• Skip to primary navigation
  • Skip to content
  • Skip to primary sidebar
  • Über
  • Was Mitglieder erhalten
  • Produkte
  • Abo
  • Datenschutzerklärung
  • Impressum

neunetz.com

Wirtschaft im digitalen Zeitalter.

  • Analysen der digitalen Wirtschaft
  • Umbruch der Automobilbranche
  • Amazon analysiert
  • Big Tech

Der Unterschied zwischen Machine Learning und „klassischer“ Software

13. September 2019 by Marcel Weiß

tensor-flow-io19-machine-learning

Das Bild stammt von einer Präsentation auf der Google I/O 19 von zwei Vertretern des TensorFlow-Teams bei Google und es stellt eine perfekte Beschreibung von Machine Learning dar. (via)

Software, wie wir sie bisher kannten, war grob so aufgebaut: Wir geben die Regeln (Algorithmen) ein, und die Software wendet diese Regeln auf die Daten ein, die wir einspeisen. Herauskommen die Antworten der Software.

Machine Learning dagegen ist ‚ungenauer‘. Wir füttern den Machine-Learning-Algorithmus mit ‚Antworten‘ in Form von großen Datenmengen, aus denen der Machine-Learning-Algorithmus sich eine Menge(!) an Regeln erarbeitet, die dann wiederum auf andere Datenmengen angewendet werden können. Auf diesem Weg können komplexe Regelwerke geschaffen werden, die nicht per Hand programmiert werden können.

Ein Beispiel: Wir füttern unsere lernende Maschine mit vielen Bildern von Katzen. Die Software lernt aus der Fülle der Bilder, wie Katzen aussehen können. Das wäre top-down, also mit hart einprogrammierten Regeln, schwierig zu realisieren. Zumindest wenn man möglichst akurat möglichst alle Katzen abdecken möchte.

Gleichzeitig kann hier auch einiges schief gehen, wenn man nicht auf das Learning Set achtet; also die „Antworten“ mit denen man den Machine-Learning-Algorithmus füttert. Wer dem Algorithmus beibringen will, wie Adler aussehen, sollte dabei nicht zu viele Bilder mit Adlern auf den Armen ihrer Halter zeigen, oder eine Regel ‚lautet‘ zwangsläufig dann quasi Vogel+Arm=Adler. Das ist, was man data bias nennt. (Hier etwa findet man sieben Formen von üblichen Fehlern bei der Datenauswahl.)

An diesem recht simplen Beispiel sieht man auch,

  1. dass es nicht zwingend so ist, dass „mehr Daten“ zu akkuraterem Machine Learning führt. Es geht eher um „bessere Daten“. Also bessere Antworten zum Füttern.
  2. dass es einen Unterschied macht, wie präzise die Daten sind und etwa branchenübergreifende Übersetzungen von Machine-Learning-Erfolgen auf absehbare Zeit unrealisitisch sind.

Was heute mit Machine Learning erfolgreich gebaut wird, ist teilweise phänomenal, hat aber nichts mit allgemeiner künstlicher Intelligenz a la Skynet zu tun. Deshalb wird jeder gesellschaftliche Bereich, jede Branche, einen eigenen Weg gehen, ohne dass „Machine Learning als Sektor“ von einem Unternehmen dominiert wird. Man vergleiche den Einsatz von Machine Learning eher mit dem Einsatz von Datenbanken und Computern allgemein.

Machine Learning ermöglicht uns, Computer auf neue Aufgabenfelder anzusetzen. Neben Katzenbildern etwa Früherkennung von Krebs.

a16z-Analyst Benedict Evans schreibt auf Twitter:

We’re used to software that give yes/no answers – is there a match or not? Is this licence plate flagged? is that credit card valid? But ML doesn’t say yes/no. It says ‚maybe/maybe not/probably‘ answers. And, if you tell a cop or judge a ‚maybe‘ is a MATCH, bad things will follow

Aber damit einher geht auch ein gesellschaftlich notwendiges Umlernen wie wir Software und computergenerierte Ergebnisse bewerten. Es macht einen großen Unterschied, wenn Software nicht mehr nur Ja/Nein-Fragen mit ja und nein beantworten kann, sondern komplexere Sachverhalte mit ‚vielleicht/vielleicht nicht/wahrscheinlich‘ beantwortet.

Mehr noch, das muss sich zwingend in den User Interfaces widerspiegeln.

