was funktioniert.
Wie hat sie das gelernt?
Sie begann mit dem Rezept ihrer Mutter. Der erste Kuchen? Ganz gut. Der zweite? Sie gab etwas mehr Zimt hinzu, weil der erste fad war. Der dritte? Weniger Zucker, weil der zweite zu süß war. Der vierte? Mehr Butter im Teig, weil er zu trocken war.
Jahr für Jahr, Kuchen für Kuchen, passte sie das Rezept an. Erkannte Muster. „Wenn die Äpfel zu säuerlich sind, füge mehr Zucker hinzu. Wenn sie süß sind, nimm weniger. Bei hoher Luftfeuchtigkeit braucht der Teig weniger Wasser. Bei Trockenheit mehr.“
Sie hat aus Erfahrung gelernt. Durch Feedback. Indem sie Hunderte von Kuchen gebacken und bemerkt hat, was funktioniert und was nicht.
Genau so funktioniert maschinelles Lernen. Nur dass Computer keine Kuchen backen, sondern Vorhersagen treffen. Und statt 40 Jahren brauchen sie dafür nur wenige Stunden.
Ich zeige Ihnen, wie.
Was „Lernen“ für Maschinen wirklich bedeutet
Wenn Leute sagen, ein Computer habe etwas „gelernt“, meinen sie nicht, dass er es verstanden hat. Sie meinen, dass er durch Übung in einer Aufgabe besser geworden ist.
Meine Mutter hat die Chemie dahinter, wie Butter den Teig blättrig macht, nicht verstanden. Sie wusste nur, dass es so ist. Sie hat ein Muster gefunden: Mehr Butter bedeutet blättrigerer Teig. Das ist Lernen.
Computer tun dasselbe, aber mit Daten anstelle von Kuchen.
Lassen Sie mich Ihnen ein echtes Beispiel geben, mit dem Sie täglich zu tun haben: der Spam-Filter Ihres E-Mail-Postfachs.
Die alte Methode (vor dem Lernen)
Manuelle Regeln, die ständig versagten
Jemand musste Regeln schreiben: „Wenn in der E-Mail ‚nigerianischer Prinz‘ steht, ist es Spam. Wenn ‚Sie haben im Lotto gewonnen‘ drinsteht, ist es Spam. Wenn sie mehr als 10 Ausrufezeichen hat, ist es Spam.“
Das Problem? Spammer passten sich an. Sie schrieben „N1gerianischer Pr1nz“ oder „L0tterie“. Die Regeln versagten. Jemand musste manuell neue Regeln schreiben. Immer und immer wieder. Endlos.
Die neue Methode (mit Lernen)
Der Computer findet seine eigenen Muster
Sie zeigen dem Computer 10.000 E-Mails. „Diese 5.000 sind Spam. Diese 5.000 sind echt.“ Der Computer schaut sie sich an und findet Muster, nach denen Sie ihn nie suchen ließen:
- → Spam-E-Mails enthalten tendenziell bestimmte Wörter zusammen
- → Sie stammen von bestimmten Arten von E-Mail-Adressen
- → Sie weisen ungewöhnliche Satzzeichenmuster auf
- → Die Links darin sehen auf bestimmte Weise verdächtig aus
Wenn Spammer nun ihre Taktik ändern, zeigen Sie dem Computer einfach neue Spam-Beispiele. Er findet neue Muster. Es müssen keine neuen Regeln manuell geschrieben werden.
Das ist maschinelles Lernen: Computer werden besser in Aufgaben, indem sie Muster in Beispielen finden, nicht indem sie von jemandem geschriebene Regeln befolgen.
Die drei Arten, wie Maschinen üben
Genau wie Menschen auf unterschiedliche Weise lernen, haben auch Maschinen verschiedene Lernmethoden für unterschiedliche Situationen. Lassen Sie mich Ihnen die drei wichtigsten anhand von Beispielen erklären, die Sie tatsächlich nachvollziehen können.
