Unser Ansatz für maschinelles Lernen

Zweifellos wird immer offensichtlicher, dass künstliche Intelligenz (KI) immer mehr unsere Gesellschaft und unsere Art, in dieser zu leben maßgeblich beeinflusst. Das vollkommen autonom fahrende Auto, selbstlernende Smartphones und Roboter und intelligente Programme, die Ärzten bei ihrer Diagnose helfen, sind keine bloße Zukunftsvision mehr, sondern werden mehr und mehr technologische Realität. Die derzeitig verwendeten Verfahren des maschinellen Lernens (ML) haben bereits vieles mit der Art und Weise, wie unser menschliches Gehirn arbeitet, gemeinsam.

Zwar sind Computer, im Gegensatz zu uns Menschen, in der Lage, sehr viele hoch genaue Berechnungen in beliebig hoch dimensionalen Räumen in einer Sekunden durchzuführen, jedoch ist das Lernen von Menschen dem der Computer in vielen Aspekten weit überlegen.

Z.B. kann menschliches Lernen kontinuierlich Wissen akkumulieren und sich zufällig ändernden Einflüssen aus der Umgebung anpassen. Die menschlichen Fähigkeiten sind nicht auf einen einzigen bestimmten Zweck trainiert, sondern zunächst einmal sehr universell, können aber auch durch langes Lernen spezialisiert werden. Dennoch kann in dieser Lernphase das Verarbeiten neuer Informationen in Sekunden erfolgen. Außerdem haben die Menschen die Fähigkeit des aktiven Lernens. Wir können gezielt Fragen stellen, um besonders relevante Informationen zu bekommen und wir können zwischen Wichtigem und Unwichtigem unterscheiden. Intuitiv können wir fehlende Informationen ergänzen und haben ein Gefühl für die Wahrscheinlichkeit einer richtigen Antwort auf eine Frage. Dabei kommt es den Menschen nicht so sehr auf eine möglichst genaue Vorhersage aufgrund der erlernten Erfahrungen an, sondern es genügt häufig eine ungefähre Abschätzung.

All diese Fähigkeiten macht menschliches Lernen effektiver, effizienter und schneller im Vergleich zum maschinellen Lernen. Wird maschinelles Lernen um diese Fähigkeiten erweitert, kann die Vorhersagewahrscheinlichkeit der richtigen Antworten um ein Vielfaches gesteigert und der Speicher- und Rechenbedarf drastisch reduziert werden, so dass neue Anwendungsbereiche der künstlichen Intelligenz kostengünstig erschlossen werden können.

Mit unseren erweiterten ML-Methoden lässt sich der wertvolle Datenschatz in den Unternehmen heben und in neue Informationen umwandeln. So sind vorausschauende Service- und Wartungskonzepte (Predictive Maintenance), Qualitätsverbesserungen (Predictive Quality), Produktivitätssteigerungen (Predictive Efficiency) oder ML-basierte Anomalie-Erkennungen, usw. möglich.