6 01 | 2019 Maschinelles
6 01 | 2019 Maschinelles Lernen Ein Blick hinter die Kulissen Big Data ist der Megatrend der letzten Jahre. Eine Erfolgsstory jagt die andere, neue Projekte allenthalben und niemand, der es sich leisten könnte, nicht dabei zu sein. Über die Technologie, die diesen Hype erst ermöglicht, das maschinelle Lernen, ist überraschenderweise allgemein wenig bekannt. Wie wird aus Daten Wissen, und welche Methoden kommen hier zum Einsatz? Ein Blick hinter die Kulissen.
01 | 2019 7 01 | Die Wissenspyramide – der Weg der Daten zum Wissen Transition Kognitiver Prozess Symbole „1“ „ , “ „1“ „2“ Semantik EUR/USD 1,12 Syntax 1,12 Schlussfolgerung kaufen Pragmatik günstiger Kurs Aktion Wissen Information Daten Symbole Anwenden / Handeln In Relation setzen Interpretieren / Verstehen Wahrnehmen Quelle: Autor. Spitz formuliert ist Big Data nichts anderes als das Symptom der Anwendung maschineller Lernverfahren, denn maschinelle Lernverfahren benötigen Daten, um daraus neues Wissen ableiten zu können. Große Mengen an Daten. Bevor im Folgenden einige Verfahren des maschinellen Lernens vorgestellt werden, soll deshalb zunächst die grundlegende Frage geklärt werden, wie aus Daten überhaupt Wissen entstehen kann. Einen Überblick über den mehrstufigen Prozess der Wissensgewinnung gibt die Wissenspyramide. » 1 Ausgangspunkt sind Sequenzen von Symbolen, beispielsweise . Welchen Nutzen haben sie? Nun, isoliert betrachtet zunächst annähernd keinen. Der erste Schritt des kognitiven Prozesses der Wissensgewinnung ist deshalb, die den Symbolen zugrunde liegende Syntax, d. h. ihre innere Ordnung, zu erkennen. Im Beispiel scheinen die Symbole eine Zahl darzustellen. Durch Wahrnehmen der konkreten Syntax wird aus den Symbolen ein Datum. Welchen Nutzen hat nun die Zahl 1,12 ? Wieder wird die Antwort sein, dass das einzelne Datum keinen direkten Mehrwert bietet. Es sind also weitere Abstraktionsschritte nötig. Die nächste Transition erschließt die Semantik, d. h. die Bedeutung des Datums. Um die Semantik des Datums zu verstehen, muss es interpretiert werden, beispielsweise in- dem sein Kontext betrachtet wird. Im fiktiven Beispiel möge der Zahl 1,12 noch das Kürzel EUR/USD vorangehen. Dann ‚wissen‘ wir, dass das vorliegende Datum als Wechselkurs zu interpretieren ist. Aus dem Datum ist eine Information geworden. Aber auch die eine isolierte Information ist noch von nur begrenztem Nutzen. Ihre Pragmatik, ihre Nützlichkeit erschließt sich erst, wenn sie in Relation zu anderen Informationen gesetzt wird. Liegen die vorhergehenden Wechselkurse sonst beispielsweise im Bereich 1,20 bis 1,30, können wir aus der Gesamtbetrachtung auf einen aktuell günstigen Kurs schließen. Erst aus vielen einzelnen Informationen wird so Wissen. Dieses neu gewonnene Wissen kann gewinnbringend angewendet werden. Ein regelbasiertes System könnte beispielsweise auf Basis des aktuell günstigen Kurses und weiterer passender Rahmenbedingungen einen Kauf veranlassen. In der täglichen Praxis ist die Syntax der eingehenden Symbole zumeist schon bekannt, da sie z. B. in JSON kodierter Form vorliegen. Der Wissensgewinnungsprozess startet dann bereits auf der Ebene der Daten. Das Ziel maschineller Lernverfahren ist also, aus Daten Informationen zu gewinnen und diese weiter zu Wissen zu veredeln. Sie kondensieren förmlich riesige Mengen an Rohdaten zu kompaktem, operativem Wissen in Form eines Modells.
