|
Das Ziel von AutoML ist es, Algorithmen aus dem Bereich
des Maschinelles Lernens (ML) und Systeme, welche diese verwenden, automatisch
für bestimmte Anwendungsfälle auszuwählen, zu konfigurieren und
zu kalibrieren.
Damit ermöglicht man Menschen mit begrenzter
ML-Expertise, solche Algorithmen und Systeme effektiv einzusetzen, und
ML-Fachleuten, bessere Ergebnisse mit weniger Aufwand zu erzielen.
Die größte Errungenschaft in AutoML?
AutoML-Methoden werden immer stärker in der
Forschung und in der Wirtschaft eingesetzt. Dennoch handelt es sich hier noch
um einen neuen Ansatz, dessen größere Erfolge sich erst in den
nächsten Jahren zeigen werden.
Deep Learning
Deep Learning bezeichnet eine Methode des Maschinellen
Lernens, die künstliche Neuronale Netze mit zahlreichen Zwischenschichten
(hidden layers) zwischen Eingabe- und Ausgabeschicht einsetzt und so eine
umfangreiche Struktur herausbildet.
Es ist eine spezielle Methode der
Informationsverarbeitung. Die notwendige Anzahl von Ebenen, ab denen man von
Deep Learning spricht, ist nicht genau festgelegt.
Die in der Anfangszeit der Künstlichen Intelligenz
gelösten Probleme waren für den Menschen intellektuell schwierig,
aber für Computer einfach zu verarbeiten.
Diese Probleme ließen sich durch formale
mathematische Regeln beschreiben. Die wahre Herausforderung an die KI bestand
jedoch in der Lösung von Aufgaben, die für die Menschen leicht
durchzuführen sind, deren Lösung sich schwer durch mathematische
Regeln formulieren lassen.
Dies sind Aufgaben, die der Mensch intuitiv löst, wie
z.B. die Sprach- oder die Gesichtserkennung. Eine computerbasierte Lösung
für diese Art von Aufgaben beinhaltet die Fähigkeit von Computern,
aus der Erfahrung zu lernen und die Welt in Bezug auf eine Hierarchie
von Konzepten zu verstehen.
Hierbei ist jedes Konzept durch seine Beziehung zu
einfacheren Konzepten definiert. Durch das Sammeln von Wissen aus der Erfahrung
vermeidet dieser Ansatz die Notwendigkeit für die menschlichen Bediener,
all das Wissen, das der Computer für seine Arbeit benötigt, formal
spezifizieren zu müssen.
Die Hierarchie der Konzepte erlaubt es dem Computer,
komplizierte Konzepte zu erlernen, indem er sie aus einfacheren zusammensetzt.
Wenn man ein Diagramm zeichnet, das zeigt, wie diese Konzepte übereinander
aufgebaut werden, dann ist das Diagramm tief, mit vielen Schichten.
Aus diesem Grund wird dieser Ansatz in der
künstlichen Intel- ligenz „Deep Learning” genannt. Es ist
schwierig für einen Computer, die Bedeutung von rohen sensorischen
Eingangsdaten zu verstehen, wie beispielsweise in der Handschrifterkennung, wo
ein Text nur als eine Sammlung von Bildpunkten existiert. Die
Überführung einer Menge von Bildpunkten in eine Kette von Ziffern und
Buchstaben ist kompliziert! Komplexe Muster müssen aus Rohdaten extrahiert
werden. Das Lernen oder Auswerten dieser Zuordnung scheint unüberwindbar
schwierig, wenn sie manuell programmiert werden würde. Eine der
häufigsten Techniken in der Künstlichen Intelligenz ist das
Maschinelle Lernen. Maschi- nelles Lernen ist ein selbstadaptiver Algorith-
mus. Deep Learning, eine Teilmenge des Maschinel- len Lernens, nutzt eine Reihe
hierarchischer Schichten bzw. eine Hierarchie von Konzepten, um den
Prozeß des Maschinellen Lernens durchzuführen. |
Was ist “Automatisiertes
Maschinelles Lernen”? |
|
Schon 2016 wurde demonstriert, dass AutoML-Systeme
bessere Ergebnisse erzielen können als menschliche Experten, z.B. beim
Einsatz von ML-Methoden in der Entwicklung neuer Medikamente und Wirkstoffe.
Was wird in AutoML auf uns zukommen?
In der Arbeit von Holger Hoos geht es nicht nur um
Grundlagenforschung und Anwendungen im Bereich AutoML, sondern insbesondere
auch um die Ausweitung des Konzepts auf die gesamte KI – denn KI ist viel
mehr als nur ML, so wie menschliche Intelligenz ja auch nicht nur auf der
Fähigkeit zu Lernen beruht, sondern beispielsweise auch auf der
Fähigkeit zum Planen und logischen Schließen.
Die Erweiterung von AutoML auf die gesamte KI nennt
sich Automated Artificial Intelligence (kurz: AutoAI).
Sie stellt eine wesentliche Komponente für die
Entwicklung der nächsten Generation von KI- Systemen dar.
Dabei geht es zunehmend nicht nur um die
Leistungsfähigkeit von KI-Systemen, sondern auch um weitere wichtige
Eigenschaften, wie z. B. Robustheit gegenüber Störungen oder
Manipulationsversuchen sowie um den Energieverbrauch.
Prinzipiell ist der Einsatz von AutoML- und
AutoAI-Methoden für alle Unternehmen von Inter- esse, die ML- und
KI-Methoden bereits einsetzen. |
¶¶ |