Künstliche Intelligenz ist derzeit das relevanteste Thema auf dem Gebiet der Informatik. Die Programme lernen, die Art und Weise nachzuahmen, wie Menschen denken und handeln, und nach einer Trainingsphase können sie selbst Entscheidungen treffen. Künstliche Intelligenz umfasst den Bereich des maschinellen Lernens, der die erforderlichen Verfahren umfasst, damit Programme und damit Maschinen unabhängig voneinander lernen können. Eine dieser Methoden ist das unbeaufsichtigte Lernen.

1. Was ist unbeaufsichtigtes Lernen?
2. Wie funktioniert unbeaufsichtigtes Lernen?
3. Wo und wann wird unbeaufsichtigtes Lernen eingesetzt?
   1. Negatives Beispiel: Chatbot in sozialen Medien
   2. Positives Beispiel: Genforschung
   3. Vorteile des unbeaufsichtigten maschinellen Lernens im Vergleich zu anderen Methoden

Unbeaufsichtigtes Lernen ( unbeaufsichtigtes Lernen oder unbeaufsichtigtes maschinelles Lernen ) ist eine Methode zur Datenanalyse, die zum Bereich der künstlichen Intelligenz gehört. Es ist ein künstliches neuronales Netzwerk, das auf den Ähnlichkeiten der verschiedenen eingegebenen Werte basiert . Wenn ein Computer unbeaufsichtigt lernt, versucht er, die Muster und Strukturen , die diese Werte teilen , autonom zu erkennen .

Unbeaufsichtigtes Lernen wäre daher das Gegenteil von überwachtem Lernen, einem Verfahren, bei dem die Entwickler die volle Kontrolle haben und das Lernziel festlegen. Abgesehen von diesen Methoden gibt es eine dritte: das verstärkte Lernen, bei dem Entwickler nur Input liefern , um das Training von Algorithmen zu beeinflussen.

Einfach erklärt besteht diese Lernmethode aus einem künstlichen neuronalen Netzwerk, das eine große Menge an Informationen analysiert und verwendet, um Kontexte, Muster und Ähnlichkeiten zwischen Daten zu bestimmen. Dieser Prozess basiert auf verschiedenen Verfahren. Eine der Techniken, die auf diese Art des Lernens verwendet werden, ist die Gruppenanalyse oder das Clustering . In diesem Fall sind die Algorithmen dafür verantwortlich, Gruppen autonom zu bilden, um sie schließlich den Daten zuzuweisen.

Wenn es sich bei den Daten beispielsweise um Fotos von Hunden und Katzen handelt, sortiert das Programm beim unbeaufsichtigten Lernen alle Fotos von Hunden in einer Kategorie und die von Katzen in einer anderen. Diese Klassifizierung wird jedoch im Gegensatz zum überwachten Lernen nicht im Voraus angegeben. Beim unbeaufsichtigten Lernen treffen Algorithmen diese Entscheidungen unabhängig voneinander, basierend auf den Ähnlichkeiten und Unterschieden zwischen den Fotos.

Eine andere Methode ist die Zuordnung : In diesem Fall kombiniert das System die Daten zum Sortieren anhand der Attribute, die sie gemeinsam nutzen. Auf diese Weise besteht die Aufgabe von Algorithmen darin, die Beziehungen zwischen den Objekten zu finden, ohne dass eine Ähnlichkeit zwischen ihnen erforderlich ist. Auch hier können wir das Beispiel von Hundefotos nehmen: Durch Assoziieren würde der unbeaufsichtigte Lernalgorithmus nicht alle Hunde zusammenfassen, sondern beispielsweise die Leinen mit den Hunden assoziieren.

Um Ihre Privatsphäre zu schützen, wird das Video nach dem Klicken hochgeladen.

Es gibt viele Beispiele für unbeaufsichtigtes Lernen. Dank dieser Lernmethode können Programme die Spielregeln lernen und Gewinnstrategien entwerfen, sodass sie an der Börse verwendet werden können, um Gewinne zu erzielen. Auf diese Weise können Sie einem Programm Rohdaten zu Aktienkursen zur Verfügung stellen, damit es selbst die Aktivitäten der Börse erkennen und Trends antizipieren kann .

