Supervised Learning: So funktioniert überwachtes Lernen

Spätestens seit Anfang 2023 das Sprachmodell ChatGPT weltweit durch die Decke gegangen ging, ist maschinelles Lernen plötzlich überall. Künstliche Intelligenz nutzt verschiedene Lernmethoden, um die nötigen Daten und Informationen zu finden. Eine davon: Supervised Learning. In diesem Guide erfahren Sie, was es mit Supervised Learning auf sich hat und wie überwachtes Lernen funktioniert.

Was ist Supervised Learning?

Supervised Learning (deutsch: überwachtes Lernen) ist eine Art des maschinellen Lernens, bei dem eine KI mit Daten trainiert wird. Die Eingabedaten werden dabei mit entsprechenden Beschreibungen zur Ausgabe oder auch mit Zielwerten versehen. Die KI lernt so die Beziehung einer Eingabe und einer Ausgabe und kann entsprechend Vorhersagen für neue Daten liefern.

Wie funktioniert Supervised Learning?

Maschinelles überwachtes Lernen ist ein Prozess, in dem verschiedene Punkte durchlaufen werden:

1. Sammeln eines Datensatzes: Die gesammelten Eingabe- und Ausgabedaten, an denen sich die KI orientiert, sollten möglichst repräsentativ für das Problem sein, das durch die KI gelöst werden soll.
2. Vorverarbeitung der Daten: Um die KI mit den Daten zu füttern, müssen diese zunächst überarbeitet werden, beispielsweise indem fehlende Daten ergänzt oder überflüssige Daten gelöscht werden.
3. Training: Im Anschluss folgt das überwachte Lernen der KI durch Training. Die gesammelten Daten werden durch einen Optimierungsalgorithmus geschickt, um die Differenz von den Vorhersagen und den gelieferten Ausgabedaten möglichst gering zu halten.
4. Test: Nachdem das Supervised Learning Training durchlaufen ist, wird seine Leistung an einem separaten Datensatz getestet. Metriken wie Präzision, F1-Score und Wiedererkennung helfen dabei, die Genauigkeit des KI-Modells zu beziffern.
5. Vorhersagung: Nun kann das Modell genutzt werden, um Vorhersagen für neue Daten zu treffen. Es verwendet die beim Training erlernten Muster und Beziehungen, um Vorhersagen auf der Grundlage der Eingabedaten zu treffen.

Klassifikation und Regression: Supervised-Learning-Typen

Wie bereits in der Definition von Supervised Learning beschrieben, arbeitet überwachtes Lernen mit Daten, die mit einem Label versehen sind, um die KI zu trainieren. Dabei wird zwischen zwei Typen unterschieden: Klassifikation und Regression.

Klassifikation

Die Klassifikation wird beim Supervised Learning genutzt, um eine Vorhersage zur Gruppenzugehörigkeit zu treffen. Dabei werden Klassen gebildet, denen später hinzukommende Daten zugewiesen werden können. So kann durch Supervised Learning zum Beispiel eine E-Mail als Spam oder normale Nachricht eingeordnet werden. Das Modell lernt also, wie von Eingabemerkmalen (Inhalt der E-Mail) auf Ausgabemerkmale (Spam oder kein Spam) geschlossen werden kann.

Die Klassen können jedoch nicht nur binär sein, wie es bei dem obigen Beispiel der Fall ist. Auch mehrklassige Bezeichnungen sind möglich, etwa bei Stimmungsanalysen (positiv, neutral, negativ). Die Eingabedaten können sowohl Texte als auch Werte beinhalten, wodurch beispielsweise eine Rezension auf Textebene und Bewertungsebene analysiert werden kann.

Regression

Bei der Regression hingegen geht es um die Vorhersage von stetigen Werten für bestimmte Eingaben. Die Ausgabemarken in der Regression sind kontinuierlich, sie können also jeden Wert innerhalb eines Bereichs annehmen.

Ein Supervised-Learning-Beispiel: Die Vorhersage des Preises eines Hauses aufgrund seiner Eigenschaften wie Größe, Lage oder Alter ist eine Aufgabe der Regression. Dabei lernt das Modell, einen numerischen Wert (Preis) auf der Grundlage der Eingabemerkmale (Eigenschaften des Hauses) vorherzusagen.

Supervised vs Unsupervised Learning

Sowohl Klassifikation als auch Regression sind überwachte Lernverfahren, das heißt, sie stützen sich auf beschriebene Daten, um die KI zu trainieren. Sie sind miteinander verbunden, da sie dasselbe Ziel verfolgen: das Erlernen einer Beziehung zwischen Eingabemerkmalen und Ausgabebezeichnungen, um genaue Vorhersagen für neue Daten zu treffen.

Während die Klassifikation und Regression beim Supervised Learning von großer Bedeutung sind, spielen sie beim unüberwachten Lernen, dem Unsupervised Learning, keine Rolle. Hier analysiert die KI also nur Eingabedaten und versucht anhand derer Muster zu erkennen, ohne Zielwerte zu definieren. Supervised Learning funktioniert also durch die Bereitstellung wichtiger Daten, die für den Lernprozess der Maschine unabdingbar sind.

Eine weitere Option ist das Reinforcement Learning (deutsch: bestärkendes Lernen), bei dem die KI selbstständig eine Strategie oder Taktik erlernt, um erhaltene Belohnungen für richtige Ergebnisse zu maximieren.

Supervised Learning: Beispiel und Best Practices für überwachtes maschinelles Lernen

Weiter oben im Guide haben wir bereits zwei Beispiele für Supervised Learning angeschnitten: Spam-E-Mails und Hauskauf. Im folgenden Abschnitt erfahren Sie, wie und wo Supervised Learning bereits zum Einsatz kommt.

• Bild- und Objekterkennung: Mit Supervised-Learning-Algorithmen können Objekte in Bildern und Videos erkannt und isoliert werden. Im Anschluss folgt die Einordnung in Kategorien, was unter anderem zur Bildanalyse genutzt werden kann.
• Handschrifterkennung: Ein Einsatzgebiet des Supervised Learnings ist die Übertragung von handgeschriebenen Texten in digitale Dokumente. Ermöglicht wird dies durch beschriftete Bilddatensätze. Einige Tablets bieten dieses Feature bereits an.
• Prädikative Analyse: Das Modell bietet Unterstützung für Businessanalysen und Data Mining, um verschiedene Geschäftsdatenpunkte zu untersuchen. Das ermöglicht Unternehmen, Ergebnisse anhand bestimmter Kriterien vorherzusehen und Entscheidungen so datengetrieben zu unterfüttern.
• Medizinische Diagnostik: Krankheiten und medizinische Fragestellungen können durch maschinelles, überwachtes Lernen schneller und präziser diagnostiziert und geklärt werden.
• Kreditwürdigkeit: Vergangene Finanzdaten der Kundschaft können genutzt werden, um deren Kreditwürdigkeit zu überprüfen. Banken hilft das Supervised-Learning-Modell also dabei, Entscheidungen über die Kreditvergabe zu treffen.
• Stimmungsanalyse: Indem eine KI darauf trainiert wird, Textbausteine als positiv, neutral oder negativ zu klassifizieren, kann die Meinung der Zielgruppe konkreter untersucht werden. Eingesetzt wird dies beispielsweise bei Kundenbewertungen und Kommentare in Social Media.

Überwachtes Lernen und seine Vorteile

Im Gegensatz zu Unsupervised Learning bietet Supervised Learning der KI also die Einordnung in Kategorien. Aber welche Vorteile bringt das überwachte Lernen noch mit sich?

1. Vorhersage von Daten: Die beiden Lernmethoden der Klassifizierung und Regression ermöglichen eine Vorhersagung und Entscheidung auf der Grundlage konkreter Daten.
2. Viele Anwendungsgebiete: Supervised Learning ist flexibel und kommt beispielsweise im Gesundheitswesen, in der Finanzbranche, im Marketing und zahlreichen anderen Bereichen zum Einsatz.
3. Lösung komplexer Probleme: Das überwachte Lernen ermöglicht es, Künstliche Intelligenzen zu entwickeln, die hochkomplexe Probleme lösen können.
4. Spezifische Ausgabe: Die Trainingsdaten in Verknüpfung mit den Ergebnissen und den zwei Typen liefern spezifische und leicht verständliche Ausgaben.

Supervised Learning: Herausforderungen im Überblick

Maschinelles Lernen steckt noch in den Kinderschuhen und bringt daher einige Herausforderungen mit sich. Zu den primären Nachteilen des überwachten Lernens gehören sein Aufwand, die Überanpassung, die Auswahl der Merkmale und der Interpretationsspielraum.

1. Aufwand: Überwachtes Lernen stützt sich auf beschriftete Daten, die entweder selbst erstellt oder eingekauft werden müssen. Hier sollte vorab der finanzielle und zeitliche Aufwand abgewogen werden. Ein Mangel an qualifizierten Trainingsdaten erschwert das maschinelle Lernen.
2. Überanpassung: Je nach Modell kann es vorkommen, dass Daten übermäßig angepasst werden. So funktionieren sie beispielsweise im Training, lassen sich aber nicht reibungslos auf neue, unbekannte Daten übertragen.
3. Auswahl der Merkmale: Irrelevante oder redundante Merkmale können sich negativ auf die Leistung der KI auswirken und die Komplexität der Berechnungen erhöhen. In diesem Fall empfiehlt sich eine Kombination mit Unsupervised-Learning-Modellen, bei denen Dimensionalitätsreduzierungen genutzt werden können.
4. Interpretationsspielraum: Besonders komplexe Lernmodelle können schwer zu interpretieren sein. Vor allem in Branchen, in denen die Erklärbarkeit und Verlässlichkeit der Daten unabdingbar sind, kann dies zum Problem werden.

Fazit: Supervised Learning ist vielsprechend –bei korrektem Einsatz

Supervised Learning ist für viele Unternehmen interessant, da es wertvolle Ergebnisse liefert, die vor allem im Gesundheitswesen einen bedeutenden Unterschied machen können. Wo das überwachte Lernen und die Künstliche Intelligenz auf der einen Seite lebensrettend sein können, bringt das Modell aber auch Herausforderungen mit sich. Vor allem Unternehmen, die wenig Ressourcen zur Verfügung haben, werden Schwierigkeiten bei der Beschaffung der notwendigen Datensätze haben.

Doch Supervised Learning funktioniert nicht nur im groß skalierten Rahmen, sondern auch auf kleinem Niveau. Hier sollten Unternehmen aber berücksichtigen, dass die Qualität der Ergebnisse maßgeblich von der Qualität und der Quantität der Datensätze fürs Machine Learning abhängt. Alles in allem ist Supervised Learning eine Methode mit spannendem Ausblick für die Zukunft.

Titelbild: mimithian / Unsplash