Eines der Kennzeichen menschlicher Intelligenz besteht darin, das Lernen integrieren zu können und mit der Zeit intelligenter zu werden, wenn neue Daten in die Wissensdatenbank Ihres Gehirns integriert werden.

Normalerweise werden Computer nicht als intelligent betrachtet, da sie zwar spektakuläre Rechenfähigkeiten besitzen, jedoch genau programmiert werden müssen, um diese Kraft zu nutzen, und sie haben keine Fähigkeit, das Lernen zu integrieren. Sie müssen vielmehr neu programmiert werden, um Verbesserungen zu umfassen - oft als Programm 2.0 bezeichnet, um die neuere und hoffentlich bessere Version der auf dem Computer ausgeführten Software anzugeben.

Maschinelles Lernen ist der Bereich des Rechnens, der Algorithmen zur Analyse von Daten enthält, die eingegeben werden. Durch statistische Analysen kann eine Prognose für eine Ausgabe gemacht werden, während neue Daten aufgenommen werden, sobald sie verfügbar sind, um die vorhergesagte Ausgabe zu aktualisieren.

Mit anderen Worten, der Algorithmus ermöglicht es dem Computer, neue Daten aufzunehmen und seinen Algorithmus mit der Zeit zu aktualisieren, so dass das Lernen effektiv stattfindet. Ein eng verwandter und manchmal fast als synonym angesehener Begriff ist künstliche Intelligenz - obwohl einige der Meinung sind, dass künstliche Intelligenz als der breitere Begriff für das maschinelle Lernen betrachtet wird, der ein Subtyp ist.

Der Begriff des maschinellen Lernens geht auf das Jahr 1959 zurück, als Arthur Samuel, ein Pionier auf dem Gebiet der Computerspiele und künstlichen Intelligenz und Forschungsprofessor an der Stanford University, es als das “Fähigkeit zu lernen, ohne explizit programmiert zu sein”.

Checkers Weltmeister

Er interessierte sich für maschinelles Lernen in Bezug auf Checkers, was er aufgrund der Einfachheit des Spiels für ein ideales Thema hielt. Aufgrund des Mangels an verfügbarer Rechenleistung zu diesem Zeitpunkt, anstatt zu versuchen, jede Möglichkeit auszuloten, verwendete sein Algorithmus Alpha-Beta-Bereinigung (eine Variante des Minimax-Algorithmus), um eine Bewegung basierend auf der Position der Teile einschließlich der Position zu wählen von Königsteilen und die Wahrscheinlichkeit eines Gewinns.

Er setzte seine Theorien im Jahr 1961 in die Praxis um, als sein Programm ein Match gegen den Meister des Checkers des Staates Connecticut gewann, der zu dieser Zeit der viertplatzierteste Spieler der Nation war und seiner Arbeit Glaubwürdigkeit verlieh.

Dies ebnete den Weg für weitere bahnbrechende Arbeiten im Bereich des maschinellen Lernens. Dazu gehört das berühmte Match von 1997, bei dem der Supercomputer von Deep Blue von IBM nach einer ersten Niederlage im Vorjahr den Weltmeister Garry Kasparov in einer Reihe von Matches im komplexeren Schachspiel schlagen konnte.

Im Jahr 2016 hat Google das noch kompliziertere Spiel Go übernommen, ein beliebtes chinesisches Brettspiel, das für sein hohes Maß an Strategie bekannt ist. Mit dem AlphaGo-Algorithmus für maschinelles Lernen, einem Produkt von Google DeepMind, wurde ein professioneller Spieler in beeindruckenden fünf aufeinander folgenden Spielen geschlagen.

Maschinelles Lernen wurde nicht nur für Spiele angewendet. Bei Google X Labs wurde im Jahr 2012 ein Algorithmus für maschinelles Lernen entwickelt, um YouTube-Videos zu durchsuchen und diejenigen, die eine Katze im Videostream enthalten, unabhängig zu identifizieren. Bis zum Jahr 2014 hatte Facebook einen Machine Learning-Algorithmus, DeepFace, mit dem Bilder von Gesichtern mit einer Genauigkeit von über 97% einer Person zugeordnet werden konnten, die sich der Leistung eines typischen Menschen annähert, wenn es um diese Aufgabe geht.

Um weitere Projekte zu ermöglichen, hat Microsoft 2015 sein Distributed Machine Learning Toolkit vorgestellt, das derzeit das verteilte Word-Embedding (Multi-Sense) für hochwertige natürliche Sprachverarbeitung beinhaltet.

