Wenn Sie das Internet in irgendeiner Form nutzen, werden Sie unweigerlich mit Algorithmen in Berührung kommen. Von Googles Suchmaschine über die Timeline-Algorithmen von Facebook bis hin zu den Systemen, die Finanzinstitute bei der Abwicklung von Transaktionen unterstützen – Algorithmen bilden die Grundlage künstlicher Intelligenz.
Obwohl sie zum Kern unseres digitalen Lebens gehören, werden Algorithmen außer von den Menschen, die sie entwickeln, nur selten verstanden. Berüchtigt ist etwa der Algorithmus von Youtube: Obwohl die Plattform fast 400.000 hauptberufliche Kreative unterstützt, ist er – er empfiehlt Videos und hebt Kanäle hervor, die den Interessen der Nutzer entsprechen – als undurchsichtige Blackbox bekannt, von der Kreative abwechselnd profitieren oder unter ihrer Willkür leiden.
Dieser Artikel beleuchtet diesen grundlegenden Aspekt der Technologiebranche.
Siehe auch: Top-KI-Software
Was ist ein Algorithmus?
Vereinfacht gesagt ist ein Algorithmus eine Reihe klar definierter Schritte, die ausgeführt werden müssen, um ein geplantes Ergebnis zu erzielen. Insbesondere wird er zur Lösung mathematischer Gleichungen verwendet. Er lässt sich in drei große Bestandteile untergliedern:
- Eingabe: Die Informationen, die Sie zu Beginn des Problems bereits kennen.
- Algorithmus: Die Schrittfolge, die befolgt werden muss, um das Ziel zu erreichen.
- Ausgabe: Die erwarteten Ergebnisse, wenn alle Schritte der Sequenz buchstabengetreu befolgt werden.
Ein Beispiel für ein algorithmusähnliches System außerhalb der Technologiewelt sind Kochrezepte. Sie haben Ihre Eingabe (die Zutaten), Ihren Algorithmus (die Schritte des Rezepts, die mehr oder weniger genau befolgt werden müssen) und Ihre Ausgabe (hoffentlich ein essbares Gericht).
Wir übertreiben also nicht, wenn wir sagen, dass Algorithmen ebenso zur atomaren Struktur unseres digitalen Lebens gehören. Jedes von Ihnen verwendete Computerprogramm führt mehrere Algorithmen aus, um seine Funktionen zu erfüllen. Vom Webbrowser über die Textverarbeitung bis hin zu Microsoft Solitaire, das seit Windows 3,0 enthalten ist – sie alle basieren auf Algorithmen.
Siehe auch: Die Zukunft der künstlichen Intelligenz
Wie funktionieren Algorithmen in der KI?
Grundsätzlich ist künstliche Intelligenz (KI) ein Computerprogramm. Das bedeutet, dass jede KI- oder Machine-Learning-(ML-)Lösung, auf die Sie stoßen, ebenso wie Firefox, Microsoft Word, Zoom oder Slack von Grund auf mit Algorithmen entwickelt wurde.
Welche Aufgaben Algorithmen in der KI und im maschinellen Lernen übernehmen, ist unterschiedlich. Allgemein gesagt definieren sie die Regeln, Bedingungen und Methoden, die eine KI bei der Verarbeitung und Analyse von Daten verwendet. Das kann so einfach sein wie die Definition der Schritte, die eine KI zur Verarbeitung einer einzelnen Rechnung ausführen muss, oder so komplex wie das Herausfiltern von Bildern mit Hunden aus einem Datensatz mit Hunderttausenden Bildern.
Algorithmen im maschinellen Lernen helfen dabei, Ausgaben vorherzusagen, selbst wenn unbekannte Eingaben vorliegen. KI-Algorithmen funktionieren ähnlich, indem sie verschiedene Problemkategorien lösen. Die Problemtypen, die KI-Algorithmen lösen, lassen sich in drei große Kategorien unterteilen:
- Klassifikation: Eine Form des maschinellen Lernens, mit der vorhergesagt wird, welcher Kategorie oder Klasse ein Objekt angehört. Ein Beispiel wäre, eine KI so zu programmieren, dass sie zwischen Spamnachrichten und tatsächlich benötigten Nachrichten unterscheidet.
- Regression: Eine Form des maschinellen Lernens, mit der anhand der Funktionsweise eines Objekts ein digitales Label vorhergesagt wird. Ein Beispiel wäre die Verwendung historischer Daten, um Aktienkurse und Prognosen vorherzusagen.
