© Freepik
Auf der Suche nach aktuellen Algorithmen für spezielle Lösungen stoße ich immer wieder auf die unterschiedlichsten Bezeichnungen und stelle beim näheren Hinschauen fest, dass ich diesen Algorithmus schon kenne, jedoch in einem anderen Setting. Daher soll hier in einem ersten Schritt geklärt werden, welche möglichen Fragestellungen wir mit KI-Algorithmen beantworten können/möchten.
Autor: Axel Preis, Co-Autorin: Dr. Stefanie Schwaar
Laut Wikipedia ist ein Algorithmus „[…] eine eindeutige Handlungsvorschrift zur Lösung eines Problems oder einer Klasse von Problemen“. Unter KI verstehen wir eine Aneinanderreihung von verschiedenen Handlungsvorschriften. Der Algorithmus beinhaltet dabei eine Wiederholung bis ein zufriedenstellendes Ergebnis erreicht wurde. Hierbei ist es essentiell wichtig, dass die zugrundeliegenden Daten von ausreichend guter Qualität sind. Darüber mehr in einem der nächsten Blog-Posts – heute geht es um KI-Algorithmen.
Um besser zu verstehen, wie unterschiedliche Algorithmen funktionieren, stellen wir uns folgende Situation vor: Wir haben eine Urne, die mehrere Kugeln enthält. Die Kugeln können sich hinsichtlich verschiedener Merkmale wie Gewicht, Oberflächenstruktur oder Farbe unterscheiden. Wir können nicht in die Urne hineinsehen, jedoch können wir in die Urne hineinfassen. Nach und nach entnehmen wir nun Objekte aus der Urne. Dadurch lernen wir sukzessive über die Kugeln dazu und beantworten somit verschiedene Fragen. Schauen wir uns nun an, welche Fragestellungen wir mit welcher Art von Algorithmus beantworten
Mit einem Klassifizierer ist es uns möglich, aufgrund von Merkmalen der Objekte einen Rückschluss auf ein nicht zu beobachtendes Merkmal bzw. eine nicht zu beobachtende Klasse zu erlernen. Damit können wir bei einem neuen Objekt diese Klasse aufgrund des erlernten Zusammenhangs bestimmen.
Das verdeutlicht folgendes Szenario:
Ein Mensch mit verbundenen Augen zieht aus der Urne Kugeln und ihm wird gesagt, welche Farbe die Kugel hat. Gleichzeitig nimmt die Person die Oberflächenstruktur und das Gewicht wahr. Dadurch, dass bei den grünen Kugeln immer schwere oder mittelschwere in Kombination mit rauer Oberfläche vorhanden sind und die roten leicht und glatt oder mittelschwer und glatt sind, ist es dem Menschen möglich, zum Beispiel schon nach 20 Kugeln die Farbe der gezogenen Kugel selber zu bestimmen. Jetzt agiert die Person als Klassifizierer, indem sie aus der Historie heraus gelernt hat, die Kugelfarbe anhand von anderen Merkmalen zu erkennen.
Unter einem Klassifizierer verstehen wir demnach einen Algorithmus, der ein Objekt, welches wir betrachten, einer der vorgegebenen Klassen zuordnet.
Ein Gruppierer lässt sich dazu nutzen, anhand von Merkmalen der Objekte zu erlernen, welche Objekte ähnlich oder unterschiedlich zueinander sind. Damit ist es uns möglich, ein neues Objekt einer Gruppe ähnlicher Objekte zuzuordnen.
Nun betrachten wir die folgende Situation:
Ein Mensch zieht mit verbundenen Augen Kugeln aus der Urne. Erneut ertastet diese Person die Oberflächenstruktur und das Gewicht der Kugeln. Hierbei fällt ihr auf, dass es leichte Kugeln mit glatter Oberfläche, leichte Kugeln mit rauer Oberfläche, schwere Kugeln mit glatter Oberfläche und schwere Kugeln mit rauer Oberfläche gibt. Die Person hat also gelernt, dass vier Gruppen von Kugeln vorhanden sind und agiert nun als Gruppierer, weil sie gelernt hat, eine neu gezogene Kugel einer der vier Gruppen zuzuordnen.
Folglich handelt es sich bei einem Gruppierer um einen Algorithmus, welcher das zu betrachtende Objekt einer Gruppe von ähnlichen Objekten zuweist.
Ein Prognostizist ermöglicht es uns, auf Basis vergangener Ausprägungen eines Merkmals der Objekte eine Tendenz für den zeitlichen Verlauf der Ausprägungen dieses Merkmals zu erlernen. Auf diese Weise ist es uns möglich, zukünftige Ausprägungen vorherzusagen.
Betrachten wir folgende Situation:
Wieder zieht eine Person mit verbundenen Augen Kugeln aus der Urne. Diesmal nimmt sie das Gewicht der Kugeln wahr – und möchte das Gewicht der Kugel prostnostizieren, welche sie als nächstes zieht. Da sich im oberen Bereich der Urne eher leichte Kugeln befinden, während die Kugeln unten schwerer sind, ist die Person bereits nach wenigen Ziehungen in der Lage, eine Prognose für das Gewicht der nächsten Kugel abzugeben. Die Prognose fällt dabei etwas höher aus, als das wahrgenommene Gewicht der vorher gezogenen Kugeln. Sie agiert nun als Prognostizist, welcher gelernt hat, auf Grundlage vergangener Gewichte Vorhersagen für das nächste Kugelgewicht abzugeben.
Folglich verstehen wir unter einem Prognostizisten einen Algorithmus, welcher Merkmalsausprägungen des Objekts, das wir betrachten, unter Nutzung von Ausprägungen aus der Vergangenheit prognostiziert.
Mit einem Detektor ist es uns möglich, auf Basis von Merkmalen von Objekten zu erlernen, was wir als normales Objekt erachten. Somit lassen sich Objekte, die aus der Reihe fallen, detektieren.
Betrachten wir nun das folgende Szenario:
Eine Person zieht mit verbundenen Augen Kugeln aus der Urne und nimmt die Oberflächenstruktur und das Gewicht wahr. Zusätzlich wird ihr mitgeteilt, welche Farben die gezogenen Kugeln haben. Da grüne Kugeln meistens schwer oder mittelschwer sind und eine raue Oberfläche haben und rote Kugeln leicht oder mittelschwer mit glatter Oberfläche sind, erkennt sie eine Anomalie, wenn sie eine leichte, glatte Kugel zieht und ihr gesagt wird, dass sie grün ist. Die Person agiert nun als Detektor, der aus der Historie heraus gelernt hat, welche Merkmalskombinationen üblich sind und dem es folglich möglich ist, untypische Kugeln zu erkennen.
Unter einem Detektor verstehen wird demnach einen Algorithmus, der unter einer Vielzahl gewöhnlicher Objekte einzelne untypische identifiziert.
In diesem Blogeintrag haben wir unterschiedliche Arten von KI-Algorithmen auf sehr einfache Weise dargestellt. Mit diesen lassen sich verschiedenste Probleme lösen. Allen gemein ist, dass sie aus Erfahrungen lernen müssen, um Lösungen zu liefern. Wer in dieses Thema tiefer eintauchen möchte, darf auf zukünftige Blogeinträge gespannt sein.
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM