Zu Abschnitt

Was ist maschinelles Lernen?

URL kopieren

Beim maschinellen Lernen wird ein Computer darauf trainiert, Muster zu finden, Vorhersagen zu treffen und aus Erfahrungen zu lernen, ohne explizit programmiert zu werden.

Maschinelles Lernen (ML) ist eine Unterkategorie der künstlichen Intelligenz (KI). Dabei werden Algorithmen verwendet, um Muster zu erkennen und Vorhersagen in einem Datensatz 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 erreicht man, 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. Maschinelles Lernen wird in der Regel in 3 Lernmethoden unterteilt: Beim 

überwachten Lernen (Supervised Learning) erfolgt das Training mit gekennzeichneten Datensätzen. Dieses Modell wird für Aufgaben wie die Bilderkennung verwendet.Beim

nicht überwachten Lernen (Unsupervised Learning) werden nicht gekennzeichnete Daten durchforstet, und es wird nach Gemeinsamkeiten, Mustern und Trends gesucht. Dieses Modell wird für Aufgaben wie Kundensegmentierung, Empfehlungssysteme und allgemeine Datenexploration verwendet.Beim

bestärkenden Lernen (Reinforcement Learning) erfolgt das Training 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.

Maschinelles Lernen und künstliche Intelligenz 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. 

Maschinelles Lernen 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 und IBM entwickelten gemeinsam Ansible® Lightspeed mit IBM watsonx Code Assistant, einem generativen KI-Service, der Entwickler bei einer effizienteren Erstellung von Ansible-Inhalten unterstützt.

Red Hat® OpenShift® AI, einschließlich OpenShift Data Science, 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 Data Science 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 Hardware-Beschleunigern bietet.

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

Weiterlesen

Artikel

Was sind Red Hat OpenShift Operatoren?

Red Hat OpenShift Operatoren automatisieren die Erstellung, Konfiguration und Verwaltung von Instanzen Kubernetes-nativer Anwendungen.

Artikel

Was für Red Hat OpenShift Serverless spricht

Red Hat OpenShift Serverless erweitert Kubernetes auf die Bereitstellung und Verwaltung serverloser Workloads.

Artikel

Warum Red Hat OpenShift Service Mesh?

Mit dem Red Hat OpenShift Service Mesh können Sie Anwendungen, die auf Microservices basieren, auf einheitliche Weise verbinden, verwalten und überwachen.

Mehr über OpenShift erfahren

Produkte

Eine Plattform, die es Ihnen ermöglicht, Anwendungen in Ihrem Unternehmen schnell und effizient über die von Ihnen gewünschte Infrastruktur bereitzustellen.

Softwaredefinierter Storage sorgt für einen permanenten Datenspeicher, während Container in mehreren Umgebungen hoch- und heruntergefahren werden.

Eine KI-Plattform, die Tools zum schnellen Entwickeln, Trainieren, Bereitstellen und Überwachen von Modellen und KI-gestützten Anwendungen bietet.

Eine zentrale Konsole mit integrierten Sicherheitsrichtlinien, mit der Sie Kubernetes-Cluster und -Anwendungen verwalten können.

Ressourcen

Training

Kostenloser Trainingskurs

Running Containers with Red Hat Technical Overview

Kostenloser Trainingskurs

Developing Cloud-Native Applications with Microservices Architectures

Kostenloser Trainingskurs

Containers, Kubernetes and Red Hat OpenShift Technical Overview