- Clustering: Eine Form des maschinellen Lernens, mit der Objekte anhand von Ähnlichkeiten in ihrer Funktionalität in Gruppen sortiert werden. Ein Beispiel wäre die Verwendung eines Algorithmus, um eine Reihe von Finanztransaktionen zu durchsuchen und potenzielle Betrugsfälle herauszufiltern.
Siehe auch: Wie KI die Softwareentwicklung durch KI-Augmentierung verändert
Arten von KI-Algorithmen
Klassifikationsalgorithmen
Im Folgenden finden Sie einige Beispiele für Klassifikationsalgorithmen, die in KI und maschinellem Lernen eingesetzt werden.
Binäre logistische Regression
Die binäre logistische Regression kann ein binäres Ergebnis vorhersagen, etwa Ja/Nein oder Bestanden/Nicht bestanden. Andere Formen der logistischen Regression, etwa die multinomiale Regression, können drei oder mehr mögliche Ergebnisse vorhersagen. Die logistische Regression findet häufig Anwendung bei der Krankheitsvorhersage, der Betrugserkennung und der Abwanderungsprognose, wobei ihre Datensätze zur Risikobewertung herangezogen werden können.
Naive Bayes
Naive Bayes ist ein Wahrscheinlichkeitsalgorithmus, der auf der Einbeziehung von Unabhängigkeitsannahmen in seine Modelle beruht. Das bedeutet, dass er davon ausgeht, dass keine zwei Messwerte in einem Datensatz miteinander verbunden sind oder sich in irgendeiner Weise gegenseitig beeinflussen. Daher die Bezeichnung „naiv“. Er wird häufig bei Textanalysen und Klassifikationsmodellen eingesetzt, wo er Wörter und Ausdrücke in bestimmte Kategorien einordnen kann.
K-Nächste Nachbarn (k-NN)
Obwohl k-NN manchmal auch zur Lösung von Regressionsproblemen eingesetzt wird, dient der Algorithmus meist zur Lösung von Klassifikationsproblemen. Bei Klassifikationsproblemen verteilt er Datenpunkte auf einer Ebene auf mehrere Klassen, um die Klassenbezeichnung eines neuen Datenpunkts vorherzusagen. Der neue Datenpunkt erhält anhand der Klassenbezeichnung, die in seiner Umgebung auf der Ebene am häufigsten vertreten ist, eine neue Klassifikation. k-NN wird auch als „faules Lernen“ bezeichnet. Das bedeutet, dass kein vollständiger Trainingsschritt erfolgt, sondern lediglich ein Trainingsdatensatz gespeichert wird.
Entscheidungsbaum
Als Algorithmus des überwachten Lernens können Entscheidungsbäume sowohl für Klassifikations- als auch für Regressionsprobleme eingesetzt werden. Sie werden „Bäume“ genannt, weil sie eine hierarchische Struktur besitzen. Ausgehend von einem Wurzelknoten verzweigen sie sich in kleinere interne oder Entscheidungsknoten, an denen Auswertungen durchgeführt werden, um Teilmengen zu erzeugen, die durch End- oder Blattknoten dargestellt werden.
Ein Beispiel wäre ein Wurzelknoten für Kampfsportarten, der anschließend in interne Knoten für Kampfsportarten mit Schwerpunkt auf Schlägen und Kampfsportarten mit Schwerpunkt auf Grifftechniken aufgeteilt wird. Diese internen Knoten können dann in Endknoten für bestimmte Kampfsportarten wie Boxen, Jiu-Jitsu und Muay Thai aufgeteilt werden. Diese Algorithmen eignen sich hervorragend für Data-Mining- und Wissenserkennungsaufgaben, weil sie leicht zu interpretieren sind und für ihre Bereitstellung nur sehr wenig Datenaufbereitung erfordern.
Random Forest
Random Forests nutzen die Ausgaben mehrerer Entscheidungsbäume, um eine Vorhersage zu erzeugen. Wie Entscheidungsbäume können Random Forests sowohl zur Lösung von Klassifikations- als auch von Regressionsproblemen eingesetzt werden. Jeder Baum besteht aus einer Datenstichprobe, die aus einem Trainingsdatensatz gezogen wird und Sampling mit Zurücklegen verwendet. Dadurch wird den Entscheidungsbäumen eine Zufallskomponente hinzugefügt, selbst wenn sie aus exakt demselben Datensatz schöpfen.
