Wenn die meisten Menschen an maschinelles Lernen oder KI denken, haben sie ein negatives Bild von diesem Begriff. Sie denken entweder an Roboter, die den Menschen die Arbeit wegnehmen, oder sie denken an Skynet oder HAL 9000, finstere Wächterwesen, die bereit sind, die Weltherrschaft zu übernehmen. In Wirklichkeit nutzen wir das maschinelle Lernen jeden Tag mit unseren Telefonen und ihren intelligenten Assistenten Siri und Cortana oder mit intelligenten Autos, die die Umgebung analysieren. Selbst wenn wir im Internet surfen, werden wir mit Werbung konfrontiert, die auf unseren Einkaufsgewohnheiten basiert. Maschinelles Lernen ist allgegenwärtig und ist die treibende Kraft der KI. Um jedoch die Auswirkungen des maschinellen Lernens auf die Gesellschaft vollständig zu verstehen, müssen wir einen Blick auf die Vergangenheit, die Gegenwart und die Zukunft werfen.
Was ist maschinelles Lernen?
Maschinelles Lernen ist die wissenschaftliche Untersuchung von Algorithmen und statistischen Modellen, die Computersysteme verwenden, um eine bestimmte Aufgabe auszuführen, ohne sich auf spezifische Anweisungen, sondern auf Muster und Schlussfolgerungen zu stützen. Der Begriff des maschinellen Lernens wurde erstmals geprägt von Arthur Samuel im Jahr 1959 geprägt, als er bei IBM arbeitete. Sein Ziel war es, künstliche Intelligenz (KI) zu schaffen, und das maschinelle Lernen wurde zu einem Teilbereich seines Strebens. Nach seiner Entdeckung klaffte eine Lücke zwischen den Theorien, und erst in den 1990er Jahren kam das maschinelle Lernen richtig in Schwung. Diese Zeit wurde als der KI-Winter. Der Schwerpunkt verlagerte sich von der KI auf die Lösung praktischerer Probleme, indem Modelle aus der Statistik und der Wahrscheinlichkeitstheorie herangezogen wurden. Das maschinelle Lernen profitierte auch massiv von der Erfindung des World Wide Web, da es Zugang zu einer großen Menge an Daten erhielt.
Verschiedene Arten des maschinellen Lernens
Damit maschinelles Lernen funktionieren kann, sind viele Daten erforderlich, um zukünftige Ergebnisse vorherzusagen oder eine Maschine für die Ausführung von Aufgaben zu trainieren. Während das maschinelle Lernen mit einer großen Menge unveränderter statischer Daten begann, hat es sich zu Lernmodellen verlagert, die Daten in Echtzeit verarbeiten.
Es gibt vier Hauptansätze für maschinelles Lernen:
- Überwachtes Lernen: Training von Daten, um eine bestimmte Leistung zu erbringen
- Unüberwachtes Lernen: Trainingsdaten ohne eindeutiges Ergebnis
- Semi-überwachtes Lernen: Trainingsdaten mit wenigen gewünschten Ergebnissen
- Verstärkungslernen: Belohnung des künstlichen Agenten auf der Grundlage seines Handelns
Wer nutzt maschinelles Lernen?
Wahrscheinlich bemerken Sie nicht einmal das maschinelle Lernen, das in Ihrem Alltag stattfindet. Der Spamfilter in Ihrem Posteingang? Das ist maschinelles Lernen. Auch in den meisten unserer Haushalte ist maschinelles Lernen in Form von intelligenten Lautsprechern, intelligenten Steckdosen und intelligenten Thermostaten bereits vorhanden. Allein in den USA gibt es 47,3 Millionen Erwachsene die Zugang zu einem intelligenten Lautsprecher haben. Das maschinelle Lernen hat jedoch große Auswirkungen auf bestimmte Branchen in unserer Welt.
Finanzen
Das maschinelle Lernen kann interne Prozesse im Finanzsektor aufgrund der großen Datenmengen, die in diesem Sektor gesammelt werden, sehr leicht rationalisieren. Banken und Finanzinstitute setzen maschinelles Lernen ein, um mit Hilfe von Data Mining (einer nicht überwachten Art des Lernens zur Erkennung von Datenmustern) Betrug zu erkennen. A jüngster Bericht zeigte, dass Roboter in den nächsten 15 Jahren 75 % der Aufgaben im Finanzdienstleistungssektor mit Hilfe von maschinellem Lernen erledigen können.
