|
Das Ziel von
Automatisiertem Maschinellen Lernen ist es, Algorithmen aus dem Bereich
des Maschinelles Lernens (ML) und Systeme, welche diese verwenden, automatisch
für bestimmte Anwendungsfälle auszuwählen, zu konfigurieren und
zu kalibrieren.
Damit ermöglicht man Menschen mit begrenzter
ML-Expertise, solche Algorithmen und Systeme effektiv einzusetzen, und
ML-Fachleuten, bessere Ergebnisse mit weniger Aufwand zu erzielen.
Die größte Errungenschaft in AutoML?
AutoML-Methoden werden immer stärker in der
Forschung und in der Wirtschaft eingesetzt. Dennoch handelt es sich hier noch
um einen neuen Ansatz, dessen größere Erfolge sich erst in den
nächsten Jahren zeigen werden.
Deep Learning
Deep Learning
bezeichnet eine Methode des Maschinellen Lernens, die künstliche Neuronale
Netze mit zahlreichen Zwischenschichten (hidden layers) zwischen Eingabe- und
Ausgabeschicht einsetzt und so eine umfangreiche Struktur herausbildet.
Es ist eine spezielle Methode der
Informationsverarbeitung. Die notwendige Anzahl von Ebenen, ab denen man von
Deep Learning spricht, ist nicht genau festgelegt.
Die in der Anfangszeit der Künstlichen Intelligenz
gelösten Probleme waren für den Menschen intellektuell schwierig,
aber für Computer einfach zu verarbeiten.
Diese Probleme ließen sich durch formale
mathematische Regeln beschreiben. Die wahre Herausforderung an die KI bestand
jedoch in der Lösung von Aufgaben, die für die Menschen leicht
durchzuführen sind, deren Lösung sich schwer durch mathematische
Regeln formulieren lassen.
Dies sind Aufgaben, die der Mensch intuitiv löst, wie
z.B. die Sprach- oder die Gesichtserkennung.
Eine computerbasierte Lösung für diese Art von
Aufgaben beinhaltet die Fähigkeit von Computern, aus der Erfahrung zu
lernen und die Welt in Bezug auf eine Hierarchie von Konzepten zu
verstehen.
Hierbei ist jedes Konzept
durch seine Beziehung zu einfacheren Konzepten definiert. Durch das Sammeln von
Wissen aus der Erfahrung vermeidet dieser Ansatz die Notwendigkeit für die
menschlichen Bediener, all das Wissen, das der Computer für seine Arbeit
benötigt, formal spezifizieren zu müssen.
Die Hierarchie der Konzepte erlaubt es dem Computer,
komplizierte Konzepte zu erlernen, indem er sie aus einfacheren zusammensetzt.
Wenn man ein Diagramm zeichnet, das zeigt, wie diese Konzepte übereinander
aufgebaut werden, dann ist das Diagramm tief, mit vielen Schichten.
Aus diesem Grund wird dieser Ansatz in der
künstlichen Intelligenz „Deep Learning” genannt. Es ist
schwierig für einen Computer, die Bedeutung von rohen sensorischen
Eingangsdaten zu verstehen, wie beispielsweise in der Handschrifterkennung, wo
ein Text nur als eine Sammlung von Bildpunkten existiert.
Die Überführung einer Menge von Bildpunkten in
eine Kette von Ziffern und Buchstaben ist kompliziert! Komplexe Muster
müssen aus Rohdaten extrahiert werden.
Das Lernen oder Auswerten dieser Zuordnung scheint
unüberwindbar schwierig, wenn sie manuell programmiert werden würde.
Eine der häufigsten
Techniken in der Künstlichen Intelligenz ist das Maschinelle Lernen.
Maschinelles Lernen ist ein selbstadaptiver Algorithmus. Deep Learning,
eine Teilmenge des Maschinellen Lernens, nutzt eine Reihe hierarchischer
Schichten bzw. eine Hierarchie von Konzepten, um den Prozeß des
Maschinellen Lernens durchzuführen. |