Page 183 - Handbuch Internet of Things

K„apitel 4.6 / KI & selbstlernende Algorithmen
Die künstliche Intelligenz ist der Oberbegri für alle Methoden und Technologien, die ein intelli- gentes Verhalten vorweise“n.
scha sprüfung können mithilfe des maschi- nellen Lernens komplexe Geschä sprozesse aus Millionen von undurchsichtigen Trans- aktionsdaten gelernt werden. Dies erlaubt es, Anomalien, die beispielsweise im Zusammen- hang mit der Wirtscha skriminalität stehen, automatisiert zu identi zieren.
Die Verfahren des maschinellen Lernens bauen auf mathematischen eorien auf, wobei insbesondere die Gebiete der Opti- mierung und Statistik zur Anwendung kom- men. Dabei verarbeiten die Verfahren die Eingabedaten und erstellen je nach Anwen- dung ein spezi sches mathematisches Mo- dell. Das Finden der besten Parameter für das entsprechende Modell nennt man in der Fachsprache das Trainieren oder Lernen ei- nes Modells. Mithilfe der gelernten Modelle lassen sich dann Wahrscheinlichkeiten für zukün ige Ereignisse berechnen oder riesige Datenmengen auf relevante Informationen reduzieren und hinsichtlich bedeutender Ei- genscha en gruppieren.
HANDBUCH INTERNET OF THINGS
Großes Momentum im maschinellen Lernen durch Deep Learning
Ein Teilbereich des maschinellen Lernens ist Deep Learning, das besonders im Fokus rund um die aktuelle Hochphase der KI steht. Bei Deep Learning wird versucht, das mensch- liche Gehirn in einem vereinfachten mathe- matischen Modell mittels künstlicher neuro- naler Netze abzubilden. Abstrakt betrachtet stellt Deep Learning hierfür ein sehr mäch- tiges Framework bereit, mit dem neuronale Netze mit unterschiedlichen Architekturen trainiert werden können. Diese Netze sind in der Lage, entscheidende Merkmale, die für die Lösung eines Problems relevant sind, au- tomatisch aus den Daten zu lernen. Im Ge- gensatz zu klassischen Verfahren des maschi- nellen Lernens, bei denen die Merkmale von dem Menschen aufwendig entworfen und de niert werden müssen, lernen die neuro- nalen Netze selbstständig die Korrelationen und Merkmale aus den Daten.
Mathematisch kann gezeigt werden, dass die neuronalen Netze eine beliebige mathemati- sche Funktion abbilden können. Zur Lösung komplexer und nicht linearer Problemstellun- gen werden jedoch Netzwerke mit besonders vielen Schichten aus Neuronen (und somit ein tiefschichtiges Netzwerk) benötigt, woher auch der Begri des „Deep Learnings“ resul- tiert. Diese vielschichtigen Netzwerke erlau- ben es zwar, komplexe Probleme näherungs- weise besser zu lösen, gleichzeitig erfordert ein solcher Ansatz aber auch eine besonders hohe Anzahl an freien Parametern, die durch ein aufwendiges Training bestimmt werden müssen. Das eigentliche Training ist ein nicht konvexes Optimierungsproblem, bei dem
184