Überblick und Praxisbeispiele: Welche Arten von ML-Algorithmen gibt es?

Die wichtigsten Kategorien des Machine Learnings

Blogbeitrag EP-KI-Blog / 23. November 2022

Nachdem wir in unserem vorangegangenen Blogbeitrag erläutert haben, wie sich die beiden Begriffe »Künstliche Intelligenz« (KI) und »Maschinelles Lernen« (ML) voneinander abgrenzen, geht es in diesem Text speziell um ML und verschiedene Kategorien. Wir stellen im Folgenden die vier wichtigsten Arten von ML vor und zeigen Beispiele aus der Praxis. Als Übersicht sind sie in der Grafik abgebildet. Die ersten drei behandelten Kategorien unterscheiden sich dahingehend, welche Daten zum Einsatz kommen. Bei der vierten ML-Kategorie geht es um Lernen durch Interaktion mit der Umwelt.

Autor: Axel Preis

Supervised Learning – die KI lernt mit Unterstützung eines Menschen

Unter »Supervised Learning« (Überwachtes Lernen im Deutschen) versteht die Fachwelt Verfahren, die anhand eines gelabelten Datensatzes lernen. Ein gelabelter Datensatz besteht aus Labels und Features. Bei Labels handelt es sich um die Ausprägungen einer Variablen, welches von primärem Interesse ist und beispielsweise vorhergesagt werden soll wie etwa Betrugsfälle in einem Buchungssystem. Features sind wiederum Variablen, die zur Erklärung der Variable, die von Interesse ist, genutzt werden. Supervised-Learning-Verfahren lernen aus den Daten den Zusammenhang zwischen Features und Labels. Oft werden Expert:innen zum Erstellen von Labels eingesetzt. Es kommt also erstmal menschliche Intelligenz ins Spiel, um das Lernen überhaupt zu ermöglichen. Diese Personen ordnen jedem Datenpunkt ein Label zu.

Das Bereitstellen der Daten ist damit häufig sehr aufwändig – gerade in Zeiten von Big Data, in denen Datensätze aus Millionen von Datenpunkten bestehen können. Wie wir sehen, benötigen Supervised-ML-Verfahren während des Lernprozesses Labels, die unter menschlicher Aufsicht generiert werden, weswegen man von überwachtem Lernen spricht.

Anwendungsbeispiel: Künstliche Intelligenz beim Detektieren von Betrugsfällen in Buchungssystemen
Ein Beispiel für den Einsatz von Supervised-Learning-Verfahren, womit wir vom EP-KI-Team uns häufig beschäftigen, ist das Auffinden von Betrugsfällen in einem Buchungssystem. Ein entsprechendes KI-System entscheidet auf Basis von Faktoren wie »Geldbetrag« oder »Buchungsdatum«, ob eine Buchung als auffällig angesehen wird oder nicht. Diese Faktoren bilden die Features eines möglichen ML-Modells. Für derartige Entscheidungen benötigt es Buchungsdaten zum Lernen, die bereits als »Betrug« oder »kein Betrug« gekennzeichnet wurden. Diese Kennzeichnungen stellen die Labels dar. Ein ML-Modell lernt so anhand der Features und Labels des Datensatzes, ob es sich bei neuen Buchungen um potenzielle Betrugsfälle handelt.

© Fraunhofer ITWM
Die vier wichtigsten Kategorien oder Arten des Machine Learnings.

Unsupervised Learning – Erkennen ohne menschliche Hinweise

Unter »Unsupervised Learning« (Unüberwachtes Lernen im Deutschen) werden Verfahren zusammengefasst, die in Datensätzen ohne Labels Muster und Zusammenhänge erlernen. Derartige ML-Verfahren kommen vor allem in folgenden Bereichen zum Einsatz:

zum Gruppieren ähnlicher Datenpunkte
zum Finden von Auffälligkeiten in Daten
zur Dimensionsreduktion eines Datensatzes (also, um die Anzahl an Features zu reduzieren)

Diese Art des Lernens hat den Vorteil, dass keine Labels benötigt werden, die wie beschrieben mit hohem Aufwand generiert werden müssen. Auf der anderen Seite enthalten Labels hilfreiche Informationen, die beim Unsupervised Learning nicht vorhanden sind.

Anwendungsbeispiel: Betrugsfälle automatisiert detektieren
Das unter »Supervised Learning« eingeführte Beispiel des KI-Systems, welches Betrugsfälle in eingereichten Rechnungen detektiert, lässt sich auch zur Veranschaulichung von »Unsupervised Learning« anführen. Nun ist allerdings nicht bekannt, ob es sich bei einer Buchung um einen Betrugsfall handelt oder nicht. Das heißt, es liegen keine Labels vor. Ein Unsupervised-Learning-Algorithmus stellt fest, ob eine Buchung in ihren Features stark von anderen Buchungen abweicht und es sich damit um einen potenziellen Betrugsfall handelt.

Semi-Supervised-Learning – Ein ausgewogener Lern-Mix

»Semi-Supervised Learning« (Teilüberwachtes Lernen im Deutschen) kommt zum Einsatz, wenn ein Datensatz vorliegt, in dem nur ein geringer Teil der Datenpunkte Labels aufweist und der Großteil nicht gelabelt ist. Damit stellt es gewissermaßen eine Kombination aus Supervised und Unsupervised Learning dar. Der besondere Vorteil dieses Ansatzes ist, dass Labels genutzt werden, ohne zu viel Aufwand in das manuelle Erstellen dieser zu investieren.

