FrAIday Blog #2

fr-AI-day Blog Um das Thema Künstliche Intelligenz greifbarer zu machen, werden wir im Rahmen eines „fr-AI-day Blogs“ regelmäßig Experteninterviews mit Martin Schiele, Geschäftsführer der AI-UI GmbH führen. Er wird zu verschiedenen Schwerpunkten sprechen, Ihnen zeigen, wo Chancen aber auch Probleme liegen können und wie Sie diese mit Hilfe von Künstlicher Intelligenz lösen.Falls Sie bestimmte Fragen zum Thema KI haben, schreiben Sie diese gerne an [email protected]. Wir werden versuchen diese mit einzubauen.

Maschinelles Lernen: unterschiedliche Aufgaben – unterschiedliche Lösungen

Wir haben den KI-Experten Martin Schiele, Geschäftsführer der AI-UI GmbH, weiterführend zum Thema Künstliche Intelligenz befragt. Maschinelles Lernen (engl. Machine Learning) ist hier das Schlagwort. Heute wird es darum gehen, wie KI lernt. Wir beleuchten verschiedene Arten bzw. Methoden des künstlichen Lernens und zeigen jeweils Einsatzgebiete auf. Herr Schiele stellt außerdem die Lösungsmöglichkeit seiner eigens entwickelten Software in diesem Zusammenhang vor.

Wir lüften das Geheimnis: Wie lernt denn nun eigentlich KI?

Wie in Blog I: „Einführung“ bereits erwähnt, kann man sagen, dass für die meisten Aufgaben des maschinellen Lernens, auch generell „KI“ genannt, ganz einfach Daten miteinander in Verbindung gebracht werden. Diese Daten können ganz unterschiedlicher Natur sein. Ist der Datensatz groß genug, kann man gegebenenfalls annehmen, dass diese Werte die Realität, die sie beschreiben, mit ausreichender Genauigkeit wiedergeben. Es gibt aber verschiedene Herangehensweisen oder auch „Arten des maschinellen Lernens“, die Sie darauf anwenden können.

Das müssen Sie genauer erklären. Was bedeutet Unsupervised Learning?

Im Unbeaufsichtigten Lernen gibt es verschiedene Methoden, um in den vorhandenen Daten Muster zu erkennen und diese anschließend zu nutzen, um die Daten nach Klassen zu ordnen.

Wie im Bild illustriert, wird ein Sammelsurium an Hunde- und Katzenbildern, im besten Fall automatisch, ohne Zutun des Menschen in zwei einzelne Datensätze überführt. Dies geht prinzipiell mit vielerlei Daten, ist aber oft weniger zuverlässig, da die reale Welt immer „Rauschen“ beinhaltet. Das können auf Bildern weitere Pixel von Menschen, Pflanzen, Möbeln sein oder auch das Sensorrauschen bei Maschinen. Unbeaufsichtigtes Lernen hat mit dieser Art „Mischmasch“ oft Probleme, weshalb das „Supervised Learning“ populärer ist.

Wie unterscheidet sich davon das Supervised Learning, Herr Schiele?

Beim Beaufsichtigten Lernen lässt man anders als im Unbeaufsichtigten Lernen nicht einen Algorithmus die Arbeit des Labelns übernehmen, sondern übernimmt dies als Mensch selbst. Das heißt im ersten Schritt (Abb. links) werden die Daten „gelabelt“, also das, was die KI später erkennen soll, vorbenannt.

Während des Trainings lernt die KI dann, welche Eigenschaften in den Daten mit diesem Label verbunden sind. Die KI kann diese anschließend im zweiten Schritt nach dem Training (Abb. rechts) in neuen, unbekannten Daten wiedererkennen. Es kommt der Art und Weise nahe, wie Menschen ihre Kinder „trainieren“. Sie zeigen ihnen verschiedene Tiere und benennen sie. So lernen die Kinder und können es folglich in Ihren Erfahrungsschatz übernehmen und richtig anwenden.

Erklären Sie uns doch bitte zu guter Letzt, was das Reinforcement Learning umfasst!