Bei Klassifikationsproblemen wird aus den Ausgaben dieser randomisierten Entscheidungsbäume eine Mehrheitsentscheidung ermittelt. Nehmen wir zum Beispiel an, dass zehn Entscheidungsbäume bestimmen sollen, welche Farbe ein Kleid hat. Drei Gruppen sagen, es sei blau, zwei sagen, es sei schwarz, vier sagen, es sei rosa, und eine sagt, es sei rot. Das Kleid würde als rosa klassifiziert.
Random Forests sind der bevorzugte Algorithmus für auf Finanzen ausgerichtete Machine-Learning-Modelle, da sie den Zeitaufwand für Vorverarbeitungs- und Datenverwaltungsaufgaben verringern können. Betrugserkennung, Optionspreisberechnung und die Bewertung des Kreditrisikos von Kunden sind Beispiele für ihren Einsatz im Finanzwesen. Der Random-Forest-Algorithmus ist von Leo Breiman und Adele Cutler markenrechtlich geschützt.
Siehe auch: Die besten Machine-Learning-Plattformen
Regressionsalgorithmen
Im Folgenden finden Sie einige Beispiele für Regressionsalgorithmen, die in KI und maschinellem Lernen eingesetzt werden.
Lineare Regression
Ein sowohl in der Statistik als auch in den Sozialwissenschaften eingesetzter Algorithmus: Die lineare Regression dient dazu, die lineare Beziehung zwischen einer abhängigen und einer unabhängigen Variable zu definieren. Ziel dieser Art von Algorithmus ist es, anhand der gegebenen Datenpunkte eine mögliche Trendlinie zu bestimmen. Unternehmen verwenden die lineare Regression häufig, um zu ermitteln, wie sich Werbeausgaben auf den Umsatz auswirken.
Poisson-Regression
Bei der Poisson-Regression wird stets angenommen, dass eine vorhergesagte Variable einer Poisson-Verteilung folgt. Eine Poisson-Verteilung ist eine Wahrscheinlichkeitsfunktion, mit der sich die Wahrscheinlichkeit bestimmen lässt, dass innerhalb eines bestimmten, festgelegten Zeitraums eine bestimmte Anzahl von Ereignissen eintritt.
So könnte man beispielsweise mithilfe der Poisson-Regression bestimmen, wie wahrscheinlich es ist, dass eine Schulklasse innerhalb von 24 Stunden einen Rubik’s Cube löst. Oder man könnte anhand der durchschnittlichen Zahl der Gäste pro Woche vorhersagen, wie wahrscheinlich es ist, dass ein Restaurant an bestimmten Tagen mehr Kunden hat.
Regression nach der Methode der kleinsten Quadrate (OLS)
Als einer der beliebtesten Regressionsalgorithmen verwendet die OLS-Regression ordinale Werte als Eingabe, um die lineare Beziehung zwischen mehreren Variablen zu bestimmen. Der Algorithmus eignet sich besonders, wenn die Wahrscheinlichkeit vorhergesagt werden soll, dass etwas auf einer beliebigen Skala eingestuft wird – etwa wie wahrscheinlich es ist, dass ein Spiel auf einer Skala von 1–10 mit 7 bewertet wird. Er wird häufig in den Sozialwissenschaften eingesetzt, da Umfragen in diesem Bereich die Teilnehmer oft auffordern, etwas auf einer Skala zu bewerten. Die OLS-Regression wird auch als Ranking-Lernen bezeichnet.
Lasso-Regression (Least Absolute Selection and Shrinkage Operator)
Die Lasso-Regression nimmt eine OLS-Regression und fügt der Gleichung einen Strafterm hinzu. Dadurch lässt sich eine komplexere Darstellung von Daten erstellen, als dies mit einer einfachen OLS-Regression möglich wäre. Zudem kann die Darstellung dadurch genauer werden. Die Lasso-Regression wird auch als L1-Regularisierung bezeichnet.
Regression mit neuronalen Netzen
Neuronale Netze gehören zu den beliebtesten Methoden für das Training von KI- und ML-Modellen. Wie der Name andeutet, sind sie vom menschlichen Gehirn inspiriert und eignen sich hervorragend für Datensätze, die für herkömmlichere Ansätze des maschinellen Lernens zu groß sind, um sie zuverlässig zu verarbeiten.
Neuronale Netze sind vielseitig einsetzbar und können Regressionsanalysen durchführen, sofern sie mit einer angemessenen Menge an Vorabdaten versorgt werden, um zukünftige Ereignisse vorherzusagen. So könnten Sie dem neuronalen Netz beispielsweise Webaktivitätsdaten und Metadaten von Kunden zuführen, um zu ermitteln, wie wahrscheinlich es ist, dass ein Kunde Ihre Website verlässt, ohne etwas zu kaufen.
