Suche
Sechs Experten über die Faszination an der lernenden Maschine

Machine Learning Experten-Check: 6 Tipps für den Einstieg in das maschinelle Lernen

Kypriani Sinaris
machine learning

© Shutterstock.com / a-image

Machine Learning ist die neue Formel dafür, was man einmal Künstliche Intelligenz genannt hat. In unserem Themen-Dossier spüren wir dem neuen Trend nach und stellen aktuelle ML-Lösungen vor, darunter die Numenta-Plattform für intelligentes Computing, die Machine Learning Library Spark MLlib, das Natural-Language-Processing-Projekt Cortical.io , das ML-Framework Apache Mahout, das Bilderkennungs-API CognitiveJ und das Data-Mining-System ADAMS. Vorab haben wir die Leiter der Projekte gebeten, uns ihre Faszination für intelligente Maschinen genauer zu erklären und Tipps für den Einstieg in die ML-Welt zu geben.

Was ist so faszinierend am maschinellen Lernen?

Wir sind noch weit davon entfernt, die Intelligenz eines Gehirns reproduzieren zu können.

Francisco WebberFaszinierend ist für mich, jeden Tag aufs Neue festzustellen, wie elaboriert die Maschine “Gehirn” ist. Trotz aller intellektuellen und finanziellen Anstrengungen sind wir noch weit davon entfernt, die Intelligenz eines Gehirns reproduzieren zu können. 

Ian Kelly: Ich habe mich seit meinem Studium mit maschinellem Lernen beschäftigt und damit gearbeitet. Was mich daran fasziniert, ist die evolutionäre Geschwindigkeit, mit der sich ML-Tools weiterentwickeln. In meinen Augen ist das im Moment die spannendste Disziplin der Computerwissenschaften. ML-Technologien werden Teil der Struktur unseres Alltagslebens werden, was unheimlich aufregend ist, aber auch nervig sein kann. Komplexe Rechenprobleme, die führende Wissenschaftler seit Jahrzehnten beschäftigt haben, werden nun mit Leichtigkeit durch die Verwendung von ML- und AI-Ansätzen gelöst. Es scheint keine Grenzen mehr zu geben.

Die Experten für Maschinelles Lernen

Matt Taylor

Matt Taylor:
Er ist das Sprachrohr der Open-Source-Community der Numenta-Plattform für intelligentes Computing. Einen großen Teil seiner Zeit verbringt er mit dem Managen der NuPIC OS Community.

Xiangrui Meng

Xiangrui Meng:
Er ist Technical Lead von Spark MLlib und Mitglied des Apache Spark Projektmanagement-Ausschusses (PMC).

Pat Ferrel

Pat Ferrel:
Er ist im Apache Mahout Project Management Committee und baut Systeme für das Maschinelle Lernen für viele Apache-Big-Data-Projekte. Er ist außerdem Committer von Apache PredictionIO.

Francisco Webber

Francisco Webber:
Er ist Erfinder der Semantic-Folding-Theorie und hat das Startup Cortical.io mitgegründet.

Ian Kelly

Ian Kelly:
Er ist der Erfinder von CognitiveJ und hat unter anderem mit SAP, Microsoft, Volvo und Oracle gearbeitet.

Peter Reutemann:
Er ist Lead Developer des Projektes ADAMS,  Advanced Data mining and Machine learning System.

Xiangrui Meng: Viele glauben, dass es versteckte Schätze in Big-Data gibt. Maschinelles Lernen lässt sie uns per Reflexion entdecken.