Bestärkendes Lernen ist das schwierigste der drei Gebiete. Dabei besteht für einen „Agent/Actor“ (die KI) eine bestimmte Aufgabe, wie das Spielen eines Spiels oder das Steuern einer Maschine nach einer vordefinierten Belohnungsfunktion. Ähnlich können wir wieder den Bogen in den Alltag spannen. Schauen wir uns hier wieder das Beispiel Kind an – genauer gesagt, der Besuch auf dem Spielplatz. Dabei ist das Kind der Actor und es bewegt sich frei innerhalb der zu erlernenden Aufgabe „Spielplatzverhalten“. Neben dem Agenten gibt es noch den „Critic“(in diesem Beispiel die Eltern), also eine Instanz, die das Agentenverhalten bewertet und nach Maßgabe der Belohnungsfunktion rügt oder bestärkt.

Wirft das Kind beispielsweise mit Steinen nach anderen Kindern, dann ist den Eltern klar, dass dieses Verhalten gesellschaftlich nicht akzeptiert ist (negative Belohnung) und werden das Kind zurechtweisen. Macht das Kind etwas Angemessenes und Schönes, wird es potenziell gelobt (positive Belohnung). So lernt der Agent bzw. das Kind, wie es sich in der Umgebung „Spielplatz“ zu verhalten hat. Andere Umgebungen (Zuhause, Arbeitsplatz, uvm.) werden oft mit anderen Belohnungsfunktionen beschrieben. Eine KI wird innerhalb des bestärkenden Lernens ganz genau so trainiert, wobei die Belohnung wie ein Konto zu sehen ist, auf das je nach Aktion Belohnung „eingezahlt“ oder „abgebucht“ wird. Der Endkontostand gibt dann prinzipiell an, wie gut sich der Agent (das Kind) in der gegebenen Umgebung (Spielplatz) nach Maßgabe der Belohnungsfunktion (gesellschaftliche Normen und Werte), bewertet durch den „Critic“ bzw. den Eltern, verhält. Der folgende Videolink beschreibt das Ganze ausführlicher an der Forschungsarbeit von mit in Verbindung mit komplexen Systemen (Motorsteuerung).

Für wen ist welche Art des (künstlichen) Lernens interessant?

Unüberwachtes Lernen ist nützlich, wenn Sie aus einem Haufen ungeordneter Daten Hinweise und grobe Zusammenhänge bekommen möchten. Wenn allerdings Daten zur Verfügung stehen, bei denen die Struktur und das, was passiert oder vorliegt klar ist, ist überwachtes Lernen immer die Methode der Wahl. Sie können sich sicher leicht vorstellen, dass eine gelernte Person (Facharbeiter – Überwachtes Lernen) auf einem Spezialgebiet immer besser arbeitet als jemand Fachfremdes (Unüberwachtes Lernen). So in etwa lassen sich beide Arten miteinander vergleichen. Bestärkendes Lernen ist sehr komplex und bedarf viel Erfahrung. Anwendungen auf diesem Gebiet sollten nur dann erfolgen, wenn schon Erfahrungen mit Überwachtem und/oder Unüberwachtem Lernen vorliegen.

Wo kann AI-UI helfen?

Wir arbeiten derzeit ausschließlich mit überwachtem Lernen. Diese Methodik hat in einem Sammelsurium breiter Anwendungsfälle gezeigt, dass es hervorragend funktioniert. Optimieren Sie Ihre Disposition, sodass beispielsweise verderbliche Waren nicht weggeworfen werden müssen oder saisonale Einflüsse in Ihre Prognose mit einfließen. Checken Sie via Bilderkennung vollautomatisch Ihre Produkte auf Fehler und verbinden Sie die Erkenntnisse mit dem Herstellungsprozess. Ebenso können Sie die Standzeiten ihrer Maschinen via digitaler Zwillinge, virtuellen Sensoren und Predictive Maintenance erhöhen. Für alle diese Einsatzgebiete ist AI-UI ein nützliches Werkzeug.

„Methoden des maschinellen Lernens geben tiefe Einblicke in unsere eigenen, menschlichen Lernprozesse.“

Martin Schiele

Geschäftsführer