FAQ: Was Sie über ma­schi­nel­les Ler­nen wis­sen müs­sen

Ma­schi­nel­les Ler­nen wird zum Main­stream. Wa­ren selbst­ler­nen­de Pro­gram­me noch bis vor we­ni­gen Jah­ren aus­schließ­lich ein The­ma für Uni­ver­si­tä­ten, For­schungs­ein­rich­tun­gen und ei­ni­ge Tech­no­lo­gie­un­ter­neh­men, fin­den sie heu­te zu­neh­mend Ein­gang in ganz nor­ma­le P

Computerwoche - - Technik - Von Klaus Man­hart, frei­er Fach­au­tor für IT in Mün­chen

Un­ser All­tag und un­ser Ge­schäfts­le­ben wer­den im­mer mehr von in­tel­li­gen­ten Pro­gram­men be­stimmt, die aus Da­ten ler­nen und das Ge­lern­te ver­all­ge­mei­nern. Ma­chi­ne-Learning-(ML-)Al­go­rith­men steu­ern die Sprach­er­ken­nung auf Smart­pho­nes, die Spam-Fil­ter in PCs und Note­books oder die Ge­sichts­er­ken­nung bei der Ver­wal­tung von Fotos. Oft sind wir di­rekt im Kon­takt mit ler­nen­den Sys­te­men, oh­ne es zu wis­sen – et­wa wenn uns per­so­na­li­sier­te On­li­ne-Wer­bung be­geg­net. Und im­mer mehr Un­ter­neh­men er­ken­nen den Wert von Ma­chi­ne Learning, wenn es dar­um geht, ihr Bu­si­ness zu op­ti­mie­ren und Kos­ten zu spa­ren. Für die meis­ten IT-An­wen­der ist Ma­chi­ne Learning ein un­über­sicht­li­ches Feld, weil es vie­le ver­schie­de­ne Kon­zep­te und Me­tho­den gibt. Hier die wich­tigs­ten Fra­gen und Ant­wor­ten.

Was ist Ma­chi­ne Learning?

Sa­lopp ge­sagt ist ma­schi­nel­les Ler­nen die Kunst, ei­nen Com­pu­ter nütz­li­che Din­ge tun zu las­sen, oh­ne ihn aus­drück­lich da­für zu pro­gram­mie­ren. Et­was ge­nau­er for­mu­liert ist ma­schi­nel­les Ler­nen der Er­werb neu­en Wis­sens durch ein künst­li­ches Sys­tem. Der Com­pu­ter ge­ne­riert wie ein Mensch selb­stän­dig Wis­sen aus Er­fah­rung und kann ei­gen­stän­dig Lö­sun­gen für neue und un­be­kann­te Pro­ble­me fin­den. Da­zu ana­ly­siert ein Com­pu­ter­pro- gramm Bei­spie­le und ver­sucht mit Hil­fe selbst­ler­nen­der Al­go­rith­men, in den Da­ten Mus­ter und Ge­setz­mä­ßig­kei­ten zu er­ken­nen. Das Ziel von Ma­chi­ne Learning ist es, Da­ten in­tel­li­gent mit­ein­an­der zu ver­knüp­fen, Zu­sam­men­hän­ge zu er­ken­nen, Rück­schlüs­se zu zie­hen und Vor­her­sa­gen zu tref­fen.

Wie funk­tio­niert Ma­chi­ne Learning?

Im Prin­zip wie mensch­li­ches Ler­nen. Wie bei­spiels­wei­se ein Kind lernt, dass auf Bil­dern be­stimm­te Ob­jek­te zu se­hen sind, kann auch ein Com­pu­ter „ler­nen“, Ob­jek­te zu iden­ti­fi­zie­ren und Per­so­nen zu un­ter­schei­den. Da­zu wird die Lern­soft­ware zu­nächst mit Da­ten ge­füt­tert und trai­niert. Bei­spiels­wei­se sa­gen die Pro­gram­mie­rer dem Sys­tem, dass ein be­stimm­tes Ob­jekt „ein Hund“und ein an­de­res „kein Hund“ist. Im Fort­lauf er­hält die Soft­ware stän­dig Rück­mel­dun­gen vom Pro­gram­mie­rer, die der Al­go­rith­mus nutzt, um sein Mo­dell an­zu­pas­sen und zu op­ti­mie­ren: Mit je­dem neu­en Da­ten­satz wird das Mo­dell bes­ser und kann schließ­lich Hun­de von Nicht-Hun­den un­ter­schei­den.

