Die zehn wichtigsten KI-Algorithmen im Überblick

Künstliche Intelligenz ermöglicht Maschinen, aus Daten zu lernen, Muster zu erkennen und eigenständig Entscheidungen zu treffen. KI-Algorithmen sind dabei das Herzstück jeder intelligenten Anwendung.

Was sind KI-Algorithmen?

KI-Algorithmen sind spezifische Rechenverfahren, die Maschinen befähigen, Aufgaben auszuführen, die traditionell menschliche Intelligenz erfordern. Sie analysieren Daten, erkennen Zusammenhänge und treffen darauf basierende Vorhersagen. Dabei reicht ihr Einsatz von einfachen Entscheidungsbäumen bis hin zu komplexen neuronalen Netzen. Algorithmen in der künstlichen Intelligenz entscheiden, wie die KI Daten verarbeitet, welche Muster sie erkennt und wie sie darauf reagiert. Sie sind in nahezu allen Bereichen präsent, vom Online-Shopping über Sprachassistenten bis hin zur medizinischen Diagnose. Der Erfolg einer KI-Anwendung hängt stark von der Wahl des richtigen Algorithmus ab. Grundsätzlich unterscheiden sich Algorithmen für die KI in ihrer Funktionsweise, ihrer Lernmethode und ihrer Anwendungsspezialisierung.

Die 10 wichtigsten KI-Algorithmen

KI-Algorithmen bilden die Grundlage für alle intelligenten Anwendungen. Im Folgenden stellen wir Ihnen die zehn wichtigsten Algorithmen für künstliche Intelligenz vor, erklären ihre Funktionsweise und zeigen anhand von KI-Algorithmen-Beispielen, wo sie praktisch eingesetzt werden.

Lineare Regression

Die lineare Regression ist einer der grundlegendsten Algorithmen im maschinellen Lernen. Sie versucht, eine lineare Beziehung zwischen einer abhängigen Variable (z. B. Hauspreis) und einer oder mehreren unabhängigen Variablen (z. B. Lage, Wohnfläche, Alter des Hauses) zu finden. Der Algorithmus erstellt dazu eine Gerade (bei einer unabhängigen Variable) oder eine Hyperebene (bei mehreren Variablen), die die Datenpunkte möglichst gut annähert. Ziel ist es, die Differenz zwischen den vorhergesagten und den tatsächlichen Werten, den sogenannten Fehler, zu minimieren. Dazu werden mathematische Verfahren wie die Methode der kleinsten Quadrate verwendet.

In der Praxis wird die lineare Regression unter anderem in der Finanzanalyse eingesetzt, etwa zur Vorhersage von Aktienkursen oder Umsätzen, sowie im Marketing, um den Einfluss verschiedener Faktoren auf Verkaufszahlen zu analysieren. Sie ist besonders leicht verständlich und daher ideal für den Einstieg in die Datenanalyse. Auch wenn sie einfach ist, liefert sie in vielen Bereichen zuverlässige und nachvollziehbare Ergebnisse.

Praxisbeispiel: Ein Immobilienunternehmen möchte den Verkaufspreis von Häusern schätzen. Der Algorithmus analysiert historische Daten von Häusern, deren Größe, Baujahr und Lage bekannt sind, und berechnet daraus eine Regressionsgerade, die den Preis vorhersagt. So kann das Unternehmen schnell eine Schätzung für ein neues Objekt abgeben.

Logistische Regression

Die logistische Regression wird eingesetzt, wenn es um Klassifikationsprobleme geht. Bei solchen Problemen sollen Objekte oder Ereignisse in bestimmte Kategorien eingeordnet werden. Anders als die lineare Regression sagt sie nicht einen konkreten Wert voraus, sondern die Wahrscheinlichkeit, dass ein Ereignis eintritt. Der Algorithmus berechnet dazu eine lineare Kombination der Eingabevariablen und wendet anschließend eine Sigmoid-Funktion an, die das Ergebnis auf einen Wert zwischen 0 und 1 transformiert. Dieser Wert wird als Wahrscheinlichkeit interpretiert, sodass Werte über einem bestimmten Schwellenwert einer Kategorie zugeordnet werden.

