Digitale Anlageberatung mit “machine learning”

In den letzten Wochen und Monaten faszinieren mich einerseits einmal mehr die Versprechungen und Visionen der Anhänger der “Künstlichen Intelligenz” (KI), andererseits ernüchtert mich derzeit noch die Praxis von Siri, Google, Watson und Co. In meiner neuen Kolumne für Capital mache ich das erneut zum Thema unter dem Titel

Robo-Advisor müssen noch viel lernen

Je häufiger ich mich aber in meinen Beiträgen mit KI befasse, desto diffuser wirkt der KI-Begriff auf mich. Vermutlich werfe ich die Begriffe selbst noch fröhlich durcheinander. Verschiedene Texte versuchen etwas Licht in die Begriffswelt der “Künstlichen Intelligenz zu bringen. Am Wochenende habe ich mir zum Beispiel folgende Texte angesehen:

• t3n: Was ist eigentlich der Unterschied zwischen AI, Machine Learning, Deep Learning und Natural Language Processing?

• Computerwoche: Was Sie über KI wissen müssen

Die Autoren der Computerwoche zitierten Lynne Parker, Leiterin der Abteilung Information and Intelligent Systems der amerikanischen National Science Foundation:

"Künstliche Intelligenz" (KI) respektive der englische Ausdruck "Artificial Intelligenz" (AI) bezieht sich auf "eine breite Palette von Methoden, Algorithmen und Technologien, um Software so smart zu machen, dass sie auf Außenstehende wie eine menschliche Intelligenz wirkt". Mit anderen Worten: Machine Learning (ML), maschinelles Sehen (Computer Vision), Natural Language Processing, Robotik und alle weiteren verwandten Themen sind Teil von KI/AI.

ML bzw. Maschinelles Lernen beschreibt nach dem t3n-Beitrag “mathematische Techniken, die einem System, also einer Maschine ermöglichen, selbständig Wissen aus Erfahrungen zu generieren.” ML ist danach ein Teilgebiet der Künstlichen Intelligenz mit einer breiten Palette von Algorithmen und Methoden, “um die Leistungsfähigkeit von Software mit wachsenden Datenmengen zu verbessern.”  Die Autoren der Computerwoche nennen dabei folgende verbreitete ML-Spielarten:

• künstliche neuronale Netze, (z.T. synonym mit deep learning verwendet)
• Support Vector Machines,
• Entscheidungsbäume,
• Bayessche Netze,
• Nächste-Nachbarn-Klassifikationen,
• Selbstorganisierende Karten,
• Fallbasiertes Schließen,
• Instance-based learning,
• das Hidden Markov Model und
• verschiedene Arten der Regressionsanalyse.

Beim “machine learning” füttert man einen Rechner etwa mit bestimmten Kundendaten und Kauftransaktionen der Vergangenheit und versucht einen Zusammenhang zu erkennen.  Mit ihren digitalen Handlungsvorschriften (= Algorithmen) werden Texte in ihre Bestandteile zerlegt und deren Bedeutung in semantischen Netzwerken dargestellt. Die Systeme optimieren dabei ihr Vorgehen anhand statistischer Prinzipien (siehe Christiane Gelitz, Interview mit einem Cog, Spektrum der Wissenschaft kompakt, Künstliche Intelligenz, S. 15). Es werden zum Beispiel Hypothesen gebildet, mit welcher Wahrscheinlichkeit sich Kunden mit bestimmten Merkmalen  wie verhalten. Dabei soll die Software in Bezug auf die Kunden immer genaueren Erkenntnisse über das Kundenverhalten liefern. Der Data Scientist Philippe Take schreibt in einem Blogeintrag, dass nichts mit Intelligenz im menschlichen Sinne zu tun habe, “sondern es handelt sich um tausendfach untereinander verknüpfte Rechenschritte.”

Christiane Gelitz erläutert in “Interview mit einem Cog” (Spektrum der Wissenschaft kompakt, Künstliche Intelligenz, S. 17) das Prinzip des Deep Learnings:

“Die derzeit  erfolgreichsten  KI-Systeme  beruhen auf Maschinenlernen: Ihre Algorithmen,  also  die  Handlungsvorschriften  im Kode  eines  Computerprogramms, suchen in  vorliegenden Daten mittels statistischer Verfahren nach Mustern, um daraus Regeln abzuleiten. Wird das Feedback, etwa ob eine Regel korrekte Zuordnungen oder Vorhersagen erlaubt, mit dem Trainingsmaterial mitgeliefert,  handelt  es  sich  um  »supervised learning« (überwachtes Lernen). Hier gibt der Mensch die Kriterien vor, an denen sich das System orientieren soll. Beim »unsupervised  learning«  hingegen optimiert das System sein Vorgehen nach anderen Prinzipien. Zum Beispiel reduziert es eine Datenmenge so, dass dabei möglichst wenig Informationen verloren gehen.”

Der t3n-Beitrag nennt weitere Quellen zur Vertiefung:

• Why Deep Learning is suddenly changing your Life | Fortune
• Artificial Intelligence weltweit | Computerwoche
• Maschinelles Lernen: Ohne Verstand ans Ziel | Deutschlandfunk
• AI plus Ethik: Wie Maschinen menschliches Denken lernen sollen | t3n
• Was ist „künstliche Intelligenz“ und warum ist das wichtig? | Upload Magazin