Wel­che Vor­tei­le bie­tet ma­schi­nel­les Ler­nen?

Ma­schi­nel­les Ler­nen hilft Men­schen, ef­fi­zi­en­ter und krea­ti­ver zu ar­bei­ten. Zum Bei­spiel kön­nen sie ma­schi­nel­les Ler­nen ver­wen­den,

um ih­re Bil­der schnel­ler zu or­ga­ni­sie­ren und zu be­ar­bei­ten. Mit Ma­chi­ne Learning kön­nen sie auch lang­wei­li­ge oder auf­wen­di­ge Ar­bei­ten dem Com­pu­ter über­las­sen. Pa­pier­do­ku­men­te wie Rech­nun­gen kann ler­nen­de Soft­ware selb­stän­dig scan­nen, spei­chern und ab­le­gen.

Vor al­lem sind selbst­ler­nen­de Ma­schi­nen in der La­ge, für den Men­schen sehr kom­ple­xe Auf­ga­ben zu über­neh­men – et­wa die Er­ken­nung von Feh­ler­mus­tern oder mög­li­che Schä­den in der Fer­ti­gung. Selbst bei der Er­ken­nung von Krebstu­mo­ren in der Me­di­zin und bei The­ra­pie­emp­feh­lun­gen hel­fen in­zwi­schen selbst­ler­nen­de Pro­gram­me – und über­tref­fen da­bei oft die mensch­li­chen Ex­per­ten. Die­se Fä­hig­keit, kom­ple­xe Zu­sam­men­hän­ge zwi­schen der Ein­ga­be und der Aus­ga­be von gro­ßen Da­ten­men­gen zu ver­ar­bei­ten, ist ei­ner der Haupt­vor­tei­le von Ma­chi­ne Learning.

Ist Ma­chi­ne Learning das­sel­be wie KI?

Nein. Ma­chi­ne Learning ist ein Teil­ge­biet von künst­li­cher In­tel­li­genz (KI). Im glei­chen Sinn sind Lo­gik, Ana­ly­sis und Sto­chas­tik Teil­ge­bie­te der Ma­the­ma­tik; Mecha­nik, Ther­mo­dy­na­mik und Quan­ten­phy­sik Teil­ge­bie­te der Phy­sik. Die künst­li­che In­tel­li­genz selbst ist ei­ne Teil­dis­zi­plin der In­for­ma­tik und be­schäf­tigt sich all­ge­mein mit der Au­to­ma­ti­sie­rung mensch­li­chen in­tel­li­gen­ten Ver­hal­tens. Zur KI ge­hö­ren ne­ben dem Ma­chi­ne Learning Teil­ge­bie­te wie wis­sens­ba­sier­te (Ex­per­ten-)Sys­te­me, Mus­ter­er­ken­nung, Ro­bo­tik, die Ver­ar­bei­tung na­tür­li­cher Spra­che und ma­schi­nel­les Über­set­zen. Je­doch gilt Ma­chi­ne Learning als ei­ne der zen­tra­len und er­folg­reichs­ten AI-Dis­zi­pli­nen.

War­um er­lebt ML jetzt ei­nen Hö­hen­flug?

Ma­schi­nel­les Ler­nen be­ruht auf For­schung im Be­reich Mus­ter­er­ken­nung, die be­reits in den 80er Jah­ren be­trie­ben wur­de. Das Ge­biet sta­gnier­te dann auf­grund tech­ni­scher Be­schrän­kun­gen ziem­lich lan­ge. Erst vor we­ni­gen Jah­ren er­leb­te ma­schi­nel­les Ler­nen ei­nen Durch­bruch mit der Mög­lich­keit, Da­ten par­al­lel in Gra­fik­pro­zes­so­ren (GPUs) zu ver­ar­bei­ten, die ei­gent­lich für die Spiele­indus­trie ent­wi­ckelt wur­den. GPUs be­sit­zen Tau­sen­de von Re­chen­ein­hei­ten und sind in die­ser Li­ga im Ver­gleich zu klas­si­schen CPUs deut­lich schnel­ler.

