Ein Algorithmus für maschinelles Lernen ist eine Reihe von Regeln oder Prozessen, die von einem KI-System verwendet werden, um Aufgaben auszuführen – meistens, um neue Datenerkenntnisse und -muster zu entdecken oder um Ausgabewerte aus einem gegebenen Satz von Eingabevariablen vorherzusagen. Algorithmen ermöglichen es dem maschinellen Lernen (ML) zu lernen.
Branchenanalysten sind sich über die Bedeutung des maschinellen Lernens und der zugrunde liegenden Algorithmen einig. Forrester: „Fortschritte bei den Algorithmen des maschinellen Lernens bringen Präzision und Tiefe in die Analyse von Marketingdaten, die Vermarktern helfen zu verstehen, wie Marketingdetails – wie Plattform, Kreativität, Call-to-Action oder Messaging – die Marketingleistung beeinflussen.1“ Gartner stellt fest, dass „maschinelles Lernen der Kern vieler erfolgreicher KI-Anwendungen ist, was ihre enorme Zugkraft auf dem Markt fördert.2“
In den meisten Fällen liefert das Training von ML-Algorithmen mit mehr Daten genauere Antworten als das Training mit weniger Daten. Mithilfe statistischer Methoden werden Algorithmen darauf trainiert, Klassifizierungen zu ermitteln oder Vorhersagen zu treffen und wichtige Erkenntnisse in Data-Mining-Projekten zu gewinnen. Diese Erkenntnisse können anschließend Ihre Entscheidungsfindung verbessern, um wichtige Wachstumskennzahlen zu steigern.
Zu den Anwendungsfällen für Algorithmen des maschinellen Lernens gehört die Fähigkeit, Daten zu analysieren, um Trends zu erkennen und Probleme vorherzusagen, bevor sie auftreten.3 Fortschrittlichere KI kann einen personalisierteren Support ermöglichen, Reaktionszeiten verkürzen, Spracherkennung bieten und die Kundenzufriedenheit verbessern. Zu den Branchen, die besonders von Algorithmen des maschinellen Lernens profitieren, um aus riesigen Datenmengen neue Inhalte zu erstellen, gehören das Lieferkettenmanagement, Transport und Logistik, der Einzelhandel und die Fertigung4 – sie alle nutzen generative KI, um Aufgaben zu automatisieren, die Effizienz zu steigern und selbst Anfängern wertvolle Erkenntnisse zu vermitteln.
Mit der IBM KI- und Datenplattform der nächsten Generation können Sie die Leistung von KI in Ihrem Unternehmen erheblich steigern.
IBM Newsletter abonnieren
Deep Learning ist eine spezifische Anwendung der fortgeschrittenen Funktionen von Algorithmen des maschinellen Lernens. Der Unterschied besteht darin, wie jeder Algorithmus lernt. „Deep“ Modelle für maschinelles Lernen können Ihre markierten Datensätze, auch bekannt als überwachtes Lernen, verwenden, um ihren Algorithmus zu informieren, aber sie benötigen nicht unbedingt markierte Daten. Deep Learning kann unstrukturierte Daten in ihrer Rohform (wie Text oder Bilder) aufnehmen und automatisch die Merkmale ermitteln, die verschiedene Datenkategorien voneinander unterscheiden. Dadurch entfällt ein Teil des erforderlichen menschlichen Eingreifens und ermöglicht die Nutzung größerer Datensätze.
Die einfachste Art, über künstliche Intelligenz, maschinelles Lernen, Deep Learning und neuronale Netze nachzudenken, ist, sie als eine Reihe von KI-Systemen vom größten zum kleinsten zu betrachten, von denen jedes das nächste umfasst. Künstliche Intelligenz (KI) ist das übergreifende System. Maschinelles Lernen ist eine Teilmenge der KI. Deep Learning ist ein Unterfeld des maschinellen Lernens, und neuronale Netze bilden das Rückgrat von Deep-Learning-Algorithmen. Die Anzahl der Knotenschichten bzw. die Tiefe der neuronalen Netze unterscheidet ein einzelnes neuronales Netz von einem Deep-Learning-Algorithmus, der mehr als drei Schichten haben muss.
In einem Artikel der UC Berkeley wird das Lernsystem eines Algorithmus für maschinelles Lernen in drei Hauptteile unterteilt.5
3. Ein Modelloptimierungsprozess: Wenn das Modell besser an die Datenpunkte im Trainingssatz angepasst werden kann, werden die Gewichtungen angepasst, um die Abweichung zwischen dem bekannten Beispiel und der Modellschätzung zu reduzieren. Der Algorithmus wiederholt diesen „Bewertungs- und Optimierungs“-Prozess und aktualisiert die Gewichte selbstständig, bis eine bestimmte Genauigkeitsschwelle erreicht ist.
Insbesondere beim überwachten Lernen wird eine Trainingsmenge verwendet, um Modelle so zu trainieren, dass sie die gewünschte Ausgabe liefern. Dieser Trainings-Datensatz enthält Eingaben und korrekte Ausgaben, mit denen das Modell im Laufe der Zeit lernen kann. Der Algorithmus misst seine Genauigkeit durch die Verlustfunktion und passt sich so lange an, bis der Fehler ausreichend minimiert wurde.
