Was ist Unsupervised Learning?

Künstliche Intelligenz ist zurzeit das bedeutendste Thema innerhalb der IT. Programme lernendasDenken und Handeln von Menschen zu imitieren und können nach einer bestimmten Lernphase eigenständige Entscheidungen treffen. Innerhalb der künstlichen Intelligenz liegt das Themengebiet Machine Learning. Dieses beschreibt die Verfahren, die nötig sind, damit Programme und somit Maschinen selbständig lernen können. Eine Methode ist dabei Unsupervised Learning.

Was ist Unsupervised Learning?

Unsupervised Learning ist eine Methode zur Datenanalyse innerhalb des Gebiets der künstlichen Intelligenz. Hierbei orientiert sich ein künstliches neuronales Netzwerk an Ähnlichkeiten innerhalb verschiedener Inputwerte. Beim Unsupervised Learning versucht der Computer selbstständig Muster und Strukturen innerhalb der Eingabewerte zu erkennen.

Unsupervised Learning steht damit im Gegensatz zum Supervised Learning. Bei dieser Methode behalten Entwickler die Kontrolle komplett in der Hand und geben das Lernziel klar vor. Zwischen den beiden Lehrmethoden steht noch eine dritte: Beim Reinforcement Learning geben Entwickler nur Impulse, um das Training der Algorithmen zu beeinflussen.

Wie funktioniert Unsupervised Learning?

Vereinfacht dargestellt ist die Lernmethode ein künstliches neuronales Netz, das eine große Menge an Informationseingaben analysiert, um mittels dieser Informationen Zusammenhänge, Muster und Ähnlichkeiten in Daten zu ermitteln. Dieser Vorgang basiert auf verschiedenen Verfahren. Eine Technik, der sich die Lernmethode bedient, ist das Clustering, auch bekannt als Clusterverfahren. Hierbei müssen die Algorithmen selbstständig Cluster – also Gruppierungen – bilden. Im Anschluss werden diesen Clustern dann Daten zugeordnet.

Wenn die Daten beispielsweise Fotos von Hunden und Katzen darstellen, sortiert das Programm beim Unsupervised Learning alle Hundefotos und alle Katzenfotos zunächst in diese zwei Kategorien. Dieses Ergebnis wird allerdings, anders als beim Supervised Learning, nicht vorgegeben. Die Algorithmen beim Unsupervised Machine Learning treffen diese Entscheidung selbst auf der Basis von Gemeinsamkeiten und Unterschieden in den Bildern.

Ein weiteres Verfahren ist Association. Hierbei werden Daten, die sich mit anderen Daten über bestimmte Attribute in Verbindung bringen lassen, kategorisiert. Die Aufgabe der Algorithmen ist es also, Objekte zu finden, die in Verbindung miteinander stehen – dafür müssen sie aber nicht gleich sein. Wieder das Beispiel mit den Hundefotos: Bei der Association würde der Unsupervised-Learning-Algorithmus nicht alle Hunde zusammenfassen, sondern beispielsweise eine Leine mit dem Hund in Verbindung bringen.

Mit dem weiteren Klick laden Sie das Video von YouTube. In diesem Fall kann YouTube Cookies setzen, auf welche wir keinen Einfluss haben.

Wo und wann wird Unsupervised Learning eingesetzt?

Es gibt viele Beispiele für Unsupervised Learning in der Praxis. Dadurch, dass Programme aufgrund der Lernmethode in der Lage sind, Spielregeln und somit auch Gewinnstrategien zu erlernen, lassen sie sich z. B. gewinnbringend an der Börse einsetzen. So ist es möglich, die Börsenkurse als rohe Daten zur Verfügung zu stellen und das Programm bestimmte Börsenaktivitäten erkennen und Trends voraussehen zu lassen.

Künstliche Intelligenz und insbesondere Unsupervised Learning wird aber auch in vielen weiteren Bereichen bereits angewendet. Durch das Clusterverfahren lassen sich Personengruppen zusammenstellen, was vor allem im Marketing von Bedeutung ist. Dort ist nämlich die Zielgruppe der Mittelpunkt und die Grundlage für die Erarbeitung einer Werbestrategie. Algorithmen können selbstständig lernen, eine solche Gruppe an Menschen zusammenzufassen.