Wei­te­re Ent­wick­lun­gen wie Mul­ti-Co­re-Ar­chi­tek­tu­ren, ver­bes­ser­te Al­go­rith­men und su­per­schnel­le In-Me­mo­ry-Da­ten­ban­ken wie SAP HANA ma­chen das ma­schi­nel­le Ler­nen gera­de auch für den Un­ter­neh­mens­be­reich at­trak­tiv. Ein wei­te­rer we­sent­li­cher Fak­tor ist die zu­neh­men­de Ver­füg­bar­keit gro­ßer Men­gen struk­tu­rier­ter und un­struk­tu­rier­ter Da­ten aus ei­ner Viel­zahl von Qu­el­len, dar­un­ter Sen­so­ren oder di­gi­ta­li­sier­te Do­ku­men­te und Bil­der, mit de­nen sich die Ler­nal­go­rith­men „trai­nie­ren“las­sen.

Wel­che Ver­fah­ren wer­den bei ML ver­wen­det?

Ma­schi­nel­les Ler­nen nutzt ma­the­ma­ti­sche und sta­tis­ti­sche Mo­del­le, um aus Da­ten­be­stän­den zu ler­nen. Im De­tail gibt es Dut­zen­de un­ter­schied­li­che Ver­fah­ren. Prin­zi­pi­ell un­ter­schei­det man beim ma­schi­nel­len Ler­nen zwi­schen zwei Sys­te­men: ers­tens sym­bo­li­sche An­sät­ze wie aus­sa­gen­lo­gi­sche Sys­te­me, in de­nen das Wis­sen – so­wohl die Bei­spie­le als auch die in­du­zier­ten Re­geln – ex­pli­zit re­prä­sen­tiert ist. Zwei­tens sub­sym­bo­li­sche Sys­te­me wie künst­li­che neu­ro­na­le Net­ze, die nach dem Vor­bild des mensch­li­chen Ge­hirns funk­tio­nie­ren und in de­nen das Wis­sen im­pli­zit re­prä­sen­tiert ist.

Die al­go­rith­mi­sche Um­set­zung von Ma­chi­ne Learning ge­schieht mit über­wach­tem oder un­über­wach­tem Ler­nen. Beim über­wach­ten Ler­nen lernt das Sys­tem aus ge­ge­be­nen Paa­ren von Ein- und Aus­ga­ben. Da­bei stellt ein „Leh­rer“wäh­rend des Ler­nens den pas­sen­den, kor­rek­ten Wert zu ei­ner Ein­ga­be be­reit. Ziel beim über­wach­ten Ler­nen ist, dass dem Netz nach meh­re­ren Re­chen­gän­gen mit un­ter­schied­li­chen Ein- und Aus­ga­ben die Fä­hig­keit an­trai­niert wird, Ver­bin­dun­gen her­zu­stel­len. Beim un­über­wach­ten Ler­nen er­zeugt ein Al­go­rith­mus ein Mo­dell, das die Ein­ga­ben be­schreibt und Vor­her­sa­gen er­mög­licht. Das Netz er­stellt dann selb­stän­dig Klas­si­fi­ka­to­ren, nach de­nen es die Ein­ga­be­mus­ter ein­teilt.

Was ist ein künst­li­ches neu­ro­na­les Netz?

Künst­li­che neu­ro­na­le Net­ze si­mu­lie­ren nach dem Vor­bild des Ge­hirns ein Netz­werk aus mit­ein­an­der ver­bun­de­nen Neu­ro­nen. Sie ler­nen aus Er­fah­rung, in­dem sie die Ver­bin­dungs­stär­ke der si­mu­lier­ten Neu­ro­nen­ver­bin­dun­gen ver­än­dern. Auf die­se Art und Wei­se kön­nen sich Ma­schi­nen Fä­hig­kei­ten wie Se­hen, Hö­ren, Spre­chen, Le­sen und Schrei­ben an­eig­nen.

Um sie für die­se Fä­hig­kei­ten zu trai­nie­ren, wer­den Me­tho­den des über­wach­ten Ler­nens an­ge­wen­det.

