Was ist maschinelles Lernen?

Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Teilbereich innerhalb der künstlichen Intelligenz, der sich mit Computeralgorithmen befasst, die sich eigenständig mithilfe von Trainingsdaten und ohne explizite Programmierung verbessern können. Es gilt allgemein als der vielversprechendste Weg zur Verwirklichung einer tatsächlich menschenähnlichen künstlichen Intelligenz. 

ML-Algorithmen können grob in drei Kategorien eingeteilt werden:

• Überwachtes Lernen: Sie geben Kennzeichnungen vor und durch Beispieleingaben samt den gewünschten Ausgaben ermöglichen Sie es dem Algorithmus, die Regeln zu erlernen, anhand derer Input dem Output zugeordnet wird.  
• Unüberwachtes Lernen: Sie geben keine Kennzeichnungen vor, sodass der Algorithmus seine eigene Struktur zum Verarbeiten von Eingaben ermitteln kann (z. B. Erkennen verborgener Muster in Daten).
• Bestärkendes Lernen: Der Algorithmus interagiert wiederholt mit einer dynamischen Umgebung mit einem bestimmten Ziel, etwa, ein Spiel zu gewinnen oder ein Auto zu fahren. Der Algorithmus nähert sich durch wiederholtes Ausprobieren der optimalen Lösung des Problems an.

In diesem Artikel geben wir einen kurzen Überblick über maschinelles Lernen und Deep Learning sowie über die Unterschiede zwischen den beiden Konzepten.

Was ist Deep Learning?

Deep Learning ist ein Bereich des maschinellen Lernens, der künstliche neuronale Netze zur Annäherung an menschenähnliche Intelligenz verwendet. Deep Learning ist von menschlichen Neuronen inspiriert und nutzt die Graphentheorie, um Gewichtungsalgorithmen in Schichten aus Knoten und Edges anzuordnen. Deep-Learning-Algorithmen eignen sich hervorragend für die Verarbeitung unstrukturierter Daten wie Bildern oder Sprachen. 

Um als „deep“ klassifiziert werden zu können, muss ein neuronales Netz im Grunde verborgene Schichten zwischen der Eingabe- und der Ausgabeschicht eines Perceptrons enthalten – der Basisstruktur eines neuronalen Netzes. Diese Schichten gelten als „verborgen“, weil sie nicht mit der Außenwelt in Verbindung stehen. Folgendes sind Beispiele für Deep-Learning-Architekturen:

• Feedforward (FF): Daten bewegen sich in einer Richtung von der Eingabeschicht durch die verborgenen Schichten. Alle Knoten sind miteinander verbunden und die Daten kehren nie durch die verborgenen Schichten zurück. FF wird bei der Datenkomprimierung und bei der grundlegenden Bildverarbeitung verwendet. 
• Rekurrente neuronale Netze (RNN): Eine Art FF-Netzwerk, das den verborgenen Schichten eine Zeitverzögerung hinzufügt, wodurch der Zugriff auf frühere Informationen während einer laufenden Iteration ermöglicht wird. Diese Rückkopplungsschleife funktioniert ähnlich wie das Gedächtnis und führt dazu, dass RNNs sich ausgezeichnet für die Sprachverarbeitung eignen.  Ein gutes Beispiel dafür ist die Texterkennung, die sich auf die Wörter stützt, die Sie am häufigsten verwenden, um entsprechende Vorschläge zu machen. 
• Faltendes neuronales Netzwerk (CNN): Eine sogenannte Faltung ist eine mathematische Operation mit zwei Funktionen, durch die eine dritte Funktion erzeugt wird, die beschreibt, wie die eine durch die andere modifiziert wird. CNNs werden primär für die Bilderkennung und -klassifizierung verwendet und sind die „Augen“ der KI. Die verborgenen Schichten in einem CNN fungieren als mathematische Filter, die gewichtete Summen verwenden, um Kanten, Farben, Kontraste und andere Elemente eines Pixels zu identifizieren.

Maschinelles Lernen und Deep Learning

Deep Learning gilt als Unterart des maschinellen Lernens. Das Hauptunterscheidungsmerkmal, das Deep-Learning-Algorithmen von anderen ML-Algorithmen unterscheidet, ist die Verwendung von künstlichen neuronalen Netzen. Und das Hauptmerkmal, das aus einem neuronalen Netzwerk ein deep oder „tiefes“ Netzwerk macht, ist das Vorhandensein verborgener Schichten zwischen der Eingangs- und der Ausgangsschicht, die ein Basis-Perceptron bilden.

Vorteile von Deep Learning

Deep-Learning-Algorithmen eignen sich hervorragend für die Verarbeitung unstrukturierter Daten, sofern Sie über die entsprechende Verarbeitungsleistung verfügen. Dadurch hat das Deep Learning einen Vorteil gegenüber anderen maschinellen ML-Algorithmen, wenn es um unüberwachtes Lernen und bestärkendes Lernen geht. Die jüngsten Fortschritte in der KI sind in hohem Maße Verbesserungen bei der Machbarkeit von neuronalen Deep-Learning-Netzwerken durch Verbesserungen bei Rechenleistung und Daten-Storage zu verdanken.

So bietet Pure Storage Unterstützung für ML-Apps

Pure Storage® ist hervorragend dafür aufgestellt, um die Welt der KI sowohl zu nutzen als auch zu unterstützen. Neuronale Deep-Learning-Netzwerke erfordern Daten, die sowohl umfangreich als auch schnell sind. Die All-Flash-Storage-Lösungen von Pure kombinieren die Performance von hundertprozentigem NVMe-Flash-Storage mit KI-gestützten vorausschauenden Analysen, um eine Modern Data Experience™ bereitzustellen. Mit Pure können Sie …

• … Ihre Daten-Storage-Silos zu einem einheitlichen Data Hub konsolidieren
• … die Erkenntnisgewinnung mit Echtzeit-/Protokollanalysen beschleunigen
• … die Zukunft von KI-gestütztem Daten-Storage-Management mit Pure1 Meta® erleben
• … Ihre KI-Lösungen mit AIRI®, einer KI-fähigen Full-Stack-Infrastrukturlösung von Pure Storage und NVIDIA, unterstützen
• … Full-Stack-Unterstützung für KI- und ML-Lebenszyklen erhalten mit FlashStack®, einer Converged-Infrastructure-Lösung, die in Zusammenarbeit mit Cisco entwickelt wurde.