Lernen mit einem Lehrer (Überwachtes Lernen)
Erinnern Sie sich an das Einmaleins in der Schule? Ihr Lehrer gab Ihnen Aufgaben UND die Antworten. „Was ist 7 mal 8?“ „56.“ Sie haben geübt, bis Sie die Antwort ohne Nachschauen wussten.
Das ist überwachtes Lernen. Der Computer erhält Fragen und Antworten zusammen.
Beispiel: Einem Computer beibringen, Fotos zu erkennen
Sie zeigen ihm 1.000 Fotos. Für jedes sagen Sie ihm, was darauf zu sehen ist:
- 📷 Dieses Foto: Katze
- 📷 Dieses Foto: Hund
- 📷 Dieses Foto: Auto
Der Computer beginnt, zufällig zu raten. Zuerst sind die Vermutungen schrecklich. Dann bemerkt er Muster: „Fotos mit spitzen Ohren und Schnurrhaaren sind normalerweise Katzen. Fotos mit Schlappohren und nassen Nasen sind normalerweise Hunde. Fotos mit Rädern und Fenstern sind normalerweise Autos.“
Er übt an diesen 1.000 Fotos, bis er richtig gut wird. Dann testen Sie ihn mit neuen Fotos, die er noch nie gesehen hat. Wenn er die Muster gut gelernt hat, erkennt er sie korrekt.
So erkennt Ihr Telefon Gesichter, so nutzen Ärzte KI, um Krankheiten auf Röntgenbildern zu erkennen, und so verstehen Sprachassistenten, was Sie sagen.
Lernen ohne Lehrer (Unüberwachtes Lernen)
Stellen Sie sich nun vor, Sie sortieren die Knopf-Sammlung Ihrer verstorbenen Tante. Sie hatte Hunderte von Knöpfen, alle durcheinander. Sie haben keine Anleitung. Sie fangen einfach an, sie in Stapel zu sortieren, die für Sie Sinn ergeben.
Muster eigenständig finden
- → Große Knöpfe hier. Kleine Knöpfe dort.
- → Metallknöpfe auf diesem Stapel. Plastikknöpfe auf jenem.
Sie finden Muster, ohne dass Ihnen jemand sagt, wonach Sie suchen sollen.
Das ist unüberwachtes Lernen. Der Computer sucht nach Mustern, ohne dass ihm gesagt wird, wie die Antwort aussehen sollte.
Beispiel: Kundengruppen finden
Ein Geschäft hat Daten von 10.000 Kunden: was sie kaufen, wann sie einkaufen, wie viel sie ausgeben. Niemand sagt dem Computer, welche Gruppen es gibt. Er schaut einfach hin und findet Muster:
Gruppe 1: Junge Leute, die spät nachts einkaufen, kleine Mengen kaufen, oft kommen
Gruppe 2: Familien, die am Wochenende einkaufen, in großen Mengen kaufen, wöchentlich kommen
Gruppe 3: Rentner, die werktags mittags einkaufen, bestimmte Artikel kaufen, sehr regelmäßig
Niemand hat ihm gesagt, dass diese Gruppen existieren. Er hat sie gefunden, indem er bemerkt hat, welche Kunden sich ähnlich verhalten.
So gruppiert Netflix Sendungen, die Ihnen gefallen könnten, so findet die Betrugserkennung ungewöhnliche Transaktionen und so entdecken Wissenschaftler Muster in der DNA.
Lernen durch Ausprobieren (Verstärkendes Lernen)
Erinnern Sie sich, wie man einem Hund „Sitz“ beibringt? Man erklärt nicht, was Sitzen ist. Man sagt einfach „Sitz“, und wenn der Hund sich hinsetzt, gibt man ihm ein Leckerli. Wenn er sich nicht hinsetzt, gibt es kein Leckerli. Der Hund findet heraus: Sitzen bedeutet Leckerlis. Nicht sitzen bedeutet keine Leckerlis.
Das ist verstärkendes Lernen. Dinge ausprobieren. Sehen, was funktioniert. Mehr von dem tun, was funktioniert.