Siehe auch: Die besten Lösungen für Predictive Analytics
Clustering-Algorithmen
Im Folgenden finden Sie einige Beispiele für Clustering-Algorithmen, die in KI und maschinellem Lernen eingesetzt werden.
K-Means-Clustering
Als Algorithmus des unüberwachten Lernens nimmt das K-Means-Clustering Datensätze mit bestimmten Merkmalen und den zugehörigen Werten und gruppiert Datenpunkte in eine bestimmte Anzahl von Clustern. Das „K“ steht für die Anzahl der Cluster, in die die Datenpunkte eingeteilt werden sollen. K-Means-Clustering bietet zahlreiche sinnvolle Einsatzmöglichkeiten, darunter die Dokumentklassifikation, die Erkennung von Versicherungsbetrug und die Analyse von Gesprächsdatensätzen.
Mean-Shift-Clustering
Als einfache, flexible Clustering-Technik ordnet das Mean-Shift-Clustering Datenpunkte Clustern zu, indem es Punkte in den Bereich mit der höchsten Dichte an Datenpunkten verschiebt (als Modus bezeichnet). Wie ein Cluster in diesem Zusammenhang definiert wird, kann von mehreren Faktoren abhängen, etwa Abstand, Dichte und Verteilung. Der Algorithmus wird auch als „Mode-Seeking-Algorithmus“ bezeichnet. Mean-Shift-Clustering wird unter anderem in der Bildverarbeitung, der Computer Vision, der Kundensegmentierung und der Betrugserkennung eingesetzt.
Dichtebasiertes räumliches Clustering von Anwendungen mit Rauschen (DBSCAN)
DBSCAN trennt Cluster hoher Dichte an Punkten mit geringer Datenpunktdichte voneinander. Der Filmempfehlungsalgorithmus von Netflix verwendet eine ähnliche Clustering-Methode, um zu bestimmen, was Ihnen als Nächstes empfohlen werden soll.
Wenn Sie beispielsweise kürzlich den Netflix-Film „Do Revenge“ gesehen haben, würde der Algorithmus andere Nutzer betrachten, die ebenfalls „Do Revenge“ gesehen haben, und anhand dessen, was diese Nutzer anschließend angesehen haben, Filme und Serien vorschlagen. DBSCAN eignet sich hervorragend für den Umgang mit Ausreißern in Datensätzen. Sinnvolle Einsatzmöglichkeiten für DBSCAN sind unter anderem die Kundensegmentierung, die Marktforschung und die Datenanalyse.
Ausgewogenes iteratives Reduzieren und Clustering mithilfe von Hierarchien (BIRCH)
BIRCH ist eine Clustering-Technik, die häufig für die Verarbeitung großer Datensätze eingesetzt wird. Sie kann eine gesamte Datenbank in einem einzigen Durchlauf durchsuchen, konzentriert sich auf Bereiche mit hoher Datenpunktdichte innerhalb der Datenbank und liefert eine präzise Zusammenfassung der Daten.
BIRCH wird häufig zusammen mit anderen Clustering-Methoden eingesetzt, die große Datensätze nicht verarbeiten können. Nachdem BIRCH seine Zusammenfassung erstellt hat, durchläuft die andere Clustering-Methode diese Zusammenfassung und bildet daraus Cluster. Daher eignet sich BIRCH besonders für große Datensätze, die normale Clustering-Methoden nicht effizient verarbeiten können.
Gaußsches Mischmodell (GMM)
Ähnlich wie die Poisson-Regression das Konzept der Poisson-Verteilung nutzt, modelliert GMM Datensätze als Mischung mehrerer Modelle mit Gauß-Verteilungen. Die Gauß-Verteilung wird auch als „Normalverteilung“ bezeichnet. Daher liegt die intuitive Annahme nahe, dass die Cluster eines Datensatzes entlang einer Gauß-Verteilung angeordnet sind.
GMMs können für die Verarbeitung großer Datensätze nützlich sein, da sie viele Vorteile einzelner Gauß-Modelle beibehalten. GMMs werden in Spracherkennungssystemen, bei der Anomalieerkennung und zur Vorhersage von Aktienkursen eingesetzt.
Möchten Sie sehen, welche spannenden Dinge Unternehmen mit KI-Algorithmen anstellen? Dann werfen Sie einen Blick auf Die besten Unternehmen für Natural Language Processing