Künstliche Intelligenz umfasst verschiedene Verfahren für Erkennung, Vorhersage und Planung. Maschinelles Lernen gewinnt Muster aus Daten, statt ausschließlich ausdrücklich formulierten Regeln zu folgen. Das Titelbild zeigt einen konzeptionellen Roboter, kein Diagramm eines KI-Modells oder identifiziertes Produkt.
Aus Beispielen lernen
Beim überwachten Lernen enthalten Trainingsbeispiele Kennzeichnungen oder erwartete Ausgaben. Ein Algorithmus passt das Modell an, um anhand einer Zielfunktion gemessene Fehler zu verringern. Ein Spam-Klassifikator kann beispielsweise aus gekennzeichneten Nachrichten lernen.
Struktur ohne Kennzeichnungen finden
Unüberwachtes Lernen sucht Strukturen in nicht gekennzeichneten Daten. Es kann ähnliche Beispiele gruppieren oder Beziehungen erkennen. Das unterscheidet sich von einer richtigen Kennzeichnung für jedes Beispiel; das geeignete Verfahren hängt von Frage und Daten ab.
Muster sind keine Garantie
Die US-Bundesbehörde General Services Administration erklärt, dass KI Daten und Algorithmen verbindet. Menschliche Entscheidungen bei Datensammlung und Vorbereitung sind wichtig, und Ergebnisse können weiterhin verzerrt sein. Modellausgaben müssen daher für ihre Aufgabe bewertet werden; ein überzeugendes Ergebnis belegt allein noch keine Richtigkeit.




Diskussion