Praxisbeispiel: Ein E-Mail-Anbieter möchte eingehende Nachrichten automatisch als Spam oder Nicht-Spam klassifizieren. Der Algorithmus analysiert Merkmale wie Absenderadresse, bestimmte Schlüsselwörter oder die Anzahl externer Links. Anhand dieser Merkmale berechnet er für jede E-Mail die Wahrscheinlichkeit, dass sie Spam ist. Liegt die Wahrscheinlichkeit über 50 %, markiert das System die E-Mail als Spam.

Entscheidungsbäume

Entscheidungsbäume sind eine Klasse von Algorithmen, die, wie der Name schon andeutet, Entscheidungen in einer baumartigen Struktur darstellen. Jeder Knoten im Baum entspricht einer Frage oder Bedingung, und jeder Zweig führt zu einer weiteren Bedingung oder zu einem Endergebnis (dem sogenannten Blatt). Der Algorithmus entscheidet bei jeder Entscheidungsebene, welche Eigenschaft der Daten am besten zwischen den Klassen trennt. Dazu werden Kriterien wie Informationsgewinn oder Gini-Index genutzt, um die beste Frage für jeden Knoten zu wählen. So entsteht ein Modell, das Vorhersagen anhand der Merkmalswerte der Eingabedaten trifft.

Entscheidungsbäume sind leicht zu visualisieren und gut verständlich. Sie benötigen verhältnismäßig wenig Datenvorverarbeitung, können auch für klassifikatorische und numerische Vorhersagen eingesetzt werden und lassen sich in Random-Forest-Modellen kombinieren, um die Vorhersagegenauigkeit zu erhöhen.

Praxisbeispiel: Anwendungen findet der KI-Algorithmus beispielsweise in der Medizin. So kann ein Krankenhaus ihn als Vorhersagehilfe nutzen, um eine Einschätzung zu erhalten, ob eine Patientin oder ein Patient ein bestimmtes Risiko für Herzkrankheiten hat. Der Entscheidungsbaum beginnt bei einer Frage wie „Ist der Blutdruck hoch?“. Je nach Antwort geht es weiter zu weiteren Fragen, z. B. „Raucht der Patient / die Patientin?“ oder „Wie hoch ist der Cholesterinspiegel?“. Am Ende erreicht man ein Blatt, das die Klassifikation „hohes Risiko“ oder „geringes Risiko“ liefert.

Random Forest

Random Forest ist eine Weiterentwicklung von Entscheidungsbäumen und gehört zu den sogenannten Ensemble-Methoden. Der Algorithmus erstellt eine Vielzahl von Entscheidungsbäumen, die jeweils auf zufälligen Teilmengen der Trainingsdaten und einer zufälligen Auswahl von Merkmalen trainiert werden. Jeder Baum trifft unabhängig eine Vorhersage und das Gesamtergebnis wird durch Mehrheitsentscheidung bei der Klassifikation oder der Mittelwertbildung bei der Regression bestimmt. Durch die Kombination vieler Bäume werden Fehler einzelner Bäume ausgeglichen und die Vorhersage insgesamt stabiler und genauer. Der KI-Algorithmus ist flexibel, kann große Datenmengen verarbeiten und ist weniger anfällig für Overfitting als einzelne Entscheidungsbäume.

Praxisbeispiel: Eine Anwendung für Random Forest findet sich zum Beispiel im E-Commerce, wenn ein Online-Shop vorhersagen möchte, ob Kundinnen oder Kunden ein bestimmtes Produkt kaufen. Jeder Baum im Random Forest bewertet die Wahrscheinlichkeit basierend auf unterschiedlichen Kundendaten wie Alter, vorherige Käufe, Besuchsfrequenz oder Standort. Die Vorhersagen aller Bäume werden zusammengeführt, und das Produkt wird den Kundinnen und Kunden als wahrscheinlich relevant vorgeschlagen, wenn die Mehrheit der Bäume dies unterstützt.

k-Nearest Neighbors (kNN)

kNN ist ein einfacher, aber sehr intuitiver Algorithmus, der Vorhersagen auf Basis von Ähnlichkeiten zwischen Datenpunkten trifft. Bei einer neuen Eingabe berechnet der Algorithmus die Abstände zu allen vorhandenen Trainingsdatenpunkten meist mithilfe von Metriken wie dem euklidischen Abstand. Anschließend werden die k nächsten Nachbarn ausgewählt, also die k Datenpunkte, die der neuen Eingabe am ähnlichsten sind:

• Bei Klassifikationsproblemen wird die neue Eingabe in die Kategorie eingeordnet, die unter diesen Nachbarn am häufigsten vorkommt.
• Bei Regressionsproblemen wird der Durchschnitt der Werte der Nachbarn als Vorhersage genutzt.

