Mit Machine Learning (maschinelles Lernen) können Systeme Muster erkennen und Empfehlungen ableiten. Basis hierfür sind vorhandene Datenbestände und Algorithmen. Kurz gesagt, wird Wissen künstlich aus Erfahrungen generiert. Beim maschinellen Lernen ist das vorherige Zutun von Menschen unbedingt erforderlich. Dieser muss zunächst dafür sorgen, dass, für den jeweiligen Anwendungsfall, entweder passende Daten vorhanden sind, oder diese erzeugt werden. Zudem müssen Regeln für die Datenanalyse und für die Mustererkennung definiert werden. Mit Machine Learning lassen sich z.B. Wahrscheinlichkeiten für Ereignisse berechnen, Vorhersagen und Empfehlungen generieren, relevante Daten aus Datenbeständen finden und extrahieren oder vorhandene Prozesse optimieren.
Machine Learning basiert immer auf Algorithmen, welche für eine Mustererkennung und das daraus resultierende generieren von Empfehlungen verantwortlich sind. Machine Learning lässt sich in fünf Lernkategorien einteilen:
- Überwachtes Lernen/Supervised Learning (Beispielmodelle werden im Vorfeld definiert)
- Unüberwachtes Lernen/Un-supervised Learning (Modelle werden auf Basis erkannter Muster eigenständig gebildet)
- Teilüberwachtes Lernen/Semi Supervised Learning (Mischung aus Supervised/Un-supervised Learning)
- Bestärkendes Lernen/Reinforcement Learning (Basiert auf Belohnungen und Bestrafungen, durch welche dem Algorithmus mitgeteilt wird, wie er auf unterschiedle Szenarien reagieren soll. Reinforcement Learning ist dem menschlichen Lernverhalten damit sehr nahe).
- Aktives Lernen/Active Learning (Der Lernalgorithmus fragt den Benutzer interaktiv ab, um an neuen Datenpunkten die gewünschten Ergebnisse zu erhalten)
Machine Learning hat heute ein sehr weites Einsatzspektrum. Anwendungsbeispiel ist die automatische Erkennung von Kreditkartenbetrug, aber auch Empfehlungsdienste (Recommendation Services), Bilderkennung, Gesichtserkennung, die Identifizierung von Spam oder digitale Assisten basieren auf Algorithmen des maschinellen Lernens.
