Es vergeht kein Tag ohne einen Artikel über künstliche Intelligenz. Aber vielen ist nicht klar, was künstliche Intelligenz ist und kann! Der Wissenschaftler Marvin Minsky, einer der Gründungsväter von KI (künstliche Intelligenz), stellte die folgende Definition auf: KI ist, wenn Maschinen Dinge tun, für deren Ausführung man beim Menschen Intelligenz unterstellt. Dazu gehören das Treffen von Entscheidungen, Sprachverständnis und Bilderkennung.
Heute gibt es drei grosse Bereiche in der künstlichen Intelligenz, die zur Anwendung kommen:
Clustering
Mit dem Clustering werden Daten in Gruppen oder Kategorien eingeteilt. Durch anschliessende bildliche Darstellung der Gruppen können Erkenntnisse gewonnen werden. Diese Methode wird auch als des unüberwachten Lernens bezeichnet, Eine Einsatzmöglichkeit des Clusterings ist die Kundenklassifizierung, sie kann aber auch zur Erkennung von Anomalien in Daten verwendet werden.
Entscheidungsbäume
Mit Entscheidungsbäumen können auf Grundlage von vielen verschiedenen Inputwerten Ergebnisse (Entscheidungen) ermittelt werden.
Um einen Entscheidungsbaum zu erstellen, können Regeln vom Menschen definiert werden oder der Entscheidungsbaum wird trainiert.
Dazu werden Algorithmen verwendet, die aus den Daten eine hierarchische Struktur bilden. Ziel ist, mit möglichst wenigen Entscheidungen zum erwarteten Ergebnis zu gelangen.
Oft wird der Entscheidungsbaum trainiert (überwachtes Lernen). Dazu benötigt man grosse Mengen von Inputdaten mit dem jeweils erwarteten Ergebnis (Output). Die Daten werden in eine zwei Mengen aufgeteilt. Ein Teil wird zum Trainieren verwendet, der zweite Teil zum Überprüfen der Qualität des trainierten Entscheidungsbaums.
Beim unüberwachten Lernen dagegen werden Daten ohne Ergebnisse im Entscheidungsbaum verarbeitet. Die hierarchische Struktur wird nun durch das Vergleichen der Daten gebildet. Diese Methode wird vielfach bei grossen unbekannten Datenmengen zur Voranalyse angewendet
Weitere Beispiele für den Einsatz von Entscheidungsbäumen sind die Entscheidung über Kreditanträge oder das Erkennen von Kunden, die ihr Bankkonto wahrscheinlich schliessen werden (predicitve Analysis). Ein weiteres Einsatzgebiet von Entscheidungsbäumen ist das Ergänzen von fehlenden Daten.
Neuronale Netzwerke
Neurale Netzwerke sind mathematische Strukturen, die biologischen Nervenverbänden nachempfunden sind. Sie bestehen aus einfach aufgebauten Einheiten, die miteinander verbunden sind und an den Knoten (Synapsen) mit einander wechselwirken.
Durch einfache mathematische Operationen (Addition, Schwellenwerte in %) werden Inputparameter verändert und der Output an die nächsten Knoten als Input weitergereicht. Durch die Regeln im Netzwerk können komplexe Prozesse abgebildet werden.
Mit Hilfe von neuronalen Netzen können Bilder und Texte verarbeitet oder die Entwicklung des SMI am nächsten Tag vorhergesagt werden. Ein weiteres Einsatzgebiet ist die medizinische Bildauswertung bei Tumoren. Neuronale Netzwerke können im überwachten und unüberwachten Lernen eingesetzt werden.
Mit trainierten Neuronalen Netzen können auch für Datenkonstellationen, welche nicht trainiert wurden, korrekte Ergebnisse ermittelt werden.
Zusammenfassend kann man sagen, dass künstliche Intelligenz schon einiges kann, für deren Ausführung man dem Menschen Intelligenz unterstellt. Da die Grundlage aber immer der ‚intelligente’ Input mit erwartetem Ergebnis ist und auch bei unüberwachtem Trainieren nur der Data Analyst die Erkenntnisse daraus ermittelt, ist die künstliche Intelligenz der Maschine der menschlichen nicht gleichwertig oder gar überlegen.
Aber bei der Verarbeitung grosser Datenmengen und der schnellen Ergebnisermittlung schlägt die Maschine den Menschen. Es ist zu erwarten, dass die KI zukünftig in vielen anderen Einsatzgebieten zur Anwendung kommen wird.
Great Supper way to go!