Machine Learning (ML)

Maschinelles Lernen (ML) ist ein dynamischer Teilbereich der künstlichen Intelligenz (AI), der Computersysteme dazu befähigt, aus Daten zu lernen und ihre Leistung zu verbessern, ohne dass jede Regel explizit programmiert werden muss. Anstatt statischen, fest codierten Anweisungen zu folgen, erkennen Algorithmen des maschinellen Lernens Muster in riesigen Mengen von Big Data, um Entscheidungen zu treffen oder Vorhersagen zu machen. Diese Fähigkeit bildet die Grundlage vieler moderner Technologien und ermöglicht es Computern, sich an neue Situationen anzupassen, indem sie Trainingsdaten verarbeiten und ihre interne Logik im Laufe der Zeit durch Erfahrung verfeinern.

Grundlegende Konzepte und Techniken#

In seiner Grundlage stützt sich ML auf statistische Verfahren zum Aufbau intelligenter Systeme. Das Gebiet wird im Allgemeinen anhand der Art und Weise, wie das System lernt, in drei Hauptmethoden unterteilt. Beim überwachten Lernen wird ein Modell mit gekennzeichneten Datensätzen trainiert, bei denen die gewünschte Ausgabe bekannt ist – eine Technik, die häufig bei Aufgaben zur Bildklassifizierung eingesetzt wird. Beim unüberwachten Lernen werden dagegen nicht gekennzeichnete Daten verarbeitet, wobei der Algorithmus verborgene Strukturen oder Cluster selbstständig finden muss. Das bestärkende Lernen ermöglicht es Agenten schließlich, durch Versuch und Irrtum in einer interaktiven Umgebung zu lernen, um eine Belohnung zu maximieren. Moderne Fortschritte nutzen häufig Deep Learning, einen spezialisierten ML-Zweig, der auf neuronalen Netzen basiert und die geschichtete Struktur des menschlichen Gehirns nachahmt.

Anwendungen in der Praxis#

Maschinelles Lernen hat zahlreiche Branchen durch die Automatisierung komplexer Aufgaben verändert. Hier sind zwei konkrete Beispiele für seine Auswirkungen:

• Autonome Systeme: Im Bereich der Computer Vision werden ML-Modelle wie Ultralytics YOLO26 zur Objekterkennung in Echtzeit eingesetzt. Diese Systeme dienen autonomen Fahrzeugen als „Augen“ und erkennen sofort Fußgänger, andere Autos und Verkehrszeichen, um in Sekundenbruchteilen sicherheitsrelevante Entscheidungen zu treffen.
• Medizinische Diagnostik: Im Gesundheitswesen analysieren ML-Algorithmen komplexe medizinische Aufnahmen, um Anomalien wie Tumore früher als mit herkömmlichen Methoden zu erkennen. Durch die Verarbeitung historischer Patientenakten und den Einsatz der medizinischen Bildanalyse unterstützen diese Werkzeuge Ärztinnen und Ärzte dabei, genaue Diagnosen zu stellen und individuelle Behandlungspläne zu erstellen.

Implementierung des maschinellen Lernens#

Die Entwicklung einer ML-Lösung umfasst einen Lebenszyklus, der als Prozesse für maschinelles Lernen (MLOps) bezeichnet wird. Dieser Prozess beginnt mit der Erfassung hochwertiger Daten und der Datenannotation, um Eingaben für das Modell vorzubereiten. Anschließend müssen Entwickler das Modell trainieren und dabei auf Probleme wie Überanpassung achten, bei der ein System Trainingsdaten auswendig lernt, aber nicht auf neue Informationen verallgemeinern kann.

Das folgende Python-Snippet zeigt, wie du mit dem Paket ultralytics ein vortrainiertes ML-Modell lädst, um eine Inferenz auf einem Bild durchzuführen:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

Wichtige Begriffe unterscheiden#

Es ist wichtig, „Machine Learning“ von verwandten Konzepten zu unterscheiden. Während AI die übergeordnete Wissenschaft der Entwicklung intelligenter Maschinen bezeichnet, ist ML der spezifische Teilbereich von Methoden, mit denen sich diese Intelligenz mithilfe von Daten verwirklichen lässt. Darüber hinaus ist Data Science ein umfassenderes Gebiet, das ML einschließt, sich aber auch auf Datenbereinigung, Visualisierung und statistische Analyse konzentriert, um geschäftliche Erkenntnisse zu gewinnen. Frameworks wie PyTorch und TensorFlow stellen die grundlegenden Werkzeuge für die Entwicklung dieser Systeme bereit.

Um die Komplexität beim Trainieren und Bereitstellen dieser Modelle zu reduzieren, ermöglichen cloudnative Lösungen wie die Ultralytics Platform Teams, Datensätze zu verwalten, skalierbare Modelle zu trainieren und die Bereitstellung von Modellen auf Edge-Geräten effizient zu handhaben.