Auf einen Blick: Die fünf Stämme des maschinellen Lernens – Symbolisten, Connectionisten, Bayesianer, Evolutionäre und Analogisatoren – bieten einzigartige Methoden zur Weiterentwicklung künstlicher Intelligenz. Jeder Stamm nutzt unterschiedliche Ansätze zur Entwicklung von KI-Modellen und trägt zum Gesamtwachstum des Fachgebiets bei.
- Symbolisten konzentrieren sich auf Logik und regelbasierte Systeme.
- Connectionisten modellieren neuronale Netzwerke basierend auf Gehirnfunktionen.
- Bayessche Theorien betonen probabilistische Schlussfolgerung.
- Evolutionäre konzentrieren sich auf adaptive Lernprozesse.
- Analogisatoren sagen Ergebnisse anhand von Klassenähnlichkeiten voraus.
Maschinelles Lernen ist vielschichtig. Lernmechanismen erweisen sich in vielen Disziplinen als unglaublich nützlich. Wenn maschinelles Lernen auf ein Fachgebiet angewandt wird, wie zum Beispiel Biologie oder Psychologie, nimmt die Methodik meist eine Form an, die dieser Disziplin entspricht.
In Pedro Domingos' Buch The Master Algorithm: How The Quest for the Ultimate Learning Machine Will Remake Our World teilt er die Arten von maschinellen Lernalgorithmen in fünf Klassen ein, die er die Stämme des maschinellen Lernens nennt. Jede Gruppe unterstützt einen Satz von Prinzipien und daraus entstehen unterschiedliche Machine-Learning-Modelle.
Von vielen auf einen endet sein Ansatz mit der Aussage, dass alle Stämme sich auf einen einzigen, meisterlichen Algorithmus konzentrieren werden, um alles zu wissen. Dieser letzte maschinelle Lernalgorithmus, der Master-Algorithmus, wäre die künstliche allgemeine Intelligenz , von der viele erwarten, dass sie kommen wird. Um dorthin zu gelangen, möchte Domingos ein wenig von jedem dieser fünf Stämme nehmen und sie vermischen.
Die 5 Stämme des maschinellen Lernens:
- Symbolisten
- Konnektionisten
- Bayessche Scheitern
- Evolutionäre
- Analogisatoren
Symbolisten konzentrieren sich auf Logik. Sie entwickeln formale Systeme, um eine KI zu erschaffen. Von den 1950er bis in die 1980er Jahre war symbolische KI das dominierende Paradigma. Die meisten Computer basierten auf dieser Art von Denken, und jahrzehntelang war sie am zugänglichsten für den Code. Symbolisten verwenden Technologien, die einem starren Pfad folgen, um eine Entscheidung auf Basis von Logik zu treffen. Ihre fest programmierten Regeln würden ungefähr so aussehen: "Immer links abbiegen, wenn Sie auf ein Stoppschild treffen."
Systeme, die diese Art von Entscheidungsfindung ermöglichen, umfassen:
- Entscheidungsbäume
- Zufällige Entscheidungswälder
- Produktionsregelsysteme
- Induktive Logikprogrammierung
Connectionisten (Neurowissenschaften)
Connectionisten sind die Gruppe, die Modelle auf Basis des Gehirns erstellt. Sie weisen gerne darauf hin, dass neuronale Netze, ein zentraler Bestandteil ihrer internen maschinellen Lernarchitektur, nach der Funktionsweise von Neuronen im Gehirn modelliert wurden. Sie verwenden Modelle wie:
- Künstliche neuronale Netze
- Verstärkungslernen
- Deep Learning
Wenn sie von Verbindungen sprechen, beziehen sie sich nicht auf Verbindungen wie Analogien, wie ein Kätzchen zu einer Katze, wie ein Welpe zu einem Hund ist. Für Connectionisten verwenden sie Verbindungen, um die Signale zu bezeichnen, die von einem Neuron zum anderen übertragen werden. Es gibt Stärken der Signale und die Anzahl der Signale.
Ein großes Problem, das viele mit dem Connectionist-Rahmen haben, ist, dass die Art und Weise, wie Entscheidungen getroffen werden, verborgen ist – die sprichwörtliche Black Box. Jeder Schritt einer Entscheidung in einem Entscheidungsbaum ist bekannt. Im Connectionismus kann ein Input einen Output haben, aber der Weg, den dieser Input zu diesem Output genommen hat, bleibt unsichtbar. Eine Person kann nicht fragen: "Wie ist das Modell zu diesem Schluss gekommen?"
Bayesianer (Statistiker)
Der bayesianische Stamm schätzt Statistik. Es handelt sich um eine andere Form der Logik, die in probabilistischen Ergebnissen existiert und nicht in fest kodierten oder Entweder/oder-Ergebnissen. Für die Bayesianer ist maschinelles Lernen eine Form der probabilistischen Inferenz. Gegeben eine Eingabe, besteht eine gewisse Chance, dass die Ausgabe Y ist. Nichts wird bestimmt; die möglichen Ergebnisse haben eine gewisse Wahrscheinlichkeit zu eintreten.