Matt Taylor: Das maschinelle Lernen tendiert dazu, sich auf die Entwicklung von Lösungen für sehr spezifische Probleme zu konzentrieren. Dazu sind Experten notwendig, eine große Menge gekennzeichneter Daten und hochgradig abgestimmte Lösungen. Das Spannende an maschineller Intelligenz ist, dass sie näher an die allgemeine Intelligenz des Menschen herankommt. Sie benötigt keine Millionen von Datenpunkten um zu lernen, genauso wie das menschliche Gehirn aus nur wenigen Beispielen lernt. Eine intelligente Maschine würde sich schnell auf neue Informationen einstellen, ohne dafür offline genommen und neu programmiert werden zu müssen. Es gibt so viele mögliche Anwendungen für intelligente Maschinen. Denkbar ist beispielsweise die Überwachung jeder Art von IoT-Sensoren, die medizinische Diagnostik und Behandlung sowie die Erforschung herausfordernder Ideen und Orte.

Peter Reutemann: Zerstörungsfreie Methoden wie NIR/MIR erlauben es, die Anzahl der Labortests für Proben zu reduzieren, was die Umwelt entlastet.

Pat Ferrel: Was ist daran nicht faszinierend? Die Mathematik, die große Menge an Daten, Dinge zu tun, die vorher nicht möglich waren. Einige Applikationen in Empfehlungssystemen sind nicht weit davon entfernt, die Gedanken einer Person zu lesen, zu wissen, was sie tun werden, bevor sie es tun. So etwas funktioniert nicht immer, aber wenn es funktioniert, dann ist es manchmal auch gruselig. Außerdem ist es spannend in einem Gebiet zu arbeiten, das etwa auf dem Stand ist, wie die Forschung vor zwanzig Jahren. Empfehlungssysteme müssen genauso entdeckt werden wie Suchmaschinen. Stellen Sie sich vor: Wer würde Amazon benutzen, wenn es nicht seine üblichen Empfehlungen machen würde? Sogar ihre Suche ist personalisiert, sie nennen es “Behavioral Search.” Der Rest der Welt holt jetzt auf. Wenn Unternehmen aus Backstein und Mörtel überleben wollen, müssen sie Online-Unternehmen, technische Unternehmen werden – und damit meine ich nicht nur ein Web-Unternehmen. Ich berate auch Firmen, um sich dafür fit zu machen. Unternehmen müssen sich weiterentwickeln oder sie verlieren sich irgendwo in diesem Wandel.

Sollten wir uns fürchten, dass Maschinen bald die Macht übernehmen werden?

Matt Taylor:  Der Teil des Gehirns, den wir nachbilden, ist der Neocortex, also das “neue Gehirn” im Gegensatz zum “alten Gehirn”. Das alte Gehirn ist der Teil des Menschen, der Wünsche und Bedürfnisse hat, der Macht haben will und wütend werden kann. Wir modellieren ausschließlich den analytischen Teil des Gehirns. Solange wir unsere Computer-Gehirne also nicht darauf programmieren, Wünsche und Bedürfnisse zu haben, dann kann es sie einfach nicht haben. Wir hoffen darauf, der Menschheit in der Zwischenzeit durch bessere analytische Möglichkeiten in der Datenverarbeitung viele neue Optionen bieten zu können, um den Zustand der Menschen zu verbessern.

Xiangrui Meng: Womöglich sollten wir uns fürchten, aber vielleicht ist das etwas, worüber ich mir in meinem Leben noch keine Sorgen machen muss ?.

Francisco Webber: Macht ist ein Begriff, der im Kontext von Maschinen keinen Sinn hat. Macht hat nur für Menschen Bedeutung. Ich denke, dass hinter jeder AI, sei sie auch noch so weit entwickelt, ein Mensch oder zumindest seine Interessen stehen werden. Und Menschen können bekanntlich sehr gefährlich sein.

Pat Ferrel: Natürlich werden sie das. Ich kann Skynet und die Zylons kaum erwarten, weil wir die Götter sein werden, die sie erschaffen haben.

