Machine Learning (ML)

Machine Learning (ML) ist ein dynamischer Teilbereich der künstlichen Intelligenz (KI), der Computersysteme dazu befähigt, aus Daten zu lernen und ihre Leistung zu verbessern, ohne für jede Regel explizit programmiert werden zu müssen. Anstatt statische, fest kodierte Anweisungen zu befolgen, identifizieren Machine-Learning-Algorithmen Muster in riesigen Mengen von Big Data, um Entscheidungen oder Vorhersagen zu treffen. Diese Fähigkeit ist der Motor hinter vielen modernen Technologien und ermöglicht es Computern, sich an neue Szenarien anzupassen, indem sie Trainingsdaten verarbeiten und ihre interne Logik im Laufe der Zeit durch Erfahrung verfeinern.

Link to this sectionKernkonzepte und -techniken#

Im Kern stützt sich ML auf statistische Verfahren zum Aufbau intelligenter Systeme. Das Feld wird im Allgemeinen in drei Hauptmethoden unterteilt, basierend darauf, wie das System lernt. Überwachtes Lernen beinhaltet das Trainieren eines Modells mit beschrifteten Datensätzen, bei denen das gewünschte Ergebnis bekannt ist – eine Technik, die häufig bei Bildklassifizierungsaufgaben eingesetzt wird. Umgekehrt befasst sich unüberwachtes Lernen mit unbeschrifteten Daten und erfordert, dass der Algorithmus selbstständig verborgene Strukturen oder Cluster findet. Schließlich ermöglicht bestärkendes Lernen es Agenten, durch Versuch und Irrtum in einer interaktiven Umgebung zu lernen, um eine Belohnung zu maximieren. Moderne Fortschritte nutzen oft Deep Learning, einen spezialisierten Zweig von ML, der auf neuronalen Netzen basiert und die geschichtete Struktur des menschlichen Gehirns nachahmt.

Link to this sectionPraxisanwendungen#

Machine Learning hat zahlreiche Branchen durch die Automatisierung komplexer Aufgaben transformiert. Hier sind zwei konkrete Beispiele für seine Auswirkungen:

• Autonome Systeme: Im Bereich Computer Vision werden ML-Modelle wie Ultralytics YOLO26 für die Objekterkennung in Echtzeit eingesetzt. Diese Systeme fungieren als „Augen“ für autonome Fahrzeuge und identifizieren sofort Fußgänger, andere Fahrzeuge und Verkehrsschilder, um Sicherheitsentscheidungen in Sekundenbruchteilen zu treffen.
• Medizinische Diagnostik: Im Gesundheitswesen analysieren ML-Algorithmen komplexe medizinische Bilder, um Anomalien wie Tumore früher als mit herkömmlichen Methoden zu erkennen. Durch die Verarbeitung historischer Patientenakten und die Nutzung der medizinischen Bildanalyse unterstützen diese Werkzeuge Ärzte dabei, präzise Diagnosen zu stellen und personalisierte Behandlungspläne zu erstellen.

Link to this sectionImplementierung von Machine Learning#

Die Entwicklung einer ML-Lösung umfasst einen Lebenszyklus, der als Machine Learning Operations (MLOps) bekannt ist. Dieser Prozess beginnt mit dem Sammeln hochwertiger Daten und der Durchführung von Datenannotationen, um Eingaben für das Modell vorzubereiten. Entwickler müssen das Modell anschließend trainieren und dabei auf Probleme wie Overfitting achten, bei dem ein System Trainingsdaten auswendig lernt, aber nicht in der Lage ist, auf neue Informationen zu verallgemeinern.

Das folgende Python-Snippet demonstriert, wie man ein vortrainiertes ML-Modell mit dem ultralytics-Paket lädt, 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()

Link to this sectionUnterscheidung wichtiger Begriffe#

Es ist wichtig, „Machine Learning“ von verwandten Konzepten zu unterscheiden. Während KI die übergeordnete Wissenschaft der Schaffung intelligenter Maschinen ist, ist ML der spezifische Teilbereich der Methoden, die verwendet werden, um diese Intelligenz mittels Daten zu erreichen. Zudem ist Data Science ein breiteres Feld, das ML integriert, sich aber auch auf Datenbereinigung, Visualisierung und statistische Analysen konzentriert, um geschäftliche Erkenntnisse zu gewinnen. Frameworks wie PyTorch und TensorFlow stellen die grundlegenden Werkzeuge bereit, um diese Systeme zu erstellen.

Um die Komplexität des Trainings und der Bereitstellung dieser Modelle zu optimieren, ermöglichen Cloud-native Lösungen wie die Ultralytics Platform es Teams, Datensätze zu verwalten, skalierbare Modelle zu trainieren und die Modellbereitstellung auf Edge-Geräten effizient abzuwickeln.