Der Lern­pro­zess läuft grob ge­sagt wie folgt ab: Zu­nächst lernt das Netz in der Trai­nings­pha­se an­hand des vor­ge­ge­be­nen Ma­te­ri­als. Der „Trai­ner“gibt dem Netz ei­ne Rei­he von Bei­spie­len und wie­der­holt das Gan­ze. Für je­des Bei­spiel ist be­kannt, was die ge­wünsch­te Aus­ga­be sein soll. Stimmt die Aus­ga­be des Net­zes für ein Bei­spiel mit dem ge­wünsch­ten Out­put über­ein, dann braucht nichts wei­ter ge­tan zu wer­den. Wei­chen tat­säch­li­che und ge­wünsch­te Aus­ga­be von­ein­an­der ab, dann müs­sen die Ver­bin­dungs­stär­ken be­zie­hungs­wei­se Ge­wich­te im Netz so ver­än­dert wer­den, dass sich die Feh­ler­ra­te bei der Aus­ga­be ver­rin­gert. Je grö­ßer der Be­trag des Ge­wichts ist, des­to grö­ßer ist der Ein­fluss ei­nes Neu­rons auf ein an­de­res Neu­ron. Ein po­si­ti­ves Ge­wicht übt auf ein an­de­res Neu­ron ei­nen er­re­gen­den, ver­stär­ken­den Ein­fluss auf, ein ne­ga­ti­ves ei­nen hem­men­den. Das Ge­wicht der Ver­bin­dung be­stimmt al­so maß­geb­lich, ob ein Neu­ron von ei­nem an­de­ren be­ein­flusst wird. Es ist ei­ner der ent­schei­den­den Fak­to­ren für Lern­vor­gän­ge, man kann sa­gen: Das Wis­sen ei­nes neu­ro­na­len Net­zes ist in den Ge­wich­ten ge­spei­chert. Die­ser Trai­nings­pro­zess er­folgt im Ide­al­fall so lan­ge, bis al­le Bei­spie­le rich­tig be­rech­net wer­den. Der gan­ze Lern­pro­zess ist al­so ein ite­ra­ti­ver Vor­gang, bei dem ein spe­zi­el­ler Al­go­rith­mus die Ge­wich­te so ein­stellt, dass der Out­put mög­lichst ge­nau dem be­kann­ten Er­geb­nis ent­spricht.

Wie funk­tio­niert De­ep Learning?

De­ep Learning ist die der­zeit er­folg­reichs­te Im­ple­men­tie­rung ei­nes künst­li­chen neu­ro­na­len Net­zes. Zugleich ist De­ep Learning in­zwi­schen auch das am wei­tes­ten ver­brei­te­te ma­schi­nel­le Lern­ver­fah­ren und wird von gro­ßen IT-Un­ter­neh­men wie Goog­le, App­le oder Face­book ein­ge­setzt. Die Sprach­er­ken­nung von iPho­ne „Si­ri“ba­siert bei­spiels­wei­se auf De­ep Learning. Ei­nes der wich­tigs­ten Ein­satz­ge­bie­te für De­ep Learning ist ne­ben der Sprach­ver­ar­bei­tung das Er­ken­nen von Ob­jek­ten in Bil­dern.

Das Ver­fah­ren macht vie­le Ar­beits­schrit­te klas­si­scher neu­ro­na­ler Net­ze über­flüs­sig, weil der Com­pu­ter al­le Zwi­schen­schrit­te über­nimmt. Der For­scher muss dem neu­ro­na­len Netz le­dig­lich Da­ten wie zum Bei­spiel Bil­der prä­sen­tie­ren; wie die­se zu iden­ti­fi­zie­ren sind, fin­det das Netz dann ganz von al­lein her­aus. De­ep Learning ver­wen­det den ana­lo­gen Mecha­nis­mus, wie ein Klein­kind bei­spiel­wei­se den Be­griff „Hund“lernt: Zu­nächst wer­den dem Com­pu­ter­pro­gramm Trai­nings­da­ten zur Ver­fü­gung ge­stellt, bei­spiels­wei­se ei­ne Rei­he von Bil­dern, von de­nen ein Mensch je­des mit den Me­ta-Tags „Hund“oder „kein Hund“mar­kiert hat. Das Pro­gramm ver­wen­det die In­for­ma­tio­nen, die es aus den Trai­nings­da­ten er­hält, um ein Feature-Set für Hun­de zu er­zeu­gen und ein Vor­her­sa­ge­mo­dell zu bau­en.