Der KI-Algorithmus ist einfach zu implementieren, benötigt jedoch ausreichend repräsentative Trainingsdaten und eine gute Datenvorverarbeitung, insbesondere bei der Skalierung der Merkmale. Trotz seiner Einfachheit liefert kNN in vielen Bereichen oft überraschend gute Ergebnisse.

Praxisbeispiel: Ein Streaming-Dienst möchte voraussagen, welche Filme einem User gefallen könnten. Der Algorithmus betrachtet das Verhalten anderer Nutzerinnen und Nutzer mit ähnlichen Sehgewohnheiten, also den „nächsten Nachbarn“, und schlägt Filme vor, die diese User positiv bewertet haben. Die Wahl von „k“ ist entscheidend: Ein zu kleiner Wert kann zu instabilen Vorhersagen führen, aber ein zu großer Wert kann relevante lokale Muster verwässern.

Support Vector Machines (SVMs)

Bei Support Vector Machines handelt es sich um Algorithmen, die dazu dienen, Datenpunkte verschiedener Klassen optimal zu trennen. Der Algorithmus sucht dabei nach einer Trennlinie oder Trennebene/Hyperplane, die die Abstände zwischen den Klassen maximiert. Die Datenpunkte, die am nächsten an dieser Linie liegen, werden als Support Vectors bezeichnet, da sie die Position der Trennlinie entscheidend bestimmen. SVMs können auch nichtlineare Klassifikationsprobleme lösen, indem sie sogenannte Kernel-Funktionen verwenden, die die Daten in einen höherdimensionalen Raum transformieren, in dem eine lineare Trennung möglich ist. SVMs sind besonders leistungsfähig bei gut getrennten Datensätzen und liefern sehr präzise Ergebnisse. Ein Nachteil ist, dass die Berechnung bei sehr großen Datensätzen aufwendig sein kann.

Praxisbeispiel: Ein Online-Banking-Dienst möchte betrügerische Transaktionen von regulären Transaktionen unterscheiden und hierfür den KI-Algorithmus nutzen. Er analysiert Merkmale wie Transaktionsbetrag, Uhrzeit, Ort und bisheriges Nutzerverhalten. Die SVM sucht dann eine Trennlinie, die betrügerische von legitimen Transaktionen möglichst klar abgrenzt. Die Support Vectors, also die kritischsten Transaktionen, die nahe an der Trennlinie liegen, bestimmen dabei, wie neue Transaktionen klassifiziert werden.

Naive Bayes

Naive Bayes ist ein probabilistischer Klassifikationsalgorithmus, der auf dem Bayesschen Theorem basiert. Er geht davon aus, dass alle Merkmale eines Datenpunkts unabhängig voneinander sind. Der Algorithmus berechnet basierend auf den beobachteten Merkmalen die Wahrscheinlichkeit, dass ein Datenpunkt zu einer bestimmten Klasse gehört. Anschließend wird der Datenpunkt der Klasse mit der höchsten Wahrscheinlichkeit zugeordnet. Naive Bayes ist selbst bei kleinen Trainingsmengen schnell, effizient und robust. Trotz der Annahme, dass Merkmale unabhängig sind, liefert der Algorithmus in vielen Textklassifikationsaufgaben zuverlässige Ergebnisse.

Praxisbeispiel: Ein Beispiel für die Anwendung des beliebten KI-Algorithmus ist ein Online-Shop, der Kundenbewertungen automatisch als „positiv“, „neutral“ oder „negativ“ klassifizieren möchte. Der Algorithmus betrachtet hierzu Merkmale wie die Häufigkeit bestimmter Wörter (beispielsweise „gut“, „schlecht“, „empfehlenswert“) in den Texten. Anhand dieser Merkmale berechnet Naive Bayes, mit welcher Wahrscheinlichkeit eine Bewertung zu jeder Kategorie gehört, und weist sie der Kategorie mit der höchsten Wahrscheinlichkeit zu.

