Die ersten Computer
Die ersten Computer wurden noch vor dem Begriff Machine Learning entwickelt. Im viktorianischen England wurde der erste bekannte mechanische Allzweckcomputer erfunden. Sein Erfinder ist Charles Babbage. Der Name der Maschine ist Analytical Engine. Lady Ada Lovelace war eine Freundin und Mitarbeiterin von Charles Babbage. Die Analytical Engine war ihrer Zeit voraus. Entwickelt in den 1830 und 1840, war sie dennoch zunächst nicht als Allzweckcomputer gedacht. Dies ist dem Grund geschuldet, dass das Konzept der Allzweckberechnung zunächst noch entdeckt werden musste.
Im Jahr 1843 stellt Lady Ada Lovelace über die Analytical Engine fest:
- Die Analytical Engine besitzt keinerlei Anspruch irgendetwas hervorzubringen.
- Die Maschine kann alles machen, was wir wissen, um es umzusetzen.
- Die Aufgabe der Analytical Engine ist es uns dabei zu helfen, das verfügbar zu machen, mit dem wir schon vertraut sind.
Selbst heute (2023) sind Lady Lovelace Feststellungen aktuell:
- Kann ein Allzweckcomputer etwas entstehen lassen? Oder muss er immer Prozesse stumpf ausführen, die Menschen hingegen voll und ganz verstehen?
- Kann ein Allzweckcomputer jemals zu originellen Gedanken fähig sein?
- Kann die Maschine aus Erfahrung lernen?
- Kann eine Maschine Kreativität entwickeln/zeigen?
Alan Turing zitiert im Jahre 1950 in seiner wegweisenden Arbeit Computing Machinery and Intelligence diese Gedanken als Lady Lovelace Einwand. Weiterhin wurden In dieser Arbeit der Turing-Test, sowie Schlüsselkonzepte vorgestellt, die KI prägen. Tatsächlich war Turing damals der Ansicht, und vertrat diese Standpunkt auch aktiv, dass Computer im wesentlichen alle Aspekte menschlicher Intelligenz nachbilden können.
Ein neues Programmier-Paradigma
Der konventionelle Weg einen Computer für sich arbeiten zu lassen, ist es durch einen Menschen ein Computerprogramm schreiben zu lassen. Der Computer befolgt dann dieses Programm. Mit dem Ziel Eingabedaten in adäquate Antworten umzuwandeln. Machine Learning dreht dies um. Die Maschine verarbeitet die Daten und Antworten und findet hieraus die Regeln heraus. Dies ist in kommender Grafik nochmals visualisiert.
Machine-Learning-Systeme werden nicht programmiert. Viel mehr trainiert der Menschen sie. Trainieren heißt in diesem Zusammenhang: Dem System werden viele, für die Aufgabe wichtige, Beispiele präsentiert. Hierbei findet das System in den Beispielen eine statistische Struktur, welches es dem System ermöglicht, Regeln für eine Automatisierung zu generieren. Ein Beispiel ist die automatisierte Markierung von Urlaubsbilder. Man muss hierzu einem maschinellen Lernsystems eine Vielzahl an, vom Menschen markierten, Beispielbildern präsentieren. Das System lernt hierbei statistische Regeln. Diese nutzt das System wiederum um Bilder zu taggen.
Was ist Maschinelles Lernen?
Maschinelles Lernen begann in den 1990 zu florieren. Seit dem hat es sich schnell zu dem beliebtesten und erfolgreichsten Teilgebiet der KI entwickelt. Dabei wird dieser Trend vor allem durch die Verfügbarkeit von schneller Hardware und großen Datensätzen forciert.
Maschinelles Lernen ist mit mathematischer Statistik verbunden. Jedoch unterscheidet sich Machine Learning in mehreren Facetten von Stochastik. Genauso, wie Medizin mit Chemie verwandt ist. Trotzdem kann man Letztere nicht auf Chemie reduzieren. Ebenfalls hat Medizin mit seinen eigenen verschiedenen Systemen und verschiedenen Eigenschaften zu tun.
Grundlegende Unterschiede zwischen Machine Learning und klassischer Statistik:
- Arbeit mit gigantische Datensätzen (beispielsweise ein Datensatz mit Millionen Bilder mit jeweils mehreren Tausend Pixeln) für welche klassische statistische Methoden unpraktisch sind.
- Machine und Deep Learning weisen jeweils vergleichsweise wenige mathematische Theorie auf. Deswegen sind es im Grund Ingenieursdiziplinen.
- Maschinelles Lernen ist ein sehr praktisches Feld. Hierbei wird es von empirischen Erkenntnissen vorangetrieben. Dabei ist es stark von Weiterentwicklungen im Bereich Soft- und Hardware geprägt.