Maschinelles Lernen (ML)

Unterscheidung zwischen ML und verwandten Begriffen

Um ML zu verstehen, muss man auch wissen, wie es mit anderen wichtigen Konzepten in diesem Bereich zusammenhängt:

• Künstliche Intelligenz (KI): KI ist das umfassende Konzept der Schaffung von Maschinen, die zu intelligentem Verhalten fähig sind. ML ist der bekannteste und erfolgreichste Ansatz, um KI zu erreichen. Während KI das übergeordnete Ziel ist, ist ML die praktische Methodik, die es Systemen ermöglicht, zu lernen und sich anzupassen.
• Tiefes Lernen (DL): Deep Learning ist ein spezieller Teilbereich von ML, der komplexe, mehrschichtige neuronale Netze (NN) verwendet, die oft als Deep Neural Networks bezeichnet werden. DL war für wichtige Durchbrüche bei der Verarbeitung komplexer Daten wie Bilder, Ton und Text verantwortlich und ist die Grundlage für die meisten modernen Bildverarbeitungsmodelle.
• Data Mining: Beide Bereiche analysieren zwar Daten, verfolgen aber unterschiedliche Ziele. Data Mining, wie es von Branchenführern wie SAS definiert wird, konzentriert sich auf die Entdeckung bisher unbekannter Muster in großen Datensätzen, um Erkenntnisse für die menschliche Nutzung zu gewinnen. Im Gegensatz dazu nutzt ML Muster, um Vorhersagemodelle zu erstellen, die auf der Grundlage neuer, ungesehener Daten autonome Entscheidungen treffen können.

Arten des maschinellen Lernens

ML-Modelle werden in der Regel danach kategorisiert, wie sie aus Daten lernen:

• Überwachtes Lernen: Der häufigste Typ, bei dem das Modell aus markierten Daten lernt, die aus Eingabe-Ausgabe-Paaren bestehen. Ziel ist es, eine Zuordnungsfunktion zu erlernen, die die Ausgabe für neue Eingaben vorhersagen kann. Bildklassifizierung und Spam-Erkennung sind klassische Beispiele.
• Unüberwachtes Lernen: Das Modell erhält unbeschriftete Daten und muss selbständig Muster oder intrinsische Strukturen finden, z. B. die Gruppierung von Datenpunkten in Clustern. Die Erkennung von Anomalien und die Kundensegmentierung sind häufige Anwendungsfälle.
• Verstärkungslernen: Ein Agent lernt durch Interaktion mit einer Umgebung. Er erhält Belohnungen für erwünschte und Bestrafungen für unerwünschte Aktionen, mit dem Ziel, seine kumulative Belohnung zu maximieren. Dieser Ansatz wird häufig in der Robotik und bei strategischen Spielen verwendet.

Relevanz für KI und Computer Vision

Maschinelles Lernen ist ein Grundpfeiler der modernen künstlichen Intelligenz und hat insbesondere im Bereich der Computer Vision (CV) eine transformative Wirkung. Aufgaben wie Objekterkennung, Bildsegmentierung und Posenschätzung stützen sich stark auf ML-Modelle, um visuelle Informationen zu interpretieren und zu verstehen. Hochmoderne Modelle wie Ultralytics YOLO nutzen ML-Techniken, insbesondere Deep Learning, um eine hohe Genauigkeit und Geschwindigkeit bei Echtzeitanwendungen zu erreichen.

Hier sind zwei Beispiele für ML in Aktion:

1. Medizinische Bildanalyse: In der KI für das Gesundheitswesen können ML-Modelle, die auf Datensätzen wie dem Hirntumordatensatz trainiert wurden, MRT- oder CT-Scans analysieren, um potenzielle Anomalien zu erkennen und zu umreißen. Dies hilft Radiologen, indem es bedenkliche Bereiche hervorhebt, was zu schnelleren und genaueren Diagnosen führt. Organisationen wie das National Institute of Biomedical Imaging and Bioengineering (NIBIB) erforschen diese Anwendungen aktiv.
2. Autonome Fahrzeuge: Selbstfahrende Autos verwenden eine Reihe von ML-Modellen, um Daten von Kameras, LiDAR und Radar in Echtzeit zu verarbeiten. In der KI für die Automobilindustrie werden diese Modelle verwendet, um Objekte wie andere Fahrzeuge, Fußgänger und Verkehrsschilder zu erkennen und zu klassifizieren, damit das Auto sicher durch seine Umgebung navigieren kann. Technologieplattformen wie NVIDIAs DRIVE basieren auf leistungsstarken ML-Funktionen.

Tools und Rahmenwerke

Die Entwicklung und der Einsatz von ML-Modellen wird durch ein reichhaltiges Ökosystem von Tools unterstützt. Frameworks wie PyTorch (besuchen Sie die offizielle PyTorch-Seite) und TensorFlow (besuchen Sie die TensorFlow-Homepage) bieten die wesentlichen Bausteine für die Erstellung neuronaler Netze.

Plattformen wie Ultralytics HUB bieten integrierte Umgebungen, die den gesamten Arbeitsablauf rationalisieren, von der Verwaltung von Datensätzen und der Schulung benutzerdefinierter Modelle bis hin zur Modellbereitstellung und -überwachung durch MLOps. Die Erstellung eines effektiven Modells erfordert oft eine sorgfältige Abstimmung der Hyperparameter und ein tiefes Verständnis der Leistungsmetriken.