K-Means

K-Means ist ein Clustering-Algorithmus, der Daten in Gruppen, sogenannte Cluster, mit ähnlichen Eigenschaften unterteilt. Der Algorithmus beginnt, indem er eine vorher festgelegte Anzahl von Clusterzentren k zufällig wählt. Anschließend wird jeder Datenpunkt dem nächstgelegenen Clusterzentrum zugeordnet. Danach werden die Clusterzentren basierend auf den zugeordneten Punkten neu berechnet. Dieser Vorgang wird iterativ wiederholt, bis sich die Cluster stabilisieren. Die Wahl von k, also die Anzahl der Cluster, ist entscheidend für die Qualität der Ergebnisse: Zu wenige Cluster können Muster verschleiern, zu viele führen zu übermäßig feingranularen Gruppen.

Praxisbeispiel: Im Marketing wird K-Means verwendet, um Kundinnen und Kunden nach ihrem Kaufverhalten zu gruppieren. Diejenigen mit ähnlichen Einkaufsgewohnheiten landen in denselben Clustern, wodurch gezielte Angebote oder Empfehlungen erstellt werden können. K-Means wird auch in der Bildverarbeitung, bei der Erkennung von Anomalien oder zur Entdeckung von Mustern in unstrukturierten Daten eingesetzt und eignet sich hervorragend, um verborgene Strukturen in großen Datensätzen zu erkennen.

Backpropagation

Bei der Backpropagation handelt es sich um einen Algorithmus, der beim Training neuronaler Netze eingesetzt wird und die Grundlage für Deep-Learning-Modelle bildet. Er passt die Verbindungen zwischen den Neuronen schrittweise an, indem er den Fehler einer Vorhersage rückwärts durch die Netzschichten propagiert. Auf diese Weise wird das Netzwerk kontinuierlich verbessert, sodass die Vorhersagen immer genauer werden. Häufig wird Backpropagation zusammen mit Gradient Descent verwendet, um die Gewichte optimal zu justieren und den Fehler zu minimieren.

Praxisbeispiel: Bei der Spracherkennung analysiert ein System zum Beispiel gesprochene Wörter und wandelt sie in Text um. Das neuronale Netz trifft zunächst Vorhersagen, die oft fehlerhaft sind. Backpropagation berechnet die Abweichung zwischen der Vorhersage und der tatsächlichen Textversion, propagiert diesen Fehler durch die Schichten und passt die Verbindungen entsprechend an. Auf diese Weise lernt das Netz über viele Trainingsbeispiele, die Aussprache korrekt zu erkennen.

Reinforcement Learning

Reinforcement Learning ist ein Lernverfahren, bei dem eine KI durch Versuch und Irrtum lernt, Entscheidungen zu treffen. Der Algorithmus interagiert mit seiner Umgebung und erhält Belohnungen für gewünschtes Verhalten sowie Bestrafungen für unerwünschtes Verhalten. Ziel ist es, eine Strategie oder Policy zu entwickeln, die langfristig die maximale Belohnung erzielt. Anders als bei überwachten Lernverfahren muss die KI nicht für jede Situation vorher die richtige Antwort kennen, sondern sie lernt selbstständig aus den Konsequenzen ihrer Handlungen. Der KI-Algorithmus zeigt, wie KI eigenständig komplexe Probleme lösen kann, indem sie aus Erfahrungen lernt, langfristige Konsequenzen berücksichtigt und Strategien ohne explizite Programmierung entwickelt.

Praxisbeispiel: In der Robotik wird RL eingesetzt, um einen Roboter zu trainieren, der eigenständig einen Parcours überwinden soll. Anfangs stolpert der Roboter häufig oder fällt um, doch durch wiederholte Versuche erkennt er, welche Bewegungen zum Erfolg führen, und passt sein Verhalten daher Schritt für Schritt an. Nach vielen Trainingsdurchläufen entwickelt der Roboter eine Strategie, die es ihm ermöglicht, den Parcours effizient zu meistern.