Beispiel: Einem Computer Schach beibringen
Der Computer kennt anfangs die Regeln nicht. Er probiert einfach Züge aus. Zufällig. Die meisten sind schrecklich.
Aber die Sache ist die: Wenn er ein Spiel gewinnt, sagen Sie ihm „gut gemacht“. Wenn er verliert, sagen Sie ihm „das hat nicht funktioniert“. Er fängt an zu bemerken:
- ✓ Die Dame hierhin zu bewegen, führt oft zum Sieg
- ✗ Den König ungeschützt zu lassen, führt normalerweise zur Niederlage
- ✓ Das Zentrum des Bretts zu kontrollieren, ist hilfreich
Nachdem er Millionen von Partien gegen sich selbst gespielt hat, wird er richtig, richtig gut. Nicht, weil ihm jemand Strategie beigebracht hat. Sondern weil er alles ausprobiert und gelernt hat, was funktioniert.
So hat die KI gelernt, Weltmeister im Schach und Go zu schlagen, so lernen Roboter zu laufen und so lernen selbstfahrende Autos zu fahren.
Die drei Lernstile
Wie das Üben tatsächlich abläuft (Der geheime Prozess)
Okay, der Computer übt also, indem er sich Beispiele ansieht. Aber was passiert dabei im Inneren? Lassen Sie mich Sie durch den Prozess führen, als würden Sie dem Computer über die Schulter schauen.
Schritt 1: Mit wilden Vermutungen beginnen
Wie das Schätzen des Gewichts eines Kürbisses
Stellen Sie sich vor, Sie versuchen, das Gewicht eines Kürbisses nur durch Anschauen zu schätzen. Sie haben das noch nie gemacht, also werfen Sie einfach eine zufällige Zahl in den Raum. „Äh... 7 Kilo?“
Genau das macht der Computer. Er beginnt mit zufälligen Vermutungen. Völlig zufällig. Es ist, als würde man ein Neugeborenes bitten, Farben zu erkennen. Die Vermutungen sind schrecklich. Das ist in Ordnung. Das ist der Ausgangspunkt.
Schritt 2: Überprüfen, wie falsch man liegt
Den Fehler messen
Jetzt legen Sie den Kürbis auf eine Waage. Er wiegt tatsächlich 10 Kilo. Sie lagen um 3 Kilo daneben. Das ist Ihr Fehler.
Der Computer macht dasselbe. Er stellt eine Vermutung an, überprüft die richtige Antwort und berechnet, wie falsch er lag. „Ich sagte, dieses Foto sei ein Hund. Es ist aber eine Katze. Ich lag völlig daneben.“
Schritt 3: Die nächste Vermutung anpassen
Aus Fehlern lernen
Der nächste Kürbis sieht ähnlich aus wie der erste. Sie raten nicht noch einmal 7 Kilo. Sie haben gelernt, dass Kürbisse wie dieser schwerer sind, als Sie dachten. Also schätzen Sie 9,5 Kilo. Schon näher dran!
Der Computer macht genau das. Er passt seine Rate-Methode basierend auf seinen Fehlern an. „Ich habe immer wieder ‚Hund‘ geraten, wenn ich Schlappohren sah, aber ich lag falsch. Ich sollte auch auf andere Merkmale achten.“
Schritt 4: Tausende Male wiederholen
Übung macht den Meister
Nachdem Sie das Gewicht von 1.000 Kürbissen geschätzt und jedes Mal die Waage überprüft haben, würden Sie ziemlich gut darin werden. Sie würden Muster bemerken: „Große, runde Kürbisse mit dicken Stielen sind normalerweise schwer. Hohe, schmale sind normalerweise leichter.“
Der Computer macht das Tausende oder Millionen von Malen. Jedes Mal wird er ein winziges bisschen besser. Schließlich ist er richtig gut in der Aufgabe, die er übt.
Das ist der ganze Prozess. Eine Vermutung anstellen. Überprüfen, wie falsch sie ist. Anpassen. Wiederholen, bis man gut genug ist. Eine einfache Idee. Aber wenn man sie millionenfach und sehr schnell ausführt, erhält man beeindruckende Ergebnisse.