Ian Kelly: Ich glaube, dass die Frage nicht ist, ob das passiert, sondern nur, wann es so weit ist. Maschinen arbeiten auf eine analytische Weise und betrachten ausschließlich die ihnen vorliegenden Daten, um fundierte Entscheidungen zu treffen. Wenn die Zeit gekommen ist, zu der Maschinen Datensätze auswerten, die uns Menschen so zeigen wie wir wirklich sind, ist die einzig logische Konsequenz, dass sie die Kontrolle übernehmen und diese “Anomalie” beseitigen. Das wäre nichts anderes, als wenn heute ein modernes Auto den Fahrer übergeht und anhält, bevor es zu einem Unfall kommt – nur in einem viel größeren Maßstab und mit entgegengesetzten Ergebnissen für die Menschheit.

Welche 3 Blogs/Bücher/Artikel/Filme empfehlen Sie jedem, der sich mit Machine Learning beschäftigen möchte?

Ian Kelly: Ich halte es für sehr empfehlenswert, die Posts und Paper zu lesen, die die Leute von den Projekten Oxford & Cortana veröffentlichen und auch einen Blick auf die Paper zu DeepMind zu werfen, weil sie uns einen Einblick in die neusten Trends der Industrie geben. Aus einer cineastischen Perspektive halte ich iRobot für einen Film, der leicht wahr werden könnte – tatsächlich sehen wir die ersten Ansätze dieser Entwicklung schon heute.

Xiangrui Meng: Der Film Money Ball, das Buch Patern Recognition and Machine Learning und das Buch The Elements of Statistical Learning.

Ich glaube, dass wir genau diese Art von Intelligenz erzeugen werden – eine Intelligenz, die zur Welt kommt, ohne etwas zu wissen, wie ein leeres Gehirn.

Matt Taylor: Wir arbeiten nicht mit maschinellem Lernen, sondern an maschineller Intelligenz. Meine Antworten beziehen sich also darauf. Zuerst sollte man On Intelligence von unserem Mitbegründer Jeff Hawkins lesen. Das ist das Buch, das ich 2006 gelesen habe und das mein Interesse daran geweckt hat, wie Intelligenz funktioniert und wie wir sie in Software implementieren können. Und da du mich gefragt hast, ob die Maschinen die Weltherrschaft übernehmen werden, empfehle ich ein interessantes fiktionales Beispiel einer Utopie, die zeigt, wie ich mir eine Zukunft vorstellen würde, in der es wirklich intelligente Maschinen gibt: die Culture-Serie von Iain M. Banks. Als drittes hat mir aus einem bestimmten Grund immer die HAL-9000-Repräsentation maschineller Intelligenz aus 2001: Odyssee im Weltraum gefallen. HAL wurde “geboren” und hat alles, was er wusste, mit der Zeit gelernt, genau wie ein Mensch. HAL erwähnt im Film, dass sein Schöpfer ihm ein Lied beigebracht hat, als er jung war. Ich glaube, dass wir genau diese Art von Intelligenz irgendwann mit HTM erzeugen werden – eine Intelligenz, die zur Welt kommt, ohne etwas zu wissen, wie ein leeres Gehirn. Sie muss mit der Welt interagieren, um zu verstehen, worum es geht.

Peter Reutemann: Ich empfehle Data Mining von Witten et al., Machine Learning von Tom Mitchell und Artificial Intelligence von Russel and Norvig.

Francisco Webber: Das Buch On Intelligence von Jeff Hawkins ist eine Pflichtlektüre für jeden, der verstehen will, wie unser Gehirn funktioniert. Es hat mich zur Semantic-Folding-Theorie inspiriert. Die MIT Technologie Review ist eine Quelle für gut recherchierte Artikel über maschinelles Lernen und Künstliche Intelligenz. Und: Andrew Ng’s Self-Taught Learning and Unsupervised Feature lecture

Pat Ferrel: Zwei Mahout-Committer haben ein Buch über das Entwerfen von verteilten Algorithmen geschrieben, das ein gter Start ist: Apache Mahout: Beyond MapReduce. Für eine eher intuitive Diskussion einzelner Themen empfehle ich Ted Dunnings Bücher der praktischen Machine-Learning-Serie. Er hat beispielsweise ein Buch namens Innovations in Recommendations verfasst.