Machine Learning ist nicht ‚vorhersehbare‘ (überschaubare, nachvollziehbare) Mathematik wie es ‚klassische‘ Software ist. Machine Learning ist Stochastik, so wie wir Menschen Stochastik im Alltag verwenden. Auch wir können ein Tier sehen und es zunächst einer falschen Tiergattung zuordnen.

Der Unterschied liegt, auch hier, zwischen Bottom-up vs top-down. Mit allen Vorteilen und Nachteilen.

Es ist das Gleiche wie mit Plattformen mit user generated content und klassischen Medienorganisationen. Die Plattformen ermöglichen mehr, sehr viel mehr, als die klassischen Medienorganisationen, weil bottom-up ‚Überraschendes‘ nach oben kommen kann. Gleichzeitig kann auf diesem Weg anderes ’schief‘ gehen. Nichts ist perfekt.

Das beste Bild für Artificial Intelligence ist nach wie vor, Intelligence wie in Intelligence Service zu verstehen. Tiefe Einblicke, die man nur auf diesem Weg bekommen kann, die aber nicht automatisch fehlerfrei sind. Ganz im Gegenteil. Künstliche Intelligenz ist deshalb gar keine gute Beschreibung für Machine Learning et al. Denn es geht hier weniger um „Intelligenz“, was auch immer man darunter verstehen mag, und mehr um Einsichten, Ableitungen, Erkenntnisse.

(Siehe zum Thema auch meine kurzen Ausführungen in neunetz.fm Der Tag 32 vom Juni diesen Jahres)

Teilen mit:

  • E-Mail
  • LinkedIn
  • Mastodon
  • Pocket
  • Mehr
  • Telegram
  • WhatsApp
  • Facebook
  • Tumblr

Filed Under: AI, Analysen Tagged With: Machine Learning

📧 Jetzt abonnieren und künftig die öffentlichen Analysen von neunetz.com kostenfrei und bequem einmal pro Woche per Email erhalten!


🔥 Bereit, Ihr Wissen zu erweitern? Als Mitglied bleiben Sie immer auf dem neuesten Stand und verstehen die digitale Wirtschaft besser als andere. ➡️ Nexus, der Mitgliederbereich von neunetz.com.

About Marcel Weiß

Marcel Weiß, Jahrgang 1979, ist Gründer und Betreiber von neunetz.com. Für Kontaktaufnahme für potenzielle Zusammenarbeit bitte gern an marcel@neunetz.com.
Er ist Diplom-Kaufmann, lebt in Berlin und ist seit 2007 als Analyst der Internetwirtschaft aktiv. Er arbeitet als freier Strategy Analyst und ist Co-Host des Exchanges-Podcasts und weiterer Podcasts zur digitalen Wirtschaft. Er schreibt als freier Autor für verschiedene Publikationen, und hält Keynotes zu den Treibern der digitalen Wirtschaft. Marcel Weiß berät Unternehmen auf der strategischen Ebene. Mehr zum Autor.
Mit Marcel Weiß auf Mastodon und auf Linkedin vernetzen.

Reader Interactions

Primary Sidebar

Dein Account

Sign in

ÜBER NEUNETZ.COM

“Die Zukunft ist hier. Sie ist nur noch nicht gleichmäßig verteilt.” - William Gibson
Die Infusion von Software verändert jede Branche und jeden gesellschaftlichen Bereich. Manche früher, andere später. Plattformdynamiken und Netzwerkeffekte machen die digitale Wirtschaft komplexer. Seit 2006 analysiert und ordnet neunetz.com diese Aspekte und die Auswirkungen der wachsenden digitalen Wirtschaft auf andere Branchen und die Gesellschaft als Ganzes ein. (Mehr hier.)

neunetz.com-Newsletter

📧 Jetzt abonnieren und künftig die öffentlichen Analysen von neunetz.com kostenfrei und bequem einmal pro Woche per Email erhalten!

NEUNETZ.COM NEXUS

🔥 Bereit, Ihr Wissen zu erweitern? Als Mitglied bleiben Sie immer auf dem neuesten Stand und verstehen die digitale Wirtschaft besser als andere. ➡️ Nexus, der Mitgliederbereich von neunetz.com.

Bereits Mitglied? Bitte einloggen.

neunetz.com durchsuchen

Podcasts
~
PODCASTS IN DER LIEBLINGSAPP ABONNIEREN!

Copyright © 2023 · News Pro on Genesis Framework · WordPress · Log in