Anwendungsbeispiel: Buchhaltung Advanced
Eine Anwendung von »Semi-Supervised-Learning« im Kontext des Buchhaltungssystems, welches wir bereits zum Veranschaulichen von »Supervised Learning« und »Unsupervised Learning« gezeigt haben, könnte darin bestehen, dass eine geringe Menge der Buchungsdaten von Fachleuten als »Betrug« oder »kein Betrug« gelabelt wird. Anschließend ließen sich ungelabelte Datenpunkte anhand der Ähnlichkeit zu den gelabelten Datenpunkten in »Betrug« oder »kein Betrug« einordnen.

Reinforcement Learning – Lernen durch Belohnen

»Reinforcement Learning« (Be-/Verstärkendes Lernen im Deutschen) bezeichnet Verfahren, die das Lernen einer optimalen Strategie zum Ausführen einer bestimmten Aufgabe als Ziel haben. Dabei lernt der sogenannte »Agent« die optimale Strategie über Belohnungen und Bestrafungen. Ein Agent kann z. B. ein Roboter sein, der autonom Entscheidungen trifft und handelt. Der Lernprozess findet in der Umwelt des Agenten statt. Diese Umgebung enthält:

alle möglichen Zustände zwischen Start und Abschluss der Aufgabe
die Höhe der Belohnung oder Bestrafung für eine ausgeführte Aktion in einem bestimmten Zustand
die möglichen Übergänge von einem Zustand in einen anderen mittels einer Aktion

Der Agent passt seine Strategie im Verlauf des Lernprozesses so an, dass er seine Gesamtbelohnung maximiert und er den optimalen Weg findet. Falls diese Erklärung zu abstrakt sein sollte, lässt es sich mit »Super Mario« veranschaulichen:

Anwendungsbeispiel: Super Mario und die KI-Praxis im Video-Gaming

Ein bekanntes Beispiel zum Einsatz von »Reinforcement Learning« ist das Lernen eines Spiels durch einen Computer. Dieser passt während des Spiels immer wieder seine Lösungsstrategie zum Gewinnen des Spiels aus unterschiedlichsten Situationen heraus an. Etwa bei Super Mario: Mit der Spielfigur lassen sich drei Aktionen ausführen: nach rechts laufen, nach links laufen und springen.

Um ein Level erfolgreich zu absolvieren, ist es erforderlich, die Figur schnell und häufig nach rechts zu bewegen. Das Level mitsamt den Belohnungen (Pilze, Münzen) und Hindernissen (Gegner, fleischfressende Pflanzen, Feuer, Erdlöcher) stellt die Umwelt dar. Zu Beginn eines Levels wird eine Bewegung nach links bestraft, da sich die Spielfigur vom Ziel entfernt, während eine Bewegung nach rechts belohnt wird und Springen eine neutrale Aktion darstellt. Mit einer durchgeführten Aktion ändern sich der Zustand und die Menge auswählbarer Aktionen. Es entstehen Situationen, in denen eine Bewegung nach rechts schlecht ist und damit eine Bestrafung nach sich zieht. Dies ist z.B. bei Kontakt mit einem Hindernis gegeben. Durch Wiederholung lernt der Computer, welche Teilstrategien zum Erfolg führen. Nach erfolgreichem Meistern des Levels wird die gelernte Strategie in erneuten Durchgängen weiter optimiert. Der Aufwand zur Entwicklung einer optimalen Strategie kann dadurch reduziert werden, dass der Computer die Aufzeichnung beim Bewältigen des Levels durch eine/n menschliche/n Spieler:in als Startstrategie nutzt.

© freepik
Belohnen oder bestrafen? Ein Herz, Stern, Münze oder Lebenstrank einsammeln führt zu positiven Effekten.

Das Super-Mario-Beispiel dient zur Veranschaulichung des Konzeptes von »Reinforcement Learning«. Beschrieben ist es aus der Sicht eines Menschen. Für uns Menschen ist Super Mario eine Abfolge von Bildern mit Pilzen, Gegnern, etc. Der ML-Algorithmus (in dem Beispiel als Computer bezeichnet) dagegen weiß nicht, wer oder was Mario ist, was Pilze sind, etc. Für ihn ist Super Mario eine Abfolge von Daten von Pixeln.

Generell ist »Reinforcement Learning« der Ansatz, der (für eine bestimmte Anwendung) einer »starken Künstlichen Intelligenz« (KI) am nächsten kommt. Wenn Du den Begriff »starke KI« noch nicht kennst, kannst Du hier in unserem vorherigen Blogbeitrag nachlesen, was das heißt.

In diesem Blogbeitrag wurde anhand von Beispielen ein Überblick über vier wichtige Arten des Machine Learnings gegeben. Daneben gibt es eine Vielzahl weiterer Kategorien von ML. Exemplarisch seien hier Deep Learning, Federated Learning, Active Learning und Transfer Learning genannt.

zur Blog-Übersicht

Blog-Eintrag