Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Computer&AUTOMATION · PORTRÄT EINER BRANCHE 2020 21 19 ligentes menschliches Verhalten nachzubilden oder zu übertreffen durch das Trainieren eines Computers um das gewünschte Verhalten zu erlernen Ein technisches System soll also in die Lage versetzt werden eine bestimmte Aufgabe zu bewältigen Traditionell bedeutete dies ein Programm für einen Computer zu erstellen das Daten verarbeitet und die gewünschte Ausgabe liefert Dies ist ein deterministischer Prozess Aktuelle KI-Technologien Machine Learning Deep Learning und Reinforcement Learning kehren diesen Ansatz um Man füttert einen Computer mit Daten und trainiert ihn mit je nach Methode und Modell unterschiedlichen mathematischen Verfahren um aus diesen Daten ein sinnvolles Ergebnis zu ermitteln Computer erzeugen mit solchen Verfahren die gewünschte Ausgabe indem sie die richtigen Modellparameter erlernen aber die Aussage dass sich ein Computer selbst programmiert ist nicht zutreffend Der Vorgang der Verarbeitung und Interpretation der Daten besteht nicht aus einer bestimmten Folge von Operationen wie bei einem traditionellen Programm oder Algorithmus Letztendlich sind KI-Modelle und -Verfahren im Wesentlichen Black Boxes die auf bestimmte Weise unter Einsatz mathematischer Methoden lernen und trainiert werden Daten sinnvoll zu verarbeiten und zu interpretieren Dies ist kein hart deterministischer Prozess und es verbleibt ein Restfehler wie bei menschlichen Erkennungsund Verarbeitungsprozessen auch Diesen Restfehler gilt es zu minimieren und die Prozessgeschwindigkeit zu erhöhen sodass ein KI-System für bestimmte ausgewählte Aufgaben mit dem menschlichen Vermögen gleichzieht oder dieses übertrifft Machine Learning Die Technik zur Datenanalyse Machine Learning ist eine Technik zur Datenanalyse mit der Computer die Fähigkeit erwerben aus Erfahrung zu lernen Machine-Learning-Algorithmen verwenden rechnergestützte Methoden um Informationen direkt aus Daten zu lernen ohne eine vorgegebene Gleichung als Modell zu nutzen Mit wachsender Anzahl von Stichproben die zum Lernen zur Verfügung stehen steigern diese Algorithmen adaptiv ihre Leistung Machine-Learning-Algorithmen finden natürliche Muster in Daten die Erkenntnisse generieren und die Entscheidungsfindung sowie Prognosen unterstützen können Anwendungsbereiche sind beispielsweise medizinische Diagnosen Börsenhandel Vorhersagen von Stromlasten Machine Learning verwendet zwei Arten von Techniken ● überwachtes Lernen Erstellung und Training von Modellen für Prognosen anhand von bekannten Eingabeund Antwortdaten sowie ● nicht überwachtes Lernen mit dem verborgene Muster oder innere Strukturen in Eingabedaten gefunden werden Ein Algorithmus des überwachten Machine Learning verwendet eine bekannte Menge von Eingabeund Ausgabedaten den sogenannten Trainingsdatensatz um damit ein Modell so zu trainieren dass dieses Modell fundierte Vorhersagen der Antwortwerte für neue Datensätze treffen kann Die Verwendung größerer Trainingsdatensätze und die Optimierung von Modell-Hyperparametern kann oft die Vorhersagekraft des Modells erhöhen und sicherstellen dass es für neue Datensätze gut verallgemeinert werden kann Klassifikationsund Regressionstechniken Beim überwachten Lernen werden Klassifikationsund Regressionstechniken verwendet um die prädiktiven Modelle zu entwickeln ● Klassifikationstechniken sagen diskrete Ausgänge vorher beispielsweise ob eine E-Mail echt oder Spam ist oder ob ein Tumor bösoder gutartig ist Klassifikationsmodelle klassifizieren Eingabedaten in Kategorien Typische Anwendungen sind die medizinische Bildgebung die Spracherkennung und das Credit Scoring Die Klassifikation wird verwendet wenn Daten mit Schlagwörtern versehen in Kategorien eingeteilt oder in spezifische Gruppen oder Klassen aufgeteilt werden können