AT_Logo

Aktives Lernen

Was ist Aktives Lernen?

Aktives Lernen wird beim Training von Künstlicher Intelligenz eingesetzt. Praktisch ist Aktives Lernen ein Framework für maschinelles Lernen, bei dem der Lernalgorithmus einen Benutzer (Lehrer oder Orakel) direkt interaktiv befragen kann und mit dem Ergebnis neue Datenpunkte erstellt und sie mit den wahren Bezeichnungen kennzeichnet. Den Prozess des aktiven Lernens kann man auch als optimales experimentelles Design bezeichnen.

Die Motivation für solch ein Lernen ist ein Szenario, bei dem man über einen großen Pool von unbeschrifteten Daten verfügt. So kann man das Problem des Trainings von Bildklassifizierungsmodellen betrachten, bei dem Katzen und Hunde unterschieden werden sollen. Es gibt dabei Millionen von Bildern von jedem, aber es werden nicht alle benötigt, um ein gutes Modell zu trainieren. Es ist so, dass einige Bilder mehr Klarheit und Informationen beinhalten als andere. Ähnliche Anwendungen klassifizieren den Inhalt von YouTube-Videos, bei denen die Daten ganz natürlich dicht in großer Zahl vorhanden sind.

Hingegen ist bei Passivem Lernen dieses ein Standard Framework und bei der großen Menge an beschrifteten Daten, die an den Algorithmus übergeben werden, ist eine erhebliche Anstrengung erforderlich bei der Beschriftung vom gesamten Datensatz. Andererseits ist bei Aktivem Lernen es so, dass wir das System wie Crowd-Sourcing selektiv nutzen können, um die menschlichen Experten zu bitten, dass einige Elemente im Datensatz selektiv gekennzeichnet werden und es muss aber nicht die Gesamtheit gekennzeichnet werden. Ein Algorithmus wählt iterativ ganz einfach die informativsten Beispiele auf Basis der Wertmetrik aus. Dabei sendet dieser die unbeschrifteten Beispiele an ein Beschriftungsorakel. Dieses gibt die wahren Beschriftungen für die abgefragten Beispiele an diesen Algorithmus zurück.

Was versteht man unter einem Aktiven Lernen?

Dieses Lernen ist eine Lehrmethode, das die volle Aufmerksamkeit und Partizipation der Schüler bei dem Lernen fordert. Es geht dabei um praktisches Lernen im Gegensatz zum Lernen von Vorlesungen oder den Präsentationen. Es gibt unterschiedliche Aktivitäten und Programme für das Aktive Lernen. So gibt es „Intel AI for Youth“, „Intel Future Skills“ und „E-Sport-Wettkämpfe“. Technik ist für die Ansätze zum aktiven Lernen ein sicherlich wichtiger Faktor und sie hilft den Schülern, neue Fähigkeiten mithilfe von Technik zu erwerben und sich auf eine Karriere in der vierten industriellen Revolution grundlegend vorzubereiten.

Welche Anwendungsgebiete gibt es?

Künstliche Intelligenz wird für die Klassifizierung von Landbedeckungsarten eingesetzt. Eine manuelle, vollständige Auswertung ist praktisch nicht mehr umsetzbar, weil die ungeheuer große Datenmenge nicht mehr zu bewältigen wäre. Auch bei diesem aktiven Lernen wird ein Orakel eingesetzt.
Der Kennzeichnungsaufwand von großen Datenmengen kann reduziert werden, indem der User zu spezifischen Informationen befragt wird und damit leistet dies den größten Beitrag zum Lernprozess. Künstliche Intelligenz ist ein gemeinsamer Forschungsbereich von Philosophie, Biologie, Psychologie und der Computerwissenschaft.

Welche Arten von Lernmethoden gibt es bei der Künstlichen Intelligenz?

Mit dem Aktiven Lernen kann der Algorithmus auf die Eingangsdaten reagieren und spezifizierte Fragen verwenden und damit die entsprechenden Ergebnisse gezielt erfragen. Die Fragen werden anhand der Ergebnisrelevanz durch den verwendeten Algorithmus gewählt. Keine Rolle spielt dabei die Datenherkunft. Die Daten können dabei offline oder online vorliegen. Daten dürfen mehrfach für den Lernprozess genutzt werden. Daneben gibt es auch noch das bestärkende Lernen, unüberwachtes Lernen, überwachtes Lernen und teil-überwachtes Lernen.

Data Navigator Newsletter