Machine Learning und Künstliche Intelligenz

Um die Anwendung und Bedeutung zu verstehen, ist es wichtig, die Grundlagen von Machine Learning zu kennen.

Eine der ersten Definitionen stammt von ARTHUR SAMUEL (1959): „Machine Learning is a field of study that gives computers the ability to learn without being explicitly programmed.“ Machine Learning bedeutet folglich, dass Computer und Software mithilfe von Daten lernen können, ohne explizit programmiert werden müssen. Wissen wird dabei künstlich durch Erfahrung generiert. Maschinen erkennen, lesen, hören, verstehen und interagieren. Zur Erkennung oder Vorhersage benötigt das Machine Learning ein Modell, welches durch Training mit Beispieldaten erstellt wird.

Entwicklung und Einordnung von Machine Learning

Maschinelles Lernen kann als eine Unterform der künstlichen Intelligenz gesehen werden, zu der noch andere Bereiche gehören wie beispielsweise die Robotik. Das Machine Learning gilt als eine der treibenden Kräfte hinter der künstlichen Intelligenz. Parallel gibt es weitere überlappende Disziplinen wie Statistik oder Datamining. Innerhalb des Machine Learning finden sich wiederum Unterbereiche wie das Deep Learning oder künstliche neuronale Netzwerke.

Es stellt sich natürlich die Frage, warum Machine Learning und künstliche Intelligenz gerade jetzt so stark diskutiert werden – in verschiedenen Bereichen wird schließlich bereits seit vielen Jahren geforscht. Dies liegt hauptsächlich an drei Faktoren:

• Die Leistung von Rechnern, insbesondere Grafikprozessoren, ist um ein Vielfaches stärker geworden. Ursprünglich für Computerspiele und Grafikverarbeitung konstruiert, werden diese Prozessoren von Firmen nun für Deep Learning genutzt. Deep Learning ist ein Ansatz, der neuronale Netze mit Code-Strukturen in Schichten abbildet und damit Lernen im Gehirn simuliert. Damit können zum Beispiel Muster in Daten erkannt werden und nach einem Training können mit einem Modell Vorhersagen getroffen werden. Folglich ist Deep Learning eine Technik zur Implementierung von maschinellem Lernen.
• Inzwischen sind über Smartphones, Sensoren oder internetbasierte Kollaboration viel mehr Daten zur Verarbeitung verfügbar.

Oft wird Machine Learning auch mit Robotic Process Automation (RPA) vermischt – Die folgende Ausführung zeigt die Unterschiede auf, mit denen sich eine Abgrenzung vornehmen lässt.

RPA ist sehr prozessgetrieben. Repetitive, regelbasierte Prozesse, die über verschiedene IT-Systeme gehen, werden dabei automatisiert. Beim Machine Learning wird aus vorhandenen Daten gelernt, was speziell bei komplexen Themen und vielen Daten ein Vorteil ist.

Lesen Sie den vollständigen Beitrag aus der HR Performance 4/2022.

Autor: Thomas Jenewein, Training & Enablement I Business Development & Digital Sales Europe, SAP Deutschland SE & Co. KG