Die Ein­hei­ten der ers­ten Ebe­ne re­gis­trier­ten le­dig­lich Hel­lig­keits­wer­te der Pi­xel. Die nächs­te Ebe­ne wür­de er­ken­nen, dass ei­ni­ge der Pi­xel zu Li­ni­en ver­bun­den sind, wor­auf­hin die dar­auf­fol­gen­de zwi­schen ho­ri­zon­ta­len und ver­ti­ka­len Li­ni­en un­ter­schei­det. Dies geht so wei­ter, bis schließ­lich ei­ne Ebe­ne er­reicht wird, in der Bei­ne un­ter­schie­den wer­den kön­nen. In ei­nem wei­te­ren Mo­dell wür­de der Com­pu­ter vi­el­leicht vor­her­sa­gen, dass al­les in ei­nem Bild, was vier Bei­ne hat, ein Hund ist, bis er schließ­lich so weit ist, Hun­de von Nich­tHun­den un­ter­schei­den zu kön­nen. Bei je­der Ite­ra­ti­on wird das Vor­her­sa­ge­mo­dell, das der Com­pu­ter er­stellt, kom­ple­xer und ge­nau­er.

Kann ML mit mensch­li­chem Ler­nen mit­hal­ten?

Ja. Das be­wei­sen im­mer wie­der Men­schMa­schi­ne-Wett­kämp­fe, die höchs­te ko­gni­ti­ve Fä­hig­kei­ten er­for­dern. So hat IBMs ko­gni­ti­ves lern­ba­sier­tes Sys­tem Wat­son in ei­nem TV-Wis­sens­quiz schon im Jahr 2011 die mensch­li­chen Kan­di­da­ten klar ge­schla­gen. Im letz­ten auf­se­hen­er­re­gen­den Mensch-Ma­schi­ne-Wett­kampf

be­sieg­te Googles Ma­chi­ne-Learning-Sys­tem Al­phaGo An­fang 2016 den am­tie­ren­den GoWelt­meis­ter Lee Se­dol. Al­phaGo nutz­te ei­ne Va­ri­an­te des De­ep-Learning-Ver­fah­rens. Das asia­ti­sche Stra­te­gie­spiel galt bis­her als zu kom­pli­ziert für Com­pu­ter, weil es ei­ne na­he­zu un­be­grenz­te Zahl mög­li­cher Po­si­tio­nen gibt. Die Spie­ler müs­sen sich da­her meist auf ih­re In­tui­ti­on ver­las­sen. Der ent­wi­ckel­te Al­phaGoAl­go­rith­mus hilft Goog­le nun un­ter an­de­rem beim Strom­spa­ren. Mit Hil­fe des Al­go­rith­mus konn­te in Googles Re­chen­zen­tren der Ener­gie­ver­brauch um 15 Pro­zent ver­rin­gert wer­den.

Was sind po­pu­lä­re An­wen­dun­gen von ML?

Ma­schi­nel­les Ler­nen fin­det man bei den Emp­feh­lungs­diens­ten von Ama­zon und Net­flix eben­so wie bei der Ge­sichts­er­ken­nung von Face­book. Die Mög­lich­keit, ein­zel­ne Mit­glie­der mit ih­ren Na­men auf Bil­dern zu mar­kie­ren, hat bei Face­book zur welt­weit größ­ten Samm­lung von Ge­sich­tern in ei­ner Da­ten­bank ge­führt. Die­se Da­ten kann Face­book nut­zen, um Ma­schi­nen ge­zielt auf vi­su­el­le Er­ken­nung zu schu­len. Auch hin­ter E-Mail-An­wen­dun­gen, die au­to­ma­tisch Spam er­ken­nen, ste­cken ma­schi­nel­le Lern­ver­fah­ren. Der Com­pu­ter ana­ly­siert die Da­ten, die in der E-Mail ent­hal­ten sind, und ka­te­go­ri­siert sie ge­mäß den er­kann­ten Mus­tern als Spam oder Nicht-Spam. Wird ei­ne Nach­richt als Junk mar­kiert, lernt der Rech­ner und kann da­durch Junk-Nach­rich­ten noch bes­ser iden­ti­fi­zie­ren. Eben­falls an­ge­wen­det wer­den Lern­ver­fah­ren bei der Ab­wehr von Com­pu­ter­at­ta­cken, der Be­kämp­fung von Cy­ber­cri­me und dem Such­ma­schi­nen-Ran­king.

