Die Intelligenz in der Maschine

in kurzer Crashkurs für den möglicherweise größten Innovations- und Technologietreiber unserer disruptiven Zeit

von Andreas Fuhrich

Wer dem KI-Diskurs folgt, stößt dabei häufig auf Begriffe, wie Machine Learning, Deep Learning, Neuronale Netze usw. Was es mit den verschiedenen Begriffen auf sich hat und worin sie sich unterscheiden, soll hier erläutert und an praxisnahen Beispielen verdeutlicht werden. Dabei kann und will der Text nicht mehr als ein grobes Verständnis vermitteln.

I. Grundlagen: Maschinelles Lernen und Entscheidungsbäume

Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann daraus Verallgemeinerungen ableiten. Dabei werden nicht einfach Beispiele auswendig gelernt, sondern Muster darin erkannt. Auf diese Weise kann ein System auch zuvor unbekannte Daten auf diese Muster durchsuchen und eine entsprechende Aussage treffen. Um dies zu ermöglichen, wurden verschiedene Modelle entwickelt, die sich nicht notwendigerweise ausschließen, sondern auch miteinander verknüpft werden können. Im Folgenden sollen einige dieser Modelle vorgestellt werden:

Entscheidungsbäume

Was ein Entscheidungsbaum ist, lässt sich am besten an Hand eines einfachen Beispiels erklären.
Angenommen ein Programm soll entscheiden, ob einem Kunden ein Kredit gewährt wird. Hierzu benötigt das Programm natürlich einige Daten: Hat der Kunde einen Schufaeintrag? Welches Einkommen hat er? Und welche Rücklagen?