Warum das so gut funktioniert (und warum es keine Magie ist)
Das Erstaunliche ist: Dieser unglaublich einfache Prozess funktioniert für eine unglaubliche Vielfalt von Aufgaben.
Dieselbe Grundidee (Übung mit Feedback) kann:
- ✓ Lernen, Ihr Gesicht zu erkennen, um Ihr Telefon zu entsperren
- ✓ Lernen, zwischen Sprachen zu übersetzen
- ✓ Lernen, Tumore in medizinischen Scans zu erkennen
- ✓ Lernen, vorherzusagen, ob es morgen regnen wird
- ✓ Lernen, Filme zu empfehlen, die Ihnen wahrscheinlich gefallen werden
Warum funktioniert das für all diese verschiedenen Dinge?
Weil sie im Kern alle Probleme der Mustererkennung sind. Ihr Gesicht hat Muster. Sprachen haben Muster. Tumore haben Muster. Das Wetter hat Muster. Ihre Filmvorlieben haben Muster.
Der Computer findet diese Muster, indem er mit Beispielen übt. Er „versteht“ keine Gesichter, Sprachen oder Medizin. Er findet nur heraus: Wenn ich dieses Muster sehe, ist die Antwort normalerweise jene.
Das ist mächtig. Aber es ist keine Magie. Es ist Mustererkennung, die in einem Maßstab praktiziert wird, den Menschen nicht erreichen können.
Was der Computer wirklich lernt (Die Wahrheit könnte Sie überraschen)
Hier ist etwas, das die meisten Leute falsch verstehen: Der Computer lernt kein Verständnis. Er lernt Abkürzungen.
Lassen Sie mich Ihnen mit einer wahren Geschichte zeigen, was ich meine.
Die Hautkrebs-KI, die geschummelt hat
Wissenschaftler trainierten eine KI, Hautkrebs anhand von Fotos zu erkennen. Sie wurde richtig gut. Besser als einige Ärzte. Erstaunlich, oder?
Dann bemerkten sie etwas Seltsames. Die KI achtete auf Lineale. Viele der Krebsfotos hatten Lineale im Bild (um den Maßstab zu zeigen). Viele der Nicht-Krebs-Fotos hatten keine.
Die KI lernte: „Wenn ich ein Lineal sehe, ist es wahrscheinlich Krebs.“ Technisch gesehen ist das ein Muster, das in den Trainingsdaten funktionierte. Aber es ist kein Verständnis von Krebs. Es ist eine Abkürzung.
Das passiert ständig:
Beispiele für erlernte Vorurteile und Abkürzungen der KI
- ⚠️ Eine Einstellungs-KI lernte, dass Lebensläufe mit dem Namen „Jared“ eher eingestellt wurden (weil die Trainingsdaten voreingenommene menschliche Entscheidungen enthielten)
- ⚠️ Ein Gesichtserkennungssystem funktionierte bei weißen Männern besser (weil diese in den Trainingsfotos überrepräsentiert waren)
- ⚠️ Ein Kreditgenehmigungssystem diskriminierte bestimmte Stadtteile (weil es aus historisch voreingenommenen Kreditvergabedaten lernte)
Der Computer findet Muster in den Daten, die Sie ihm geben. Wenn die Daten Vorurteile enthalten, lernt er die Vorurteile. Wenn die Daten Abkürzungen enthalten, lernt er die Abkürzungen. Er weiß es nicht besser. Er findet nur, was in den Beispielen, die er gesehen hat, funktioniert. Deshalb erfordert maschinelles Lernen sorgfältige Aufmerksamkeit. Es ist mächtig, aber nicht weise.
Die zwei Arten des Übens (Traditionell vs. Anders)
Erinnern Sie sich, wie ich sagte, dass Computer lernen, indem sie ihre Vermutungen basierend auf Fehlern anpassen? Es gibt zwei Hauptwege, diese Anpassung vorzunehmen.