Es gibt vier Arten von Algorithmen für maschinelles Lernen: überwacht, unbeaufsichtigt, halbüberwacht und Verstärkung. Abhängig von Ihrem Budget, dem Bedarf an Geschwindigkeit und Präzision hat jede Art und jede Variante ihre eigenen Vorteile. Fortgeschrittene Algorithmen des maschinellen Lernens erfordern mehrere Technologien – darunter Deep Learning, neuronale Netze und die Verarbeitung natürlicher Sprache – und sind in der Lage, sowohl unbeaufsichtigtes als auch beaufsichtigtes Lernen zu nutzen.6 Im Folgenden sind die beliebtesten und am häufigsten verwendeten Algorithmen aufgeführt.
Überwachtes Lernen kann bei Data Mining in zwei Arten von Problemen unterteilt werden: Klassifizierung und Regression.
In überwachten maschinellen Lernprozessen werden verschiedene Algorithmen und Berechnungstechniken verwendet, die häufig mithilfe von Programmen wie Python berechnet werden. Überwachte Lernalgorithmen:
Im Gegensatz zu überwachtem Lernen verwendet unüberwachtes Lernen nicht gekennzeichnete Daten. Aus diesen Daten erkennt der Algorithmus Muster, die bei der Lösung von Clustering- oder Zuordnungsproblemen helfen. Dies ist besonders nützlich, wenn Fachexperten sich über gemeinsame Eigenschaften innerhalb eines Datensatzes nicht sicher sind. Gemeinsame Clustering-Algorithmen sind hierarchische, K-Means-, Gauß'sche Mischungsmodelle und Dimensionalitätsreduzierungsmethoden wie PCA und t-SNE.
Halbüberwachte Lernalgorithmen
In diesem Fall findet das Lernen statt, wenn nur ein Teil der gegebenen Eingabedaten gekennzeichnet wurde – was dem Algorithmus einen gewissen „Vorsprung“ verschafft. Dieser Ansatz kann das Beste aus beiden Welten kombinieren10 – verbesserte Genauigkeit im Zusammenhang mit überwachtem maschinellem Lernen und die Möglichkeit, kosteneffiziente unmarkierte Daten zu nutzen, wie im Fall des unüberwachten maschinellen Lernens.
Verstärkungsalgorithmen
In diesem Fall werden die Algorithmen so trainiert, wie Menschen lernen – durch Belohnungen und Strafen –, die von einem Reinforcement-Learning-Agenten11 gemessen und verfolgt werden, der ein allgemeines Verständnis für die Wahrscheinlichkeit hat, den Punktestand erfolgreich nach oben oder nach unten zu verschieben. Durch Versuch und Irrtum lernt der Agent, Maßnahmen zu ergreifen, die im Laufe der Zeit zu den günstigsten Ergebnissen führen. Reinforcement Learning wird häufig in den Bereichen Ressourcenmanagement, Robotertechnik und Videospiele eingesetzt12 .
Entwerfen Sie komplexe neuronale Netze. Experimentieren Sie im großen Maßstab, um optimierte Lernmodelle in IBM Watson Studio bereitzustellen.
Analysieren Sie Daten und erstellen Sie Analysen und Vorhersagemodelle für zukünftige Ergebnisse. Entdecken Sie Risiken und Chancen für Ihr Unternehmen.
NLP ist KI, die die Sprache Ihres Unternehmens spricht. Erstellen Sie mit IBM Watson Discovery Lösungen, die innerhalb von drei Jahren einen ROI von 383 % erzielen.
Lernen Sie die grundlegenden Konzepte für KI und generative KI kennen, einschließlich Prompt Engineering, große Sprachmodelle und die besten Open-Source-Projekte.
IBM wurde im Gartner® Magic Quadrant 2023 für dialogorientierte KI-Unternehmensplattformen erneut als „führend“ ausgezeichnet.
Lernen Sie die Tools kennen, die Unternehmen zur effizienten Ausführung und Verwaltung von KI-Modellen verwenden, und geben Sie ihren Data Scientists Technologien an die Hand, mit denen sie ihre datengestützte Entscheidungsfindung optimieren können.
Entdecken Sie, wie Sie durch maschinelles Lernen kontinuierlich aus Daten lernen und die Zukunft vorhersagen können.
Vier Strategien zur Skalierung von KI mit einer starken Datengrundlage.
Die KI-Technologie hat sich in den letzten Jahrzehnten rasant weiterentwickelt. Erfahren Sie, wie Unternehmen KI heute implementieren.
Alle Fußnotenlinks unten befinden sich außerhalb von IBM.
1 Forrester: Use Marketing Analytics To Support Your 2023 Marketing Strategy
2 Gartner: What Is Artificial Intelligence?
3 Gartner Peer Community: How will AI help facilitate desk and IT support teams?
4 IDC: Generative AI: Exploring Trends and Use Cases Across Asia/Pacific Supply Chains
5 Berkeley School of information: What Is Machine Learning (ML)?
6 Gartner Glossar: Machine Learning
7 TechTarget: What are machine learning algorithms?
8 GeeksforGeeks: Hierarchical Clustering in Data Mining
9 Stanford University: K Means
10 Booz Allen: How do machines learn?
11 G2: Reinforcement Learning: How Machines Learn From Their Mistakes
12 TechTarget: What is machine learning and how does it work?