Daten intelligent verknüpfen
mit Machine Learning
Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung. Das Ziel von Machine Learning ist es, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Rückschlüsse zu ziehen und Vorhersagen zu treffen – weit über einfache Big Data Analysen hinaus.
Anwendungen von Machine Learning
- Automatisierte Diagnoseverfahren
- Erkennung von Kreditkartenbetrug
- Aktienmarktanalysen
- Klassifikation von Nukleotidsequenzen
- Sprach- und Texterkennung
- Autonome Systeme
Ein skalierbares System für Machine Learning
Im Rahmen von Machine Learning befähigt man Computer zum Lernen, ohne diese vorher explizit auf bestimmte Details programmiert zu haben. Dabei erkennt ein Computer in den zur Verfügung gestellten Daten selbstständig Muster und Gesetzmäßigkeiten. Nach Abschluss der Lernphase werden die gemachten Erfahrung verallgemeinert, d.h. in Wissen umgewandelt, welches dann als Transfer auf neue Datensätze angewendet werden kann. Entsprechend wichtig ist Machine Learning zur Realisierung von künstlicher Intelligenz, denn in seiner Essenz ist Intelligenz nichts anderes als Lernen.
So wie Menschen lernen zu kommunizieren, bestimmte Muster (beispielsweise in Form von Grammatik) zu erkennen oder die Regeln beim Autofahren zu berücksichtigen, können Maschinen darin geschult werden, um dann die damit verbundenen Aufgaben selbstständig zu übernehmen. Da Künstliche-Intelligenz-Systeme somit i.d.R. auf Machine Learning basieren, findet man häufig eine synonyme Verwendung der beiden Begriffe. Hier verstehen wir Machine Learning vor allem als notwendige Voraussetzung für künstliche Intelligenz.