Der traditionelle Weg: Winzige Anpassungen an Zahlen
Wie die meiste KI heute funktioniert
Der Computer hat Millionen von kleinen Reglern (genannt Gewichte). Jeder Regler ist auf eine bestimmte Zahl eingestellt.
Wenn der Computer einen Fehler macht, findet er heraus, welche Regler er in welche Richtung drehen muss. Er dreht sie nur ein winziges bisschen. Dann macht er eine weitere Vermutung, macht einen weiteren Fehler, dreht die Regler wieder. Immer und immer wieder. Nachdem er das millionenfach getan hat, sind all diese Regler auf Zahlen eingestellt, die gute Vermutungen produzieren.
Das Gute
Es funktioniert wirklich gut. Es kann unglaublich komplexe Muster finden. Es ist bewährt und zuverlässig.
Das Schlechte
Es verbraucht eine riesige Menge an Rechenleistung. Das Training dieser Systeme kostet Millionen von Dollar an Strom. Und wenn es fertig ist, hat man Millionen von Reglereinstellungen, aber man kann nicht wirklich erklären, warum sie auf diese spezifischen Zahlen eingestellt sind. Es ist eine Blackbox.
Ein anderer Weg: Regeln statt Zahlen finden
Wie einige neuere Systeme funktionieren
Einige Systeme (wie die, die Unternehmen wie Dweve entwickeln) funktionieren anders. Anstatt Millionen von Zahlenreglern anzupassen, suchen sie nach logischen Regeln.
Anstatt zu lernen „Gewicht 47 sollte 0,8234 sein“, lernen sie „wenn die E-Mail dringende Wörter enthält UND von einem unbekannten Absender kommt UND seltsame Links hat, dann ist es wahrscheinlich Spam.“
Es ähnelt mehr der menschlichen Lernweise
Sie haben keine Zahlen im Kopf. Sie haben Faustregeln: „Wenn das Brot sauer riecht, ist es wahrscheinlich schlecht. Wenn der Himmel dunkel und schwer ist, könnte es regnen.“
Das Gute
Man kann die Entscheidungen tatsächlich erklären. „Die E-Mail wurde als Spam markiert, weil sie diesen drei Mustern entsprach.“ Es ist auch viel effizienter. Verbraucht viel weniger Strom.
Das Schlechte
Nicht jedes Problem lässt sich gut mit Regeln lösen. Manche Dinge brauchen wirklich diese Millionen von winzigen Zahlenanpassungen.
Keine der beiden Methoden ist immer besser. Es sind Werkzeuge. Man benutzt das richtige für die jeweilige Aufgabe.
Wie der Lernprozess tatsächlich aussieht
Wo das in Ihrem Leben tatsächlich Anwendung findet
Lassen Sie mich Ihnen zeigen, wo Sie maschinelles Lernen bereits jeden Tag einsetzen, wahrscheinlich ohne es zu merken.
⏰ Ihr Wecker am Morgen
Der Wecker Ihres Telefons hat wahrscheinlich eine Funktion, die die Lautstärke langsam erhöht. Das ist einfach. Aber einige Telefone lernen auch, wann Sie dazu neigen, natürlich aufzuwachen, und schlagen bessere Weckzeiten vor. Maschinelles Lernen hat bemerkt: „Sie drücken immer die Schlummertaste beim 6-Uhr-Wecker, wachen aber um 6:30 Uhr von selbst auf. Lassen Sie mich stattdessen 6:30 Uhr vorschlagen.“
🚗 Ihr Arbeitsweg
Karten-Apps sagen den Verkehr voraus. Wie? Sie haben aus Millionen von Fahrten gelernt: „Dienstagmorgens staut es sich auf dieser Autobahn gegen 7:45 Uhr. Wenn es regnet, verlangsamt sich diese Route um 15 Minuten.“ Muster, die aus Daten gefunden wurden.
📧 Ihre E-Mails
Jede Spam-E-Mail, die nicht in Ihrem Posteingang landet? Maschinelles Lernen. Jede E-Mail, die automatisch in Ordner sortiert wird? Maschinelles Lernen. Ihre E-Mail-App hat aus Millionen von Beispielen gelernt, wie Spam aussieht und was speziell für Sie wichtig ist.