Ein Bereich, in dem das Prinzip des Unsupervised Learning bereits fest verankert ist, ist die Spracherkennung. Die Bedienung von Assistenzprogrammen wie Siri, Alexa oder Google Assistant wird beispielsweise erst durch Spracherkennung möglich. Hierbei lernen die Programme die Sprechgewohnheiten des Besitzers und können mit der Zeit immer genauere Spracheingaben verstehen, auch wenn der Besitzer eventuell einen Sprachfehler hat oder einen Dialekt spricht.

Viele Smartphones arbeiten bereits mit Unsupervised Learning und sorgen auf diese Weise in Fotogalerien für Ordnung. Durch das selbstständige und unüberwachte Lernen ist das Gerät in der Lage, dieselbe Person auf Fotos zu erkennen oder auch in den Meta-Daten gleiche Aufnahmeorte festzustellen. So können die Fotos nach Ort der Aufnahme oder auch nach Personen, die auf dem Foto abgebildet sind, geordnet werden.

In Chats hat sich Unsupervised Learning ebenfalls bewährt: Ein Großteil der Internetnutzer hat bereits mit Chatbots Erfahrung gemacht. Sie regeln beispielsweise den sozialen Umgang innerhalb von virtuellen Gesprächen. So werden Beleidigungen, Hetze, rassistische Äußerungen und auch Diskriminierung von den Bots selbstständig erkannt und die betreffenden User aus dem Chat entfernt oder ermahnt. Auch hier spielt künstliche Intelligenz eine Rolle. Ähnlich funktionieren die automatisierten Chats im Kundendienst und bei der Onlinebestellung. Egal ob in einem Messenger oder am Telefon – die Bots lernen selbstständig und zum Teil auch unüberwacht.

Negativ-Beispiel: Chatbot in Social Media

Dass unüberwachtes Lernen allerdings auch negative Auswirkungen haben kann, musste Microsoft 2016 feststellen. Deren KI „Tay“ hatte einen Twitter-Zugang und lernte durch die Kommunikation mit anderen Nutzern der Plattform. Anfangs war das Programm noch recht einfältig, doch schnell benutzte es viele Smileys und bildete ganze Sätze. Allerdings bewertete die KI die Aussagen nicht und hetzte überraschend schnell gegen Ausländer und Feministen und verbreitete Verschwörungstheorien – all dies geschah innerhalb von 24 Stunden. Das Programm an sich war weder rassistisch noch politisch motiviert, es hat einfach von den Menschen gelernt. Ob und wie viele Twitter-Nutzer sich einen Scherz erlaubten und Tay mit diesen Daten fütterten, ist nicht bekannt.

Positiv-Beispiel: Genforschung

Durchaus positive Auswirkungen hat Unsupervised Learning allerdings auf die Genforschung. Hier hilft das Clusterverfahren bei der Analyse von Genmaterial. Der medizinische und technische Bereich wächst Dank der künstlichen Intelligenz und deren Lernmethoden dichter zusammen und die Forschung wird enorm beschleunigt, sodass Erbkrankheiten wie die Sichelzellenanämie oder auch eine vererbte Blindheit zukünftig behandelt und geheilt werden können.

Vorteil von Unsupervised Learning gegenüber anderen Methoden

Machine Learning bedeutet nicht nur technischer Fortschritt, sondern auch eine Entlastung und Erleichterung in vielen Bereichen des täglichen Lebens. Es ist eine Bereicherung für Alltag, Wirtschaft und auch Forschung. Im Gegensatz zu den anderen beiden Lernmethoden (Supervised und Reinforcement Learning) sind Entwickler nicht am eigentlichen Training beteiligt, was neben einer eventuellen Zeitersparnis auch noch einen weiteren Vorteil mit sich bringt: Mit Unsupervised Learning können Muster erkannt werden, die ein Mensch zuvor nicht erkannt hat. Somit haben Algorithmen auf der Basis von Unsupervised Machine Learning die Möglichkeit, kreative Ideen zu entwickeln.


Auf dem Laufenden bleiben?

Jetzt für unseren Newsletter anmelden und gratis Online-Marketing Whitepaper für lokale Anbieter sichern!