Seite - 26 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

26 A Technologie gelernt, und mit diesem gelernten Wissen lassen sich dann Vorhersagen über künf- tige und bisher unbekannte Eingabe- und Ausgabedaten treffen. Es entsteht also eine Art eigenständiges Verhalten des Computerprogramms. Das einfachste Verfah- ren einer solchen Modellbildung ist das der Regression, welches sich an folgendem Beispiel erläutern lässt. Zwischen der Körpergröße und der Schuhgröße eines Men- schen gibt es den einfachen linearen Zusammenhang: je größer der Mensch, desto größer auch der passende Schuh. Dieser Zusammenhang lässt sich als lineare Funk- tion darstellen, mit einer unabhängigen Eingangsvariable (Körpergröße) und einer abhängigen Ausgangsvariable (Schuhgröße). Durch das mathematische Verfahren der Regression werden nun die Parameter der Funktion ermittelt, und man erhält ein Modell, mit dem sich Schuhgrößen aus Körpergrößen vorhersagen lassen (siehe Abbildung  A.3). Ein zweites wichtiges Verfahren des überwachten Lernens ist das der Klassifikation. Dabei werden während des Lernprozesses jeweils mehrere Werte voneinander als Klassen unterschieden und bei der späteren Vorhersage einzelne Werte einer bestimmten Klasse zugeordnet. Beispielsweise könnte man mittels Klassifikation linke und rechte Füße unterscheiden, indem man alle Richtungen eines Fußes genau vermisst (Abbildung A.3). Oder man könnte ein einfaches Modell zur Kreditwürdig- keit erstellen, das auf den beiden Eingabewerten Einkommen und Ersparnisse beruht. Personen unterhalb einer bestimmten Einkommens- und Ersparnisgrenze wären demnach in der einen Klasse, nämlich der nicht kreditwürdigen, und oberhalb einer solchen Grenze in der anderen Klasse, der kreditwürdigen. Der Vorteil der Klassifika- tion besteht darin, dass immer aufgrund des Zusammenspiels mehrerer Werte beur- teilt wird. Demzufolge würde eine Person mit zwar niedrigen Ersparnissen, dafür aber hohem Einkommen in der Klasse kreditwürdig eingeordnet werden. Sowohl Regression als auch Klassifikation sind Vorhersagemodelle, die Aussagen über die Zukunft treffen können. Sie werden sehr effektiv beispielsweise im Bereich der Preisentwicklung, vorausschauenden Instandhaltung und Bilderkennung einge- setzt. Der Unterschied liegt in der Anwendung: Die Regression erlaubt Vorhersagen über stetige Werte, beispielsweise die Einkommensentwicklung einer Person, wäh- rend bei der Klassifikation Klassen unterschieden werden, beispielsweise die Kredit- würdigkeit. Unüberwachtes Lernen (Unsupervised Machine Learning) funktioniert ohne vorher bekannte Zuordnung und Kennzeichnung von Eingabedaten. Die möglichen Ergeb- nisse sind dabei gänzlich offen. Deshalb kann das Computerprogramm auch nicht trainiert werden, sondern muss vielmehr in den Daten Strukturen erkennen und diese in interpretierbare Informationen verwandeln. Ein anschauliches Verfahren des unüberwachten Lernens ist das Clustering, welches der zuvor beschriebenen Klassi- fikation ähnelt, mit dem Unterschied, dass beim Clustering die Klassifikationsklassen