Regierung
Ein kürzlich erschienener Artikel von Deloitte heißt es: "Regierungen sammeln riesige Datenmengen zu allen Bereichen, von der Gesundheitsfürsorge über den Wohnungsbau und die Bildung bis hin zur inneren und nationalen Sicherheit - sowohl direkt als auch über von ihnen unterstützte gemeinnützige Organisationen. Regierungen produzieren auch Daten wie Volkszählungsdaten, Arbeitsmarktinformationen, Finanzmarktinformationen, Wetterdaten und GPS-Daten (Global Positioning System)." Mit diesen Daten können GMit diesen Daten können Behörden in Bereichen wie Versorgung, Militär und Infrastruktur maschinelles Lernen nutzen, um die Effizienz zu steigern, Betrug aufzudecken und Geld zu sparen. Einige Infrastrukturbehörden nutzen diese Daten, um vorherzusagen, wann Schlaglöcher Schlaglöcher auf den Straßen der Stadt bilden werden, während das Militär maschinelles Lernen nutzt, um mechanische Ausfälle bei Panzern.
Gesundheit
Tragbare Geräte und Sensoren machen maschinelles Lernen zu einem schnell wachsenden Trend in der Gesundheitsbranche. Diese Geräte helfen medizinischen Fachkräften, Trends zu erkennen, die bei der Diagnose eines Patienten helfen könnten, was zu besseren Behandlungsoptionen führt. Bei großen Bilddatenbanken in der Radiologie kann das maschinelle Lernen Bilder schnell bewerten, deren Verarbeitung durch medizinische Experten länger dauern würde. Mit maschinellem Lernen hat Google zum Beispiel Computer darauf trainiert Computer darauf trainiert, Krebs Krebs bei Patienten mit 89 % Genauigkeit zu erkennen. Stanford verwendet einen Deep Learning Algorithmus zur Vorhersage von Hautkrebs und wann Patienten sterben werden um eine bessere Hospizbetreuung zu ermöglichen.
Transport
Maschinelles Lernen wird nicht nur für autonome Fahrzeuge eingesetzt, sondern hat auch einen großen Einfluss darauf, wie Ihre Pakete zugestellt werden. Das maschinelle Lernen analysiert das GPS der Fahrer, den Ort, an dem das Paket zugestellt wird, wenn der Kunde das Paket erhält, ihre Geschwindigkeit und das Wetter, um die effizienteste Route für den Zusteller zu finden.
Kritikpunkte am maschinellen Lernen
Bei all den herausragenden Errungenschaften des maschinellen Lernens muss es auch Kritik an der Anwendung geben. Nach Ansicht von Dr. Allen von der Rice Universityverursacht das maschinelle Lernen eine Krise in der Wissenschaft. Das Argument von Rice ist, dass eine wachsende Menge wissenschaftlicher Forschung maschinelles Lernen auf bereits gesammelte Daten anwendet. Sie argumentiert, dass die Lösungen, die diese Wissenschaftler finden, falsch sind, weil sie nur auf diesen Datensatz anwendbar sind, nicht aber auf die reale Welt. Dr. Allen erklärt: "Es wird allgemein anerkannt, dass es in der Wissenschaft derzeit eine Krise der Reproduzierbarkeit gibt. Ich würde behaupten, dass ein großer Teil davon auf den Einsatz von maschinellen Lernverfahren in der Wissenschaft zurückzuführen ist." Sie nennt dies eine Krise der Reproduzierbarkeit.
Dr. Rice ist nicht die einzige Kritikerin des maschinellen Lernens. Gary Marcus, ein Psychologieprofessor an der New York University, hat eine lange Liste von Vorwürfen gegen Deep Learning. Dazu gehören die starke Abhängigkeit von großen Datensätzen, die Anfälligkeit für maschinelle Verzerrungen und die Unfähigkeit, abstrakte Schlussfolgerungen zu ziehen. Marcus erklärte, seine größte Befürchtung sei, dass die KI in die Schublade "lokales Minimum" gesteckt werde, indem man sich zu sehr auf die detaillierte Erforschung einer bestimmten Klasse zugänglicher, aber begrenzter Modelle konzentriere, und schlussfolgerte: "Eines der größten Risiken bei der derzeitigen Überbewertung der KI ist ein weiterer KI-Winter".
Was ist der nächste Schritt beim maschinellen Lernen?
Je mehr Daten wir erzeugen und je mehr wir uns mit dem maschinellen Lernen und seinen Auswirkungen auf die Technologie befassen, desto klarer wird, dass wir als Gesellschaft auch eine ethische Verantwortung tragen müssen. Im Moment sind nur wenige Technologieunternehmen voll in maschinelles Lernen und Datenerfassung investiert. Was passiert, wenn diese Technologie zu einem Monopol wird? Wird diese Technologie nur für die Reichen zugänglich sein? Was ist, wenn die Kritiker des maschinellen Lernens Recht haben und ein weiterer KI-Winter eintritt? Es wird schwer sein vorherzusagen, was die Zukunft bringt.