Künstliche Intelligenz und insbesondere unbeaufsichtigtes Lernen werden bereits in vielen anderen Bereichen eingesetzt. Im Marketing ist es beispielsweise möglich, die relevantesten Zielgruppen mithilfe der Clustering- Methode zu ermitteln . In diesem Bereich liegt der Fokus auf Personengruppen, die die Grundlage für die Entwicklung von Werbestrategien bilden. Algorithmen können unabhängig voneinander lernen, Personen mit unbeaufsichtigten Lernverfahren zu gruppieren .

Ein Bereich, in dem das Prinzip des unbeaufsichtigten Lernens bereits fest etabliert ist, ist die Spracherkennung , die für den Betrieb von Sprachassistenten wie Siri, Alexa oder Google Assistant unerlässlich ist. Diese Programme lernen die Sprechgewohnheiten des Besitzers und können im Laufe der Zeit immer präzisere Ausdrücke verstehen, selbst wenn die Person einen Dialekt spricht oder eine Sprachbehinderung aufweist.

Auch viele Smartphones beinhalten unbeaufsichtigtes Lernen und ermöglichen so die Bestellung der Bildergalerie . Unabhängiges und unbeaufsichtigtes Lernen ermöglicht es dem Gerät, dieselbe Person auf mehreren Fotos zu erkennen oder anhand von Metadaten zu identifizieren, dass zwei Schnappschüsse am selben Ort aufgenommen wurden. Dank dieses Systems können wir die Fotos nach dem Ort sortieren, an dem sie aufgenommen wurden, oder nach den darin dargestellten Personen.

In Chats wurde auch die Wirksamkeit des unbeaufsichtigten Lernens nachgewiesen. Die meisten Internetnutzer sind bereits auf ein Chatbot- Programm gestoßen , das für die Regulierung der sozialen Interaktion in virtuellen Gesprächen verantwortlich ist. Wenn Bots also automatisch Beleidigungen, Anstiftung zu Hass, Diskriminierung oder rassistische Beleidigungen erkennen, beseitigen sie diese Benutzer chatten oder Aufmerksamkeit erregen. Auch hier spielt künstliche Intelligenz eine wichtige Rolle. Automatisierte Chats, die Kundenservice bei Online-Bestellungen bieten, funktionieren auf ähnliche Weise: Bots lernen entweder per Messaging oder per Telefon autonom und teilweise ohne Aufsicht.

Im Jahr 2016 erkannte Microsoft, dass unbeaufsichtigtes Lernen auch negative Auswirkungen haben kann . Das Unternehmen hat für seinen Bot Tay ein Twitter-Konto mit künstlicher Intelligenz eingerichtet, das es durch die Kommunikation mit anderen Benutzern der Plattform gelernt hat. Obwohl das Programm anfangs recht einfach war, begann es bald, Emoticons zu verwenden und sogar komplexe Sätze zu bilden. Künstliche Intelligenz kalibrierte jedoch nicht den Inhalt ihrer Botschaften und begann schnell, Antifeminismus und Fremdenfeindlichkeit anzuregen, was auch Verschwörungstheorien verbreitete. Alles geschah in weniger als 24 Stunden. Die Show selbst war nicht rassistisch oder politisch motiviert, sondern lernte einfach aus den Beiträgen der Leute. Die Anzahl der Twitter-Nutzer, die sich erlaubt haben, Tay diese Art von Daten nur zum Spaß zu geben, ist nicht bekannt.

Der positive Effekt des unbeaufsichtigten Lernens in der Genforschung ist zweifellos : In diesem Bereich hilft die Clustering- Methode bei der Analyse von genetischem Material. Der medizinische und technische Sektor entwickelt sich dank künstlicher Intelligenz und ihrer Lernmethoden stark und gemeinsam, und die Forschung wird enorm beschleunigt, wodurch Erbkrankheiten wie Sichelzellenanämie oder genetische Blindheit behandelt und geheilt werden können in der Zukunft.

Maschinelles Lernen wird nicht nur auf die technologische Entwicklung angewendet, sondern trägt auch dazu bei, viele Bereiche unseres Tagesablaufs zu erleichtern und zu erleichtern und das tägliche Leben, die Wirtschaft und die Forschung zu bereichern. Im Gegensatz zu den beiden anderen Lernmethoden (überwacht und verstärkt) sind Entwickler nicht an der Schulung selbst beteiligt, was neben einer möglichen Zeitersparnis einen weiteren Vorteil hat: Unbeaufsichtigtes Lernen ermöglicht das Erkennen von Mustern, die niemand kennt konnte zuvor wahrnehmen. Basierend auf unbeaufsichtigtem maschinellem Lernen können Algorithmen daher auch kreative Ideen entwickeln .