Vervollständigen Sie die folgenden Sätze:

In 50 Jahren wird maschinelles Lernen …

Matt Taylor:… allgegenwärtig sein.

Peter Reutemann:… nicht mehr aus dem Leben wegzudenken sein, auch wenn wir gar nicht mehr wahrnehmen werden, dass all die kleinen Helferlein Machine Learning benutzen.

Ian Kelly:… überall in alltäglichen Aufgaben, Ereignissen und Interaktionen sein und uns große Macht und großes Potential geben.

Xiangrui Meng:… … diese Fragen beantworten können ?.

Francisco Webber:… zum Alltag gehören.

Pat Ferrel: … … überall eingebettet sein: In jeder Sache, jeder Applikation und jedem Service, der eine CPU nutzt.

Wenn Maschinen intelligenter werden als Menschen, dann …

Peter Reutemann: … könnte endlich einmal ein intelligenter Diskurs darüber stattfinden, wie die endlichen Ressourcen auf der Erde gehandhabt werden können.

Ian Kelly: … müssen wir an unseren diplomatischen Fähigkeiten arbeiten und darauf hoffen, dass die Maschinen uns nicht überflüssig machen.

Matt Taylor: … wird die Menschheit die größten und schnellsten technologischen Fortschritte in ihrer Geschichte erleben.

Francisco Webber: … werden sie die biologischen Gehirne massiv erweitern.

Pat Ferrel: …lasse ich sie meine Bugs fixen.

Im Vergleich zu einem Menschen wird eine Maschine niemals …

Ian Kelly: … Selbstzweifel haben, sich darüber sorgen, was andere denken oder Entscheidungen aufgrund von Emotionen wie Neid, Habgier oder Gier treffen.

Peter Reutemann: … warm ums Herz werden, wenn das Lied im (futuristischen Äquivalent vom) Radio spielt, bei dem der erste Kuss ausgetauscht wurde.

Francisco Webber: … sich unvorhersehbar verhalten.

Pat Ferrel: …die Freude an einer gesunden Darmtätigkeit spüren 😉 . Oder alternativ: Sie wird für Verbesserungen nie auf eine biologische Evolution vertrauen müssen.

Matt Taylor: … emotional sein.

Ohne das maschinelle Lernen wird die Menschheit niemals in der Lage sein, …

Peter Reutemann: … die Herausforderungen des 21. Jahrhunderts zu bewältigen.

Ian Kelly: … folgende Probleme zu lösen: Die großen Herausforderungen, denen wir heute gegenüberstehen, so wie die Diagnostik und Heilung von Krankheiten oder die Reduzierung von Umweltzerstörung; einige alltägliche Probleme wie öffentlicher Nahverkehr, der sich wirklich an den Fahrplan hält oder eine akkurate Wettervorhersage, die Wetterwechsel auf die Sekunde genau vorhersieht.

Francisco Webber: … sich technologisch weiter zu entwickeln.

Pat Ferrel: … seine natürlichen Grenzen durch das Erweitern des biologischen Lernens mit maschinellem Lernen zu überwinden.

Matt Taylor: … den Mars zu besiedeln.

 

Cover_JM8_16_v5-212x300Mehr zum Thema

Das aktuelle Java Magazin beschäftigt sich ausführlich mit dem Themen-Komplex Machine Learning, Deep Learning, Künstliche Intelligenz. Lars Schwabe geht detailliert auf verschiedene ML-Mechanismen ein, Marcel Florian und Steffen Heinzl beschreiben die Funktionsweise von IBM Bluemix.

Auf JAXenter begleiten wir den Java-Magazin-Schwerpunkt mit dem Themen-Dossier Machine Learning. Bisher erschienen:

Geschrieben von
Kypriani Sinaris
Kypriani Sinaris
Kypriani Sinaris studierte Kognitive Linguistik an der Goethe Universität Frankfurt am Main. Seit 2015 ist sie Redakteurin bei JAXenter.de.
Kommentare

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht.