Blog

Jun 17, 2023

Was sind Modelle für maschinelles Lernen? Typen und Beispiele

Getty Images Ein Modell für maschinelles Lernen automatisiert den Prozess der Identifizierung von Mustern und Beziehungen, die in Daten verborgen sind. Es kann eine Kombination aus vorbeschrifteten oder unbeschrifteten verarbeiteten Daten verwenden

Getty Images

Ein maschinelles Lernmodell automatisiert den Prozess der Identifizierung von Mustern und Beziehungen, die in Daten verborgen sind. Es kann eine Kombination aus vorbeschrifteten oder unbeschrifteten Daten verwenden, die durch verschiedene Algorithmen des maschinellen Lernens verarbeitet werden, um die beste Lösung für das zu lösende Problem zu ermitteln.

Laut Michael Shehab, Principal and Labs Technology and Innovation Leader bei PwC, stellt jeder Algorithmus für maschinelles Lernen eine spezifische Strategie dar, um Muster in einem historischen Datensatz aufzudecken. Der Prozess der Umwandlung von Algorithmen für maschinelles Lernen in Modelle besteht aus drei Komponenten: Darstellung des Problems, Identifizierung einer bestimmten Aufgabe und Bereitstellung von Feedback, um den Algorithmus bei der Suche nach einer Lösung zu leiten. „Das resultierende Modell stellt eine Funktion dar, die vom maschinellen Lernalgorithmus gelernt oder erzeugt wurde und in der Lage ist, bisher ungesehene Beispiele auf eine genaue Ausgabe abzubilden“, erklärte Shehab.

Die Auswahl des zu verwendenden Modelltyps ist eine Mischung aus Kunst und Wissenschaft. „Es gibt keinen allgemeingültigen Ansatz, um zu verstehen, welches Modell für Ihr Unternehmen funktioniert“, sagte Brian Steele, Vizepräsident für Produktmanagement beim Anbieter der Kundenanalyseplattform Gryphon.ai. Jeder Modelltyp bietet Erkenntnisse und Ergebnisse basierend auf dem Datentyp und den Anwendungsfällen. Darüber hinaus bestimmen Art und Qualität der Eingabedaten die Auswahl bestimmter Modelltypen.

Der Bereich des maschinellen Lernens entwickelt sich rasant weiter. Wenn es um die Beschreibung von Ansätzen geht, wie sie in generativen KI-Anwendungen verwendet werden, verwischen neue Techniken die alten Methoden der Modellklassifizierung.

„Es gibt keinen allgemein akzeptierten Klassifizierungsstandard, da täglich neue Modelle hinzukommen“, sagte Anantha Sekar, AI-Leiterin bei Tata Consultancy Services. Dennoch umfassen die gängigsten Klassifizierungen von Modellen für maschinelles Lernen überwachtes, halbüberwachtes, unüberwachtes und verstärkendes Lernen. Diese Haupttypen sollten alle zusammen mit dem Ziel und dem verwendeten Lernansatz berücksichtigt werden, empfahl Sekar.

Ein generatives KI-Modell kann beispielsweise mehrere Trainingsansätze umfassen, die nacheinander eingesetzt werden. Es kann mit unbeaufsichtigtem Lernen an einem großen Datenbestand beginnen, gefolgt von überwachtem Lernen zur Feinabstimmung des Modells und verstärkendem Lernen zur kontinuierlichen Optimierung der Ergebnisse nach der Bereitstellung. „Die Diskussion über Modelltypen ist wie die Diskussion über Menschentypen“, bemerkte Sekar. „Da letztendlich jede einzelne einzigartig ist, sind die Klassifizierungen vor allem für ein umfassendes Verständnis nützlich.“

Jeder Datenwissenschaftler wird seinen eigenen Ansatz zum Trainieren von Modellen für maschinelles Lernen entwickeln. Das Training beginnt im Allgemeinen mit der Aufbereitung der Daten, der Identifizierung des Anwendungsfalls, der Auswahl von Trainingsalgorithmen und der Analyse der Ergebnisse. Im Folgenden finden Sie eine Reihe von Best Practices, die Shehab für PwC entwickelt hat:

Im Allgemeinen gibt es kein bestes Modell für maschinelles Lernen. „Für jedes Problem oder jeden Anwendungsfall funktionieren unterschiedliche Modelle am besten“, sagte Sekar. Erkenntnisse aus dem Experimentieren mit den Daten könnten zu einem anderen Modell führen, fügte er hinzu. Auch die Datenmuster können sich im Laufe der Zeit ändern. Ein Modell, das in der Entwicklung gut funktioniert, muss möglicherweise durch ein anderes Modell ersetzt werden.