Bayesianer könnten connectionistische oder symbolistische Methoden verwenden, um Entscheidungsmodelle zu erstellen, aber der Fokus liegt in ihrem Denken darauf, nur probabilistische Ergebnisse zu erzielen. Die Infrastruktur für den Weg von X nach Y ist weniger wichtig als die Interpretation des Ergebnisses. Dennoch verwenden die Bayesianer Modelle wie:
- Versteckte Markow-Ketten
- Grafische Modelle
- Kausale Inferenz
Evolutionäre (Biologen)
Evolutionäre denken gerne an Dinge, nicht an Infrastruktur, bestimmte Ergebnisse oder sogar in den Interpretationen der Ergebnisse. Diese Leute sind die Prozesstheorie-Typen. Sie beschäftigen sich mit Schritten und Iterationen.
Betrachtet man maschinelles Lernen aus Sicht eines Biologen, beschäftigen sie sich mit der Evolution einer KI. Sie sind neugierig darauf, wie sie wächst, mutiert... wie sie entsteht. Ähnlich wie Menschen sich bei jeder Mutation entwickeln, wobei das menschliche Genom selbst eine gewisse Fähigkeit zum Lernen und Anpassen hat und einen Menschen hervorbringt, der besser geeignet ist, sich in jeder Ecke zu bewegen, wollen Evolutionäre Machine-Learning-Modelle schaffen, die ebenfalls lernen und sich anpassen.
Evolutionäre verwenden genetische Algorithmen und evolutionäre Programmierung. Eine häufige Anwendung der evolutionären KI sind Lernaufgaben. Im Folgenden entwickelte das DeepMind-Team ein kleines Strichmännchenobjekt mit Beinen, gab ihm eine Umgebung und einfache Physik und setzte sich das Ziel, voranzukommen. Nach vielen Iterationen von Versuch und Irrtum entwickelte sich die Intelligenz der Figur so, dass sie über die Objekte springen und vorankommen konnte. Evolutionäre Algorithmen werden im Spiel häufig verwendet. Sie werden eines der Hauptmodelle sein, die Autos autonom fahren lassen.
Analogisatoren (Psychologen)
Analogisatoren sind meist die Geschichtenerzähler. Sie können Klassen von Entitäten erschaffen. Wenn ein Input, alt oder neu, als Teil einer dieser Klassen identifiziert wird, glauben Analogizer, dass sie das Ergebnis der Eingabe als das Ergebnis dieser Klasse vorhersagen können.
Probleme, die mit diesem Ansatz angegangen werden, sind Empfehlungssysteme. Wenn ein Nutzer beispielsweise eine romantische Komödie auf Netflix sieht, sagt der Analogizer: "Angesichts deines Schauverhaltens und weil dir diese Rom-Com gefallen hat, wirst du auch diese anderen Filmserien mögen, weil andere, die denselben Film gesehen haben, diese Filme ebenfalls mögen." Analogisatoren nutzen Klassen und Typen, um Gruppen von Menschen zu identifizieren und zukünftige Ergebnisse basierend auf den Ergebnissen anderer Mitglieder der Klasse vorherzusagen.
Die maschinellen Lernmodelle, die Analogisatoren verwenden werden, sind K-Nearest Neighbor Algorithmen und SVMs, unüberwachte Lernmethoden, um Mitglieder einer Population in ihre Klassen einzuordnen. Die folgende Grafik ordnet die Mitglieder in zwei Klassen 0 und 1 ein. Das zweite Bild klassifiziert ein Mitglied in eine von drei Klassen.
Die 5 ML-Stämme
Jeder Ansatz hat seinen Nutzen. Kombinationen dieser Methoden des maschinellen Lernens könnten die Lösung für eine AGI sein. Selbstfahrende Autos könnten durch eine evolutionäre Methode lernen, sicher auf den Straßen zu fahren, verwenden aber connectionistische Methoden, um den Sensoren der Autos Sicht zu geben. Das Auto könnte einen enormen Schub bei seinen Interaktionen zwischen Nutzer und Fahrer erhalten, indem es die Art des Analogizers nutzt, seine Fahrer in Typen einzuteilen: Aggressiv, Defensiv oder Passiv. Schließlich gibt es Verkehrsregeln, wie das Anhalten an Stoppschildern und das Bleiben zwischen den Linien, wobei Methoden des traditionellen Symbolistenstammes sich als vorteilhaft erweisen.
Zusätzliche Ressourcen
Mehr zu diesem Thema finden Sie im BMC Machine Learning & Big Data Blog oder schauen Sie sich diese Artikel und Anleitungen an:
Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.