Was ist Machine Learning, worum geht es und welche Ziele hat es?

Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, der sich mit der Nachahmung des menschlichen Denkens befasst, indem eine Maschine in die Lage versetzt wird, aus einem Verhalten und damit aus historischen Daten zu lernen.

Bevor Sie diesen Artikel lesen, empfehlen wir Ihnen, ihn zu lesen Was ist das? Data Science, was es tut und mit welchen Zielen

Eine durch einen maschinellen Lernalgorithmus animierte Maschine durchlief vor der Inbetriebnahme eine Lernphase, das heißt Lernen, besser bekannt als Training. In dieser Phase untersucht die Maschine die bereitgestellten historischen Daten.

Bevor wir auf die Vorzüge des maschinellen Lernens und die Unterschiede zwischen klassischer Programmierung und maschinellem Lernen eingehen, sehen wir uns ein Beispiel an, das uns sicherlich helfen wird, es besser zu verstehen.

Beispiel für maschinelles Lernen

Angenommen, wir übermitteln einem unserer Programme Informationen über Fahrzeiten auf der Autobahn bei besten Verkehrsbedingungen, um einen Algorithmus anzuweisen, der in der Lage ist, auf uns zu reagieren, als wäre er ein Sprachassistent.

Für jeden Pfad werden wir die folgenden Informationen an den Algorithmus übermitteln:

1. Abfahrtsort und Ankunftsort
2. verwendetes Verkehrsmittel unter Angabe des Hubraums und der Antriebsart (Elektro, Hybrid, Diesel etc.)
3. Gesamtfahrzeit

Dann sagen wir der Maschine über den Sprachassistenten:

• von Turin nach Mailand mit 1000 Motor- und Benzinautos fuhren wir 1 Stunde und 20 Minuten
• von Turin nach Mailand mit 2000 Hubraum und Benzin fuhren wir 50 Minuten
• Wir sind mit 2000 Motor- und Elektroautos 40 Minuten von Turin nach Mailand gefahren
• Wir sind mit 1200 Benzinmotorrädern 50 Minuten von Turin nach Mailand gefahren
• … usw …

Da wir die Daten per Sprachassistent übermittelt haben, wird unser Programm eine Tabelle dieses Typs füttern:

Wenn unsere Maschine schließlich von einem maschinellen Lernalgorithmus animiert wäre, hätte sie aus den bereitgestellten Informationen gelernt und würde daher ein Ergebnis in Form der Reisezeit vorhersagen. Wir können daher eine Frage zu unserem Programm stellen: "von Turin nach Mailand mit 1000 Autos und Diesel ... wie lange dauert es?"

Das Beispiel ist ungenau, aber eher realistisch. Es hilft jedoch, den Zweck des maschinellen Lernens zusammenzufassen.

Lassen Sie uns anhand des Beispiels versuchen, den Unterschied zwischen klassischer Programmierung und maschinellem Lernen zu erkennen.

Was würde in der klassischen Programmierung passieren

Traditionell muss der Programmierer, der klassischen Code schreibt:

1. das ihm gestellte Problem lösen;
2. Schreiben Sie einen "detaillierten" Algorithmus zur Lösung des Problems.
3. Schreiben Sie den Code, der den Algorithmus implementiert;
4. Testen Sie den geschriebenen Code und vergewissern Sie sich, dass er korrekt funktioniert.

Dann wird die Intelligenz des Menschen genutzt, um den Programmcode zu schreiben, der das Problem lösen kann.

In diesem Fall muss der Programmierer über ein System nachdenken, um die erhaltenen Informationen zu speichern und zu strukturieren. Wenn anschließend der Bediener der mit klassischer Programmierung geschriebenen Anwendung die Frage stellt, antwortet die Maschine mit den nächsten bekannten Informationen, die den gespeicherten ähnlicher sind.

Was beim maschinellen Lernen passiert

Beim maschinellen Lernen ist es diekünstliche Intelligenz des Programms, das in der Lage ist, die historischen Daten zu studieren, um das Modell zu erstellen, das zur Lösung des Problems angewendet werden soll, und schließlich stellt die Maschine das Modell dem Programmierer zur Verfügung.

In einer durch maschinelles Lernen animierten Maschine lernt das Programm selbst, Reisezeiten vorherzusagen, da die Maschine vor der Inbetriebnahme eine Lernphase durchlaufen hat. Dann hat die Maschine gelernt, mit den vernünftigsten Informationen zu antworten, die der Realität am nächsten kommen, basierend auf der vom Modell diktierten und interpretierten Logik.

Beim maschinellen Lernen wird das Modell zum Kern des Prozesses. Einmal generiert und gebildet, kann es verfügbar gehalten werden. Jede neue Abfrage mit neuen Daten im gleichen Format wie die für das Training verwendeten führt zu einem neuen Ergebnis.

Und der Data Scientist?

Die Rolle des Data Scientist ändert sich leicht, d. h. er muss das Programm bis zur Generierung des Modells durch die Trainingsphase begleiten. Dazu kümmert er sich um die Auswahl der Strategien, die Planung der Ziele, die Aufbereitung der Daten und vor allem um das Testen des Modells auf Wirksamkeit und Verbesserungsmöglichkeiten.

Dieser Prozess könnte iteriert und mehrmals wiederholt werden, mit dem Ziel, jeder Iteration verbesserte und reale Elemente hinzuzufügen. Auf diese Weise kommen Sie der optimalen Lösung für nachfolgende Schritte näher, verbessern das Training, verbessern den Test und damit die Maschine.

Das ultimative Ziel ist immer, ein Modell zu erstellen, das historische Daten kennt, ihre Logik und Muster versteht und daher in der Lage ist, das Ergebnis zukünftiger Situationen vorherzusagen.

Ercole Palmeri: Innovationssüchtig