Ein bestimmtes Modell könne nur für einen bestimmten Anwendungsfall oder Datensatz zu einem bestimmten Zeitpunkt als das beste angesehen werden, sagte Sekar. Der Anwendungsfall kann weitere Nuancen hinzufügen. Einige Anwendungen erfordern beispielsweise möglicherweise eine hohe Genauigkeit, während andere eine höhere Zuverlässigkeit erfordern. Es ist auch wichtig, bei der Modellbereitstellung Umgebungseinschränkungen zu berücksichtigen, wie z. B. Speicher-, Strom- und Leistungsanforderungen. Für andere Anwendungsfälle gelten möglicherweise Erklärbarkeitsanforderungen, die zu Entscheidungen in Richtung eines anderen Modelltyps führen könnten.

Datenwissenschaftler müssen auch die betrieblichen Aspekte von Modellen nach der Bereitstellung, sogenannte ModelOps, berücksichtigen, wenn sie einen Modelltyp gegenüber einem anderen priorisieren. Zu diesen Überlegungen kann gehören, wie die Rohdaten für die Verarbeitung transformiert werden, wie Prozesse optimiert werden, wie zeitnah technische Maßnahmen ergriffen werden und ob KI-Halluzinationen gemindert werden müssen. „Die Auswahl des besten Modells für eine bestimmte Situation“, riet Sekar, „ist eine komplexe Aufgabe, bei der viele geschäftliche und technische Aspekte berücksichtigt werden müssen.“

Die Begriffe „Machine-Learning-Modell“ und „Machine-Learning-Algorithmus“ werden manchmal mit der gleichen Bedeutung verwechselt. Aber aus datenwissenschaftlicher Sicht sind sie sehr unterschiedlich. Algorithmen für maschinelles Lernen werden zum Trainieren von Modellen für maschinelles Lernen verwendet.

Algorithmen des maschinellen Lernens seien das Gehirn der Modelle, schlug Steele vor. Die Algorithmen enthalten Code, der zur Erstellung von Vorhersagen für die Modelle verwendet wird. Die Daten, auf denen die Algorithmen trainiert werden, bestimmen oft die Art der Ausgaben, die die Modelle erzeugen. Die Daten dienen dem Algorithmus als Informationsquelle, aus der er lernen kann, sodass die Modelle verständliche und relevante Ergebnisse erzeugen können.

Anders ausgedrückt: Ein Algorithmus ist eine Reihe von Verfahren, die beschreiben, wie etwas zu tun ist, erklärte Sekar, und ein Modell für maschinelles Lernen ist eine mathematische Darstellung eines realen Problems, das auf Algorithmen für maschinelles Lernen trainiert wurde. „Das Modell des maschinellen Lernens ist also eine spezifische Instanz“, sagte er, „während Algorithmen des maschinellen Lernens eine Reihe von Verfahren zum Trainieren von Modellen des maschinellen Lernens sind.“

Der Algorithmus formt und beeinflusst, was das Modell tut. Das Modell berücksichtigt das Was des Problems, während der Algorithmus das Wie bereitstellt, damit das Modell die gewünschte Leistung erbringt. Daten sind die dritte relevante Entität, da der Algorithmus die Trainingsdaten verwendet, um das Modell für maschinelles Lernen zu trainieren. In der Praxis hängt ein Ergebnis des maschinellen Lernens daher vom Modell, den Algorithmen und den Trainingsdaten ab.

Überwachtes vs. unüberwachtes Lernen: Einsatz in der Wirtschaft

So wählen Sie die richtige AutoML-Plattform für Ihr Unternehmen aus

Die Geschichte der künstlichen Intelligenz: Vollständige KI-Zeitleiste