Die Technologie des maschinellen Lernens wurde auch auf Roboter angewendet und deren Fähigkeit, komplexe Aufgaben autonom zu erledigen. Es gab ein Interesse an militärischen Anwendungen, und dies hat dazu geführt, dass viele Tech-Größen, darunter Stephen Hawking und Steve Wozniak, einen offenen Brief an die UN geschickt haben.

Ihre Sorge ist, dass das maschinelle Lernen mit Waffen a darstellt “dritte revolution in der kriegsführung”. Auf der anderen Seite verspricht die autonome Technologie Autos sicherer zu machen. Diese wurde kürzlich mit der Technologie präsentiert, die in einem klassischen Fahrzeug, einem 1965er Ford Mustang, beim Goodwood Festival of Speed ​​umgesetzt wurde.

Geschäftsvorteile

Unternehmen haben sich auch für maschinelles Lernen entschieden. Ein Beispiel dafür sind automatisierte Chatbots, die die Interaktion der Kunden mit teureren Mitarbeitern des Kundensupports reduzieren.

Es gibt auch einen Trend, sich von den Menüs zur Telefoninteraktion zu entfernen (“drücke eine, dafür zwei”), die Kunden im Allgemeinen in Richtung Textinteraktion nerven. Zum Beispiel brachte die Royal Bank of Scotland Ende 2017 ihren neuen AI-Chatbot, Luvo, auf den Markt, ein Web-Chat-Tool, das auf der Website der Bank angezeigt wird und fragt, ob der Kunde Fragen hat.

Das Ziel ist, dass Luvo 10% der Kunden dabei unterstützt, einfache Fragen direkt zu beantworten und andere Benutzer mit komplizierteren Problemen an den richtigen Mitarbeiter zu richten, um endgültige Hilfe zu leisten. Es wird davon ausgegangen, dass Luvo die einfacheren Aufgaben erledigt und menschliche Berater für die komplizierteren Kundenfragen freigestellt werden.

Dieser virtuelle Chatbot basiert auf dem Watson Conversation-Tool von IBM, das weithin als eine der fortschrittlichsten KI-Engines gilt und eine besondere Stärke in der Erkennung natürlicher Sprachen besitzt. Diese Einbeziehung des maschinellen Lernens in Form eines Chatbots bei der Royal Bank of Scotland, die auf Kosten- und Zeiteinsparungen beim Kundenservice beruht, ist Teil eines umfassenderen Trends, den andere Unternehmen mit offensichtlichen Dividenden angenommen haben. Facebook hat jedoch Anfang dieses Jahres seinen textbasierten Chatbot M geschlossen, so dass der Übergang kaum nahtlos verläuft, da nach praktikablen Anwendungen für diese Technologie gesucht wird.

Musik in deinen Ohren

Maschinelles Lernen wurde auch für das Online-Musik-Streaming angewendet. Bei Spotify, dem umfangreichen On-Demand-Musikdienst mit über 100 Millionen Nutzern, wendet das Unternehmen maschinelles Lernen an, um Musik zu streamen, die Ihrem musikalischen Geschmack entspricht. Besonders beliebt ist die "Discover Weekly" -Funktion von Spotify, die wie eine handverlesene Liste von Songs aussieht, die auf Ihren Hörgewohnheiten basieren - eine Art guter Freund, der Ihre Hörgewohnheiten kennt und ein Mixband erstellt, um Sie mit neuen Künstlern bekannt zu machen.

Dies wird jedoch durch maschinelle Lernalgorithmen erreicht, die Daten aus kollaborativen Filtern enthalten, die Ihr Hörverhalten und ähnliche Fans analysieren, sowie eine Verarbeitung in natürlicher Sprache, die Text und Audioanalysen der Tracks direkt einbezieht.

Alle diese Daten durchlaufen den maschinellen Lernalgorithmus des Unternehmens, um diese Musikpicks zu generieren. Dies trägt zweifellos zur Beliebtheit von Spotify bei - während einige konkurrierende Dienste wie Songza und Pandora Songs auswählen, die auf einem manuellen Tagging ohne die zusätzlichen Daten basieren, die Spotify verwendet.

Durch maschinelles Lernen, das in der Lage ist, die besten menschlichen Champions bei mehreren strategischen Brettspielen zu erzielen, wurde die Leistungsfähigkeit dieser Algorithmen, die neue Daten in ihren Entscheidungsprozess einbeziehen können, eindeutig gezeigt. Verschiedene Branchen, vom Kundenservice über autonomes Fahren bis hin zu kuratiertem Musik-Streaming, haben nun gezeigt, dass auch Algorithmen für maschinelles Lernen integriert werden können.

  • So verwendet Google maschinelles Lernen, um das erste Sonnensystem wie unser eigenes zu finden