Maschinelles Lernen: Grundlagen und Beispiele

Massive Rechenleistung und gigantische Datenmengen eröffnen dem maschinellen Lernen ungeahnte Möglichkeiten. Profitieren können davon fast alle Branchen.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Maschinelles Lernen: Grundlagen und Beispiele
Lesezeit: 12 Min.
Von
  • Eldar Sultanow
Inhaltsverzeichnis

Leistungsfähige Hardware und die Cloud haben frischen Wind in das maschinelle Lernen gebracht, eine der ältesten Ausprägungen künstlicher Intelligenz. Maschinelles Lernen erschließt in großen Datenmengen Muster und Gesetzmäßigkeiten, die mit herkömmlichen Mitteln nicht aufzufinden sind. Die Ergebnisse aus solchen Analysen dürften viele industrielle und administrative Anwendungen deutlich voranbringen.

Der Begriff "Artificial Intelligence" fiel laut verschiedenen Webquellen erstmals 1954 auf einer wissenschaftlichen Konferenz in Dartmouth, Massachusetts. Eine erste Definition lieferte im Jahr 1966 der Wissenschaftler Marvin Minsky, der als einer der Gründungsväter der KI gilt: "Künstliche Intelligenz liegt dann vor, wenn Maschinen Dinge tun, für deren Ausführung man beim Menschen Intelligenz unterstellt".

Mehr zum Thema Machine Learning

Das ist natürlich recht vage, und folglich geht es bei den Einordnungen munter durcheinander. Eine wesentliche Unterscheidung lässt sich jedoch festhalten, nämlich die zwischen schwacher KI (weak AI, auch narrow AI genannt) und starker KI (strong AI). Während schwache KI sich auf definierte Gebiete beschränkt, kann starke KI "menschlich" denken. Schwache KI lässt sich nur für bestimmte Aufgaben optimieren und anwenden. Sie erledigt ihren jeweiligen Job algorithmisch etwa mithilfe neuronaler Netze so, wie Menschen es tun würden, erkennt also beispielsweise Bild und Sprache. Denken kann sie hingegen nicht. Ein Beispiel hierfür ist IBMs Deep Blue: Die Engine besiegte Großmeister im Schach, lieferte jedoch nur wenige Erkenntnisse über menschliche Kognition.