Text: Medien.Daten

3.5 Algorithmen – Was sind Algorithmen und wofür brauchen wir sie?

Algorithmen sind Werkzeuge, um mathematische Rechenprobleme zu lösen, die auf Grund der großen Datenmengen entstehen. Sie helfen nicht nur bei der Datenverarbeitung für Maschinelles Lernen, sondern sie lernen stetig weiter und programmieren sich selbst, ohne dass weitere technische Eingriffe durch den Menschen nötig werden (vgl. Hummel 2017). Am Beispiel der Gesichtserkennung lässt sich das wie folgt veranschaulichen: Algorithmen lernen eigenständig, Muster zu erkennen, die für ihre Suche nützlich sind. Hierfür verwendet eine Software viele Muster wie bspw. die Position der Augen, die Größe einer Nase, die Wangenknochenform und weitere markante Stellen eines Gesichtes. Um ein bestimmtes Gesicht mit Hilfe einer Software erkennen zu können, werden Vektoren zweier Bilder verglichen. Ein Bild hat ein Raster mit einer großen Anzahl an Pixeln und bestimmten Grauwerten. Daraus ergibt sich ein Datensatz mit einer bestimmten Dimension, die mathematisch als Vektor bezeichnet wird (vgl. Hummel 2017). Die Gesichtserkennung kann für viele gute Zwecke eingesetzt werden, wie bspw. für die Bekämpfung von Verbrechen. Dennoch bringt das Thema auch kritische Aspekte mit sich, wie die Begrenzung von Privatheit.

Es gibt unterschiedliche Algorithmen, die sich in die drei Modelle des Überwachten Lernens, des Unüberwachten Lernens und des Bestärkenden Lernens für Maschinelles Lernen einteilen lassen (vgl. Aust 2021):

Das Überwachte Lernen (Supervised Learning) beschreibt einen Algorithmus, bei dem anhand von vorhandenen Daten Informationen gelernt werden. Es wird also konkret nach einer definierten Zielvariable gesucht. So kann der Algorithmus bspw. lernen, ob auf einem Bild eine Katze abgebildet ist oder ob es sich nicht um eine Katze handelt. Dazu wird der Algorithmus mit großen Mengen an Bildern in Form eines Sets an Daten »gefüttert«, indem Bilder in rechnerische Variablen umgewandelt werden, auf denen Katzen zu erkennen sind. Der Algorithmus lernt die Merkmale einer Katze kennen und kann dann anhand dieses Sets an Daten erkennen: Katze ja oder Katze nein (vgl. Aust 2021). Der Mensch überprüft schließlich das Ergebnis und wenn der Algorithmus die richtige Entscheidung getroffen hat, wird das Ergebnis zum Standard ernannt (vgl. Mockenhaupt/Schlagenhauf 2024).

Bei dem Algorithmus des Unüberwachten Lernens (Unsupervised Learning) verhält es sich anders. Hier wird nicht nach einer gelernten Zielvariable gesucht (Katze ja/Katze nein), da das Suchergebnis nicht genau als richtig oder falsch definiert ist. Vielmehr sucht der Algorithmus eigenständig nach Strukturen in den vorhandenen Daten. Wenn bspw. ein Unternehmen anhand eines Online-Shops das Kaufverhalten von Kund*innen durch Typenbildung analysieren möchte, teilt der Algorithmus das Verhalten eigenständig in Typengruppen ein (vgl. Aust 2021). Das Entscheidungsverhalten wird dabei nicht von Menschen kontrolliert, sondern das System handelt autonom (vgl. Mockenhaupt/Schlagenhauf 2024).

Die Algorithmen des Bestärkenden Lernens (Reinforcement Learning) werden eingesetzt, um Entscheidungen eigenständig zu treffen. Hier hat der Algorithmus vorab keine Informationen in Form von Daten. Der Algorithmus lernt durch die Durchführung von bestimmten Aktionen und wird durch die Rückmeldung (Feedback) von der Simulationsumgebung verbessert. Anders als beim überwachten Lernen, bei dem das System mit richtigen Ergebnissen gefüttert wird, werden im Bestärkenden Lernen nur Impulse in Form von Belohnungen gesetzt (vgl. Aust 2021). Am deutlichsten lässt sich dies am Beispiel von Spielen verdeutlichen, anhand derer die Algorithmen auch häufig beforscht werden. So kann ein Algorithmus bspw. Schach lernen, indem er gegen sich selbst spielt und durch richtige Züge belohnt wird. Für die Belohnung wird ein ähnliches Prinzip wie bei Menschen durch Programmierende angesetzt. Dabei wird die extrinsische Motivation (also durch äußere Reize und nicht durch eine innere, von sich selbst kommende Motivation) verwendet. Eine Software erhält beim Trainieren bzw. Lernen Punkte, wenn die Aufgabe erfüllt wurde. Wurde sie nicht korrekt erfüllt, erhält die Software Abzüge von Punkten. So lernt sie anhand von Punkten (Belohnung), stetig besser zu werden (vgl. Aust 2021).

Abb. 3.4: Das Überwachte, Unüberwachte und Bestärkende Lernen des Maschinellen Lernens.
Quelle: Eigene Darstellung angelehnt an Mockenhaupt/Schlagenhauf, 2024.