Machine Learning aus dem Unterricht des CAS Disruptive Technologies mit Marcel Blattner berichtet Michel Stucki.

Artificial Intelligence, Machine Learning oder auch Deep Learning. Alles Begriffe, die inflationär verwendet werden, um die Leistungsfähigkeit von Computersystemen zu dokumentieren und der breiten Masse vorzumachen, der Mensch könne bald vollständig durch Computer ersetzt werden. Ist das wirklich so? Was kann Machine Learning wirklich? Marcel Blattner vermittelt eindrücklich die wirkliche Leistungsfähigkeit von Machine Learning und vernichtet damit sicher die eine oder andere Illusion.

Was ist Machine learning wirklich?

Machine learning ist der Teil der Artificial Intelligence, welcher Maschinen ermöglicht, mittels statistischer Methoden basierend auf Erfahrungen zu lernen. Nachfolgend die grafische Einordnung.

Machine Learning

Zusammenspiel von Artifical Intelligence, Machine Learning und Deep Learning

Machine Learning benutzt Algorithmen, um bestehende Daten zu analysieren und daraus zu lernen. Ähnlich wie wir Menschen auch aus Erfahrungen lernen. Dazu ist aber eine grosse Anzahl von Beispielfällen notwendig, mit denen die Maschine „trainiert“ werden kann. Erst nach unzähligen Fällen ist die Maschine in der Lage, das Gelernte mehr oder weniger zuverlässig für Vorhersagen in realen Fällen zu verwenden. Dies wird beispielsweise bei Internetshops für die Ausspielung von Produktempfehlungen genutzt. Die Grenzen sind dabei sehr eng. Die Maschine kann genau das, wofür sie trainiert wurde. Ein „nachtrainieren“ ist dabei nicht möglich.

Arten von Machine Learning

  • Supervised Learning: dabei handelt es sich um unterstütztes oder begleitetes Lernen. Die Maschine wird nicht bloss mit den vorhandenen Daten sondern auch mit dem erwarteten Resultat trainiert. Dabei sind qualitativ gute Daten mit Labels wichtig.
  • Unsupervised Learning: die Maschine analysiert ausschliesslich die Daten und versucht, vom allgemeinen Rauschen abweichende Muster zu identifizieren und diese beispielsweise zu gruppieren.
  • Reinforcement Learning: anhand von positiven und negativen Belohnungen erlernt die Maschine die richtigen Massnahmen zur Optimierung der Zielerreichung einzusetzen. Deswegen spricht man auch von be- oder verstärkendem Lernen.

Möglichkeiten und Grenzen

Was aber nun kann Machine learning wirklich leisten? Sehr eindrücklich ist dabei der Versuch, einen Algorithmus ein Bild von 52 mal 52 Pixel in eine für ihn les- und verarbeitbare Codierung zu übersetzen. Um diese für den Menschen nachvollziehbar zu machen, wird der Code anschliessend wieder in ein Bild  übersetzt, automatisch mit dem Original verglichen und so der entstandene Fehler eruiert. Der Fehler dient als Feedback, mit welchem der Algorithmus lernen kann. Weil der Output gleich dem Input ist, spricht man auch von autoencoding.

Machine Learning

In diesem Testfall wandelt der Algorithmus das 52 Pixel Bild in die maschinenlesbare Form um. Anschliessend erfolgt die Rückumwandlung  und der Abgleich mit dem Original zur Fehlerermittlung.

Was mit einem 52 Pixel Bild, welches wir Menschen höchstens noch als Minilogo und kaum mehr als Bild taxieren, erscheint uns als einfache Aufgabe. In Tat und Wahrheit können wir  aber das Ergebnis nach der ersten Runde nur als Schatten erkennen, so schlecht ist es. Erst nach mehreren hundert Durchläufen erscheint so etwas wie das verschwommene Logo und ein brauchbares Ergebnis benötigt tausende von Durchläufen. Wieviel Zeit und Rechenleistung notwendig wäre, um ein Bild mit je 1028 Pixel zu verarbeiten, können wir uns schon gar nicht mehr vorstellen. Wir können uns aber sicherlich alle weit komplexere Aufgaben vorstellen, als die Erkennung eines Bildes mit 1028 Pixel. Dieses Beispiel zeigt die Grenzen der Machine Learning hervorragend auf.

Wichtigste Limitierungen

  • Maschinen können genau das, wofür sie trainiert wurden, nicht mehr und nicht weniger
  • Für komplexere Anwendungen werden entsprechend hohe Rechenleistungen gefordert
  • Der Stromverbrauch eines Algorithmus ist um Faktoren x höher als beim Gehirn für denselben Vorgang
  • Alles ist Logik basiert

Wichtigste Anwendungsbereiche

In der Produktion für

  • Vorausschauende Wartung
  • Absatzplanung
  • Prozessoptimierungen

Im Retail für

  • Vorausschauende Inventarisierung
  • Produktempfehlungen
  • Markt-Segmentationen

Im Gesundheitswesen für

  • Patientendiagnosen
  • Triage der Patienten
  • Vorsorge

Im Finanzbereich für

  • Credit Scoring
  • Risiko Analyse
  • Kundensegmentierung

Im  Energiebereich  für

  • Optimierung des Stromverbrauchs
  • intelligente Netze (smart grid)
  • Prognose des Energiebedarfs

Es gibt bereits viele Anwendungsbereiche mit unterschiedlichem Erfolg. Machine Learning ist also nicht mehr wegzudenken. Aber es bleibt eine rein logikbasierte Anwendung und kann mit den Möglichkeiten des menschlichen Gehirns bei weitem nicht mithalten. Dies wird auch in absehbarer Zeit so bleiben. Machine Learning ist also weit weg von einem Wunderding.