Machine-Learning:
Vier Schritte: So trainiert man eine künstliche Intelligenz

Während wir Menschen durch Reize lernen, lernt der Algorithmus durch Daten. Doch wie geht Machine-Learning genau: in vier Schritten zur künstlichen Intelligenz.

Text: Verena Gründel

11. September 2018

„Durch die Entwicklung von KI lernen wir viel über uns selbst, unser Gehirn und wie wichtig es ist, vorurteilsfrei und auf einer differenzierten Datengrundlage zu entscheiden,“ sagt der KI-Experte Julian Kramer.
Foto: W&V

Algorithmen sind die Basis alles Digitalen. Es sind Schritt-für-Schritt-Anleitungen, mit denen ein bestimmtes Problem gelöst oder eine Aufgabe bewältigt werden kann. Die meisten Algorithmen sind heute von Hand geschrieben und hard-coded, folgen also starren, unveränderlichen Prinzipien.

Nun ist es aber unmöglich, die reale Welt mit ihren unzähligen Möglichkeiten und Situationen in handgeschriebenen Regeln abzubilden. An dem Punkt werden Algorithmen entwickelt, die selbst lernen und in kurzer Zeit viel komplexere Sachverhalte verarbeiten können, als der Mensch es in einzelnen Regeln abbilden könnte.

Daten sind die Erfahrungen der Algorithmen

Dann sprechen wir von künstlicher Intelligenz. Darunter versteht man künstliche neuronale Netze aus Algorithmen, die mit Daten trainiert wurden – in einem Prozess namens Machine-Learning. Während wir Menschen durch Reize lernen – also durch Sehen, Hören, Riechen, Schmecken und Fühlen – lernt der Algorithmus durch Daten.

„Für Maschinen sind Daten dasselbe wie für uns Erfahrungen“, erklärt Julian Kramer, Chief Experience Ambassador bei Adobe. Die Daten, die der Mensch den selbstlernenden Algorithmen im Training zur Verfügung stellt, bestimmen, was die KI am Ende kann oder weiß. Sprich: je besser die Daten, umso besser die KI. Und: Wer seine Algorithmen mit sauberen Daten trainiert, verhindert, dass sie Fehler lernen.

Die vier Schritte des Machine-Learning

Aber was braucht man nun konkret für Machine-Learning und KI? Das Ganze funktioniert vereinfacht in vier Schritten:

Man setzt ein untrainiertes Modell auf, sprich ein neuronales Netz an selbstlernenden Algorithmen.
Man gibt einen Satz Trainingsdaten hinzu, mit dem man den Algorithmus zur Lösung eines Problems trainieren will.
Das trainierte Modell wird dann mit einem noch nicht verwendeten Teil des Trainingsdatensatzes auf seine Funktionsfähigkeit überprüft.
Danach ist das Training abgeschlossen und die frisch gebackene KI kann mit neuen Daten gefüttert werden. Die arbeitet sie ab, ähnlich wie ein gut trainierter Drogenspürhund, der seine Arbeit aufnimmt.

Eine KI hat ausgelernt

Eine künstliche Intelligenz kann theoretisch unendlich weiter lernen. In der Praxis ist ihr Lernprozess aber normalerweise irgendwann abgeschlossen. Erst dann setzt man sie ein. Irgendwann wird sie vermutlich durch einen verbesserten Algorithmus ersetzt. Lebenslanges Lernen ist für eine KI also per Definition nicht notwendig.

Es sei ein Missverständnis, dass sich Algorithmen im Einsatz weiterentwickeln, sagt Julian Kramer. Dem sei aktuell nicht so. Sie optimieren zwar vielleicht immer wieder das Ergebnis, weshalb es so wirken könnte, als lernten sie dazu. In Wirklichkeit aber entwickeln sie sich selbst nicht weiter, sondern werden, wenn nötig, von einem Nachfolge-Algorithmus ersetzt.

Noch mehr zu künstlicher Intelligenz, welche verschiedenen Formen es gibt, welche drei Arten von maschinellen Lernen genutzt werden und was die Erfolgsvoraussetzungen von KI im Marketing sind, lesen Sie in Ausgabe 37 der W&V, der Dmexco-Ausgabe. Sichern Sie sich Ihr Exemplar an unserem Messestand D 048 in Halle 8. Mehr zum Digitalmarketing finden Sie in unserem Dmexco-Special.