🎬 Ihre Unterhaltung
Netflix schlägt Sendungen vor. Spotify erstellt Playlists für Sie. YouTube empfiehlt Videos. Alles maschinelles Lernen. Sie haben gelernt: „Leute, die diese drei Sendungen gesehen haben, mögen normalerweise auch diese vierte Sendung. Leute, die diesen Künstler hören, mögen normalerweise auch diese anderen Künstler.“
🛒 Ihr Einkauf
„Kunden, die dies gekauft haben, kauften auch...“ Maschinelles Lernen. „Das könnte Ihnen auch gefallen...“ Maschinelles Lernen. Sogar die Preise, die Sie sehen, könnten durch maschinelles Lernen basierend auf Nachfragemustern angepasst werden.
🔒 Ihre Sicherheit
Ihre Kreditkartenfirma blockiert eine verdächtige Transaktion? Maschinelles Lernen hat ein Muster erkannt: „Diese Abbuchung passt nicht zum normalen Ausgabeverhalten dieser Person. Es könnte Betrug sein.“
All diese Systeme haben aus Beispielen gelernt. Sie haben Muster gefunden. Sie wurden mit Übung besser. Das ist maschinelles Lernen, das Ihr Leben dutzende Male am Tag berührt.
Die ehrlichen Grenzen (Was es nicht kann)
Maschinelles Lernen ist mächtig, aber es ist keine Magie. Lassen Sie mich ganz ehrlich sein, was es nicht kann.
Es kann nicht ohne Beispiele lernen
Man braucht Daten. Viele davon. Wollen Sie einem Computer beibringen, eine seltene Krankheit zu erkennen? Sie brauchen Tausende von Beispielen dieser Krankheit. Haben Sie die nicht? Dann können Sie das System nicht trainieren. So einfach ist das.
Es kann Kontext nicht wie Menschen verstehen
Ein Mensch sieht ein schneebedecktes „STOP“-Schild und weiß, dass es immer noch ein Stoppschild ist. Ein Computer erkennt es möglicherweise nicht, weil alle seine Trainingsbeispiele saubere, sichtbare Stoppschilder zeigten. Er hat das Muster für perfekte Stoppschilder gelernt, nicht das Konzept von „Stopp“.
Es kann seine Argumentation (normalerweise) nicht erklären
Fragen Sie einen Arzt, warum er glaubt, dass Sie die Grippe haben: „Sie haben Fieber, Gliederschmerzen und es ist Grippesaison.“ Klare Argumentation.
Fragen Sie die meisten KI-Systeme, warum sie eine Entscheidung getroffen haben: „Weil diese 47 Millionen Zahlen auf diese spezifischen Werte eingestellt sind.“ Nicht hilfreich.
Es wird Ihre Vorurteile lernen
Wenn Sie es mit voreingenommenen Daten trainieren, lernt es die Voreingenommenheit. Wenn historische Einstellungsdaten eine Voreingenommenheit gegenüber bestimmten Gruppen zeigen, lernt die KI, ebenfalls voreingenommen zu sein. Sie weiß es nicht besser. Sie lernt nur, was in den Daten steckt.
Es kann sich nicht an brandneue Situationen anpassen
Menschen sind darin großartig. Sie haben noch nie eine lila Giraffe gesehen, aber wenn Sie eine sähen, würden Sie sie als Giraffe erkennen, die zufällig lila ist.
Ein Computer, der auf normale Giraffen trainiert wurde, könnte von einer lila Giraffe völlig verwirrt sein. Sie war nicht in den Trainingsdaten enthalten. Das System weiß nicht, wie man so verallgemeinert.
Das sind keine kleinen Probleme. Sie sind fundamental für die Funktionsweise des maschinellen Lernens. Diese Grenzen zu verstehen ist genauso wichtig wie die Fähigkeiten zu verstehen.
