Was ist Machine Learning?

Beim Machine Learning (ML) oder maschinellem Lernen wird ein Computer darauf trainiert, Muster zu finden, Vorhersagen zu treffen und aus Erfahrungen zu lernen, ohne explizit programmiert zu werden.

Machine Learning (ML) oder maschinelles Lernen ist eine Unterkategorie der künstlichen Intelligenz (KI). Dabei werden Algorithmen verwendet, um innerhalb eines Datensatzes Muster zu erkennen und Vorhersagen zu treffen. Diese Daten können aus Zahlen, Text oder sogar Fotos bestehen. Unter idealen Bedingungen ermöglicht maschinelles Lernen dem Menschen eine schnellere und präzisere Interpretation von Daten, als es uns selbst je möglich wäre.

Künstliche Intelligenz entsteht, wenn Menschen synthetisch einen Sinn von menschenähnlicher Intelligenz in einer Maschine erzeugen. Für maschinelles Lernen bedeutet das, dass Maschinen so programmiert werden, dass sie bestimmte kognitive Funktionen nachahmen, über die der Mensch von Natur aus verfügt, wie etwa Wahrnehmung, Lernen und Problemlösung. 

Wie wird erreicht, dass eine Maschine denkt wie ein Mensch? Sie wird trainiert, um ihr eigenes Vorhersagemodell zu erstellen. Dieses Vorhersagemodell dient als Mittel, mit dem die Maschine Daten analysiert und schließlich zu einer „lernenden“ Maschine wird. Dazu müssen Sie dem Computer Daten zur Verfügung stellen und ein Lernmodell auswählen, das der Maschine vorgibt, wie sie die Daten zu verarbeiten hat. 

Ein ML-Modell kann Daten letztlich für 3 Funktionen nutzen:

• Beschreiben, was passiert ist
• Vorhersagen, was passieren wird
• Vorschläge machen, welche Maßnahmen als nächstes zu ergreifen sind

Welches Lernmodell zum Trainieren der Maschine gewählt wird, hängt von der Komplexität der Aufgabe und dem gewünschten Ergebnis ab. Machine Learning wird in der Regel in 3 Lernmethoden unterteilt: 

Supervised Learning-Modelle (überwachtes Lernen) werden mit gekennzeichneten Datensätzen trainiert. Dieses Modell wird für Aufgaben wie die Bilderkennung verwendet.

Unsupervised Learning-Modelle (nicht überwachtes Lernen) prüfen nicht gekennzeichnete Daten und suchen nach Gemeinsamkeiten, Mustern und Trends. Dieses Modell wird für Aufgaben wie Kundensegmentierung, Empfehlungssysteme und allgemeine Datenexploration verwendet.

Reinforcement Learning-Modelle (bestärkenden Lernen) trainieren nach dem Trial-and-Error-Prinzip innerhalb eines etablierten Belohnungssystems. Diese Art des Lernens wird beispielsweise verwendet, um einem Computer beizubringen, ein Spiel zu spielen, bei dem Aktionen zu einem Sieg oder einer Niederlage führen. 

Sobald der Computer mit der Art und Weise vertraut ist, wie er Daten interpretieren soll (dank des Lernmodells und der Trainingsdaten), kann er Vorhersagen treffen und Aufgaben ausführen, wenn ihm neue Daten vorgelegt werden. Nach und nach kann der Computer immer genauere Vorhersagen treffen, da er aus kontinuierlichen Daten-Streams lernt und in der Lage ist, Aufgaben in kürzerer Zeit und mit größerer Genauigkeit auszuführen als ein Mensch.

Machine Learning (ML) und künstliche Intelligenz (KI) können eingesetzt werden, um das Benutzererlebnis zu verbessern, das Kundenverhalten zu antizipieren und Systeme zur Betrugserkennung zu überwachen. Sie können sogar Anbietern im Gesundheitswesen helfen, lebensbedrohliche Zustände zu erkennen. Die meisten von uns profitieren vom maschinellen Lernen und arbeiten täglich damit. Einige alltägliche Beispiele:

• Empfehlungsalgorithmen bei Ihren bevorzugten Streaming-Diensten
• Automatische Hotlines und Chatbots
• Gezielte Werbung
• Automatisierte Angebote von Finanzinstituten

Generative KI, auf der mittlerweile viele KI-Tools basieren, wird durch Deep Learning ermöglicht, einer maschinellen Lerntechnik zur Analyse und Interpretation großer Datenmengen. Große Sprachmodelle (Large Language Models, LLMs), eine Untergruppe der generativen KI, stellen mit ihrer Fähigkeit zum Verstehen und Erzeugen menschlicher Sprache in einem noch nie dagewesenen Umfang eine entscheidende Anwendung des maschinellen Lernens dar. 

Machine Learning wird für viele Unternehmen immer mehr zu einer selbstverständlichen Funktion, und in den Bereichen Gesundheitswesen, Finanzdienstleistungen, Telekommunikation, Behörden und anderen Branchen gibt es Use Cases für transformative KI/ML.

Red Hat bietet die gemeinsame Basis für Ihre Teams, um KI-Anwendungen und Modelle für maschinelles Lernen (ML) mit Transparenz und Kontrolle zu entwickeln und bereitzustellen. 

Red Hat® OpenShift® AI ist eine Plattform, die KI-Modelle für Ihren speziellen Use Case und mit Ihren eigenen Daten trainieren, mit Prompts versehen, feinabstimmen und bereitstellen kann.

Für umfangreiche KI-Implementierungen bietet Red Hat OpenShift eine skalierbare Anwendungsplattform, die für KI-Workloads geeignet ist und Zugang zu gängigen Hardwarebeschleunigern bietet.

Red Hat nutzt auch eigene Red Hat OpenShift AI-Tools, um den Nutzen anderer Open Source Software zu verbessern, angefangen mit Red Hat Ansible Lightspeed mit IBM watsonx Code Assistant. Ansible Lightspeed unterstützt Entwicklungsteams bei der effizienten Erstellung von Ansible-Inhalten. Die Lösung liest die von Nutzenden in Klartext eingegebenen Informationen und interagiert dann mit den Basismodellen von IBM watsonx, um Codeempfehlungen für Automatisierungsaufgaben zu generieren, die dann zum Erstellen von Ansible Playbooks verwendet werden.

Darüber hinaus bieten die Partnerintegrationen von Red Hat den Zugang zu einem Ökosystem zuverlässiger KI-Tools, die für die Zusammenarbeit mit Open Source-Plattformen entwickelt wurden.