Wie maschinelles Lernen Muster findet — Informatik, 14–17 Jahre
Beim maschinellen Lernen verändert ein System innere Zahlen anhand von Beispielen, statt alle Regeln direkt zu erhalten. Es kann Muster erkennen, doch seine Antworten hängen von den Daten ab und bedeuten kein menschliches Verständnis.
Lernen bedeutet, sich anhand von Beispielen anzupassen
Ein Modell für maschinelles Lernen besteht aus veränderbaren Zahlen und wandelt Eingaben in Ausgaben um. Beim Training sieht es Beispiele und verändert diese Zahlen, damit seine Antworten den bekannten Antworten näherkommen. Danach wendet es das Muster auf neue Eingaben an; darin steckt keine kleine Person, die das Thema versteht.
Warum aus Daten lernen?
Manche Aufgaben lassen sich leicht in Worte fassen, andere haben zu viele verwirrende Fälle, um jede Regel aufzuschreiben. Ein Gesicht zu erkennen oder eine Spam-Nachricht zu beurteilen kann von feinen Kombinationen abhängen. Maschinelles Lernen wurde entwickelt, um nützliche Regelmässigkeiten in Beispielen zu finden, wenn eine klare Handregel schwer zu formulieren ist.
Nachrichten anhand von Beispielen sortieren
Nehmen wir ein Modell, das 1.000 Nachrichten mit den Etiketten Spam oder kein Spam erhält. Es bemerkt, dass Wörter wie „Preis“ und „dringend“ oft in Spam vorkommen, lernt aber auch ihre Kombinationen und den übrigen Text. Bei einer neuen Nachricht berechnet es eine Spam-Wahrscheinlichkeit von 0,92 und markiert sie als Spam. Das ist eine Vorhersage, keine Gewissheit.
Ein Muster ist keine Ursache
Es ist verständlich, eine starke Korrelation für eine Erklärung zu halten. Wenn Trainingsdaten zeigen, dass Regenschirme oft mit nassen Strassen vorkommen, kann ein Modell Regenschirme zur Vorhersage von Regen verwenden, doch sie verursachen ihn nicht. Bei unvollständigen oder verzerrten Beispielen kann es sich auch auf einen irreführenden Hinweis stützen. Vorhersagen und Verstehen sind verschieden.
Nützliche Vorhersagen, vorsichtige Entscheidungen
Maschinelles Lernen hilft, Spam zu filtern, Lieder vorzuschlagen, Texte zu übersetzen und ungewöhnliche Vorgänge in medizinischen Bildern oder Fabriken zu erkennen. Die Leistung hängt jeweils von den Beispielen und davon ab, welcher Fehler am schwersten wiegt. Eine falsche Empfehlung ist vielleicht nur lästig, ein medizinischer Alarm braucht aber menschliche Prüfung und sorgfältig gewählte Daten.
Weiter erkunden
Andere Sprachen
MyLeoNes™ wird geladen…