Was Sie sich merken sollten
Wenn Ihnen das alles zu viel vorkommt, hier ist, was wirklich zählt:
- 1 Maschinelles Lernen ist Übung mit Feedback. Der Computer stellt Vermutungen an, prüft, ob sie richtig sind, passt sich an und wiederholt den Vorgang. Genau wie Sie alles durch Übung lernen würden.
- 2 Es gibt drei Haupttypen. Überwachtes (mit Lösungsbögen), unüberwachtes (eigenständiges Finden von Mustern) und verstärkendes Lernen (Lernen durch Ausprobieren). Jeder Typ eignet sich für unterschiedliche Probleme.
- 3 Es findet Muster, kein Verständnis. Der Computer „versteht“ es nicht. Er bemerkt nur: Wenn ich dieses Muster sehe, ist die Antwort normalerweise jene. Mächtig, aber nicht dasselbe wie menschliches Verständnis.
- 4 Sie benutzen es ständig. Ihre E-Mails, Ihre Karten, Ihre Unterhaltung, Ihre Einkäufe. Maschinelles Lernen berührt Ihr Leben dutzende Male am Tag.
- 5 Es hat echte Grenzen. Es braucht viele Daten. Es lernt Vorurteile. Es kann sich nicht leicht erklären. Es verallgemeinert nicht wie Menschen. Die Grenzen zu verstehen ist genauso wichtig wie die Fähigkeiten zu verstehen.
- 6 Es gibt verschiedene Ansätze. Die meiste KI passt Millionen von Zahlenreglern an. Einige Systeme lernen stattdessen logische Regeln. Verschiedene Werkzeuge für verschiedene Aufgaben.
Das Fazit
Maschinelles Lernen ist nicht geheimnisvoll. Es ist nur ein Computer, der durch Übung in etwas besser wird.
Zeigen Sie ihm Beispiele. Lassen Sie ihn Vermutungen anstellen. Sagen Sie ihm, wenn er falsch liegt. Beobachten Sie, wie er sich anpasst und verbessert. Wiederholen Sie das Tausende von Malen. Schließlich ist er in der Aufgabe richtig gut.
Es lernt nicht so, wie Sie Fahrrad fahren, lesen oder Freundschaften schließen gelernt haben. Es entwickelt kein Verständnis, keine Weisheit oder keinen gesunden Menschenverstand.
Es findet statistische Muster in Daten durch wiederholte Übung und Anpassung. Das ist alles. Aber in einem Maßstab, den Menschen nicht erreichen können, mit Millionen von Beispielen, erzeugt es wirklich nützliche Ergebnisse.
Ihr Spam-Filter funktioniert. Ihr Sprachassistent versteht Sie. Ihre Karten leiten Sie um den Verkehr herum. Alles, weil Computer an Millionen von Beispielen geübt haben, bis sie funktionierende Muster gefunden haben.
Das Wort „Lernen“ lässt es magisch klingen. Die Realität ist mathematisch. Aber diese Mathematik, in großem Maßstab praktiziert, verändert Ihr tägliches Leben.
Jetzt wissen Sie, wie es funktioniert. Das Geheimnis ist gelüftet. Maschinelles Lernen ist Mustererkennung durch Übung. Ein einfaches Konzept mit starker Wirkung. Und Sie nutzen es genau jetzt, während Sie diese Worte auf einem Gerät lesen, das voller Systeme ist, die gelernt haben, Ihr Leben einfacher zu machen.
Einige Unternehmen, wie Dweve, erforschen andere Wege des „Übens“, die über das bloße Anpassen von Zahlenskalen hinausgehen. Sie lernen logische Regeln anstelle von numerischen Gewichtungen. Sie finden Einschränkungen anstelle von Trainingsparametern. Unterschiedliche Ansätze für unterschiedliche Probleme. Denn maschinelles Lernen muss keine Einheitslösung sein.
Markiert mit
Über den Autor
Marc Filipan
CTO & Mitbegründer
Gestaltet die Zukunft der KI mit binären Netzen und Constraint-Reasoning. Leidenschaftlich für effiziente, zugängliche und transparente KI.