Wie lässt sich ML kom­mer­zi­ell an­wen­den?

Ma­schi­nel­les Ler­nen ver­wan­delt Bu­si­nes­sDa­ten in ba­re Mün­ze. Un­ter­neh­men, die ma­schi­nel­le Lern­ver­fah­ren nut­zen, kön­nen so­wohl ih­ren Um­satz als auch die Kun­den­zu­frie­den­heit stei­gern und gleich­zei­tig Kos­ten re­du­zie­ren. So hilft Ma­chi­ne Learning bei­spiels­wei­se, die Be­dürf­nis­se von Kun­den ge­nau­er zu er­ken­nen. Wer­be­maß­nah­men las­sen sich per­so­na­li­sie­ren. Das ver­bes­sert nicht nur das Kun­den­er­leb­nis, son­dern er­höht auch die Kun­den­bin­dung.

Ma­schi­nel­les Ler­nen hilft auch, zu er­ken­nen, dass Kun­den mög­li­cher­wei­se in nächs­ter Zeit ab­wan­dern. Da­für wer­den zum Bei­spiel Sup­port-An­fra­gen von Kun­den au­to­ma­tisch aus­ge­wer­tet. Oder man ex­tra­hiert aus den Da­ten von be­reits ab­ge­wan­der­ten Kun­den die­je­ni­gen Merk­ma­le, die die­se ge­mein­sam ha­ben. Fil­tert man auf die­ser Ba­sis ein­zel­ne Kun­den aus dem Ge­samt­be­stand, er­hält man die ak­tu­ell ab­wan­de­rungs­ge­neig­ten Kun­den. Die­se kön­nen dann ge­zielt „um­sorgt“wer­den. Im te­le­fo­ni­schen Kun­den­ser­vice wer­den schon heu­te im­mer mehr Chat-Bots ein­ge­setzt – au­to­ma­ti­sier­te Pro­gram­me, die mit dem Kun­den kom­mu­ni­zie­ren. Durch die Samm­lung von Stimm­da­ten in ver­schie­de­nen Si­tua­tio­nen kann der Chat-Bot sei­ne ko­gni­ti­ve Fä­hig­keit zur In­ter­pre­ta­ti­on des Um­gangs­tons ver­bes­sern. Und noch viel wich­ti­ger: Der Bot kann den An­ruf an ei­nen Call-Cen­ter-Mit­ar­bei­ter wei­ter­lei­ten, wenn ein kom­ple­xe­res Pro­blem vor­liegt. Durch den au­to­ma­ti­schen Ab­gleich von Le­bens­läu­fen kann ma­schi­nel­les Ler­nen hel­fen, schnel­ler die bes­ten Kan­di­da­ten für ei­ne Stel­le zu fin­den. Sie kön­nen struk­tu­rier­te und un­struk­tu­rier­te Kon­text­in­for­ma­tio­nen ana­ly­sie­ren und au­to­ma­tisch Be­rich­te er­zeu­gen. Statt in der Ver­si­che­rungs­bran­che je­de For­de­rung ma­nu­ell von ei­nem Mit­ar­bei­ter prü­fen zu las­sen, kön­nen Ver­si­che­rungs­un­ter­neh­men Ma­schi­nen ein­set­zen, um in sim­plen Ver­si­che­rungs­fäl­len ei­ne Vor­ent­schei­dung zu tref­fen und ein Ant­wort­schrei­ben auf­zu­set­zen.

Ma­schi­nel­les Ler­nen ist auch ei­ne Schlüs­sel­tech­nik für die Ent­wick­lung au­to­no­mer Sys­te­me: kol­la­bo­ra­ti­ve Ro­bo­ter, die mit ih­ren mensch­li­chen Kol­le­gen Hand in Hand ar­bei­ten, ge­hö­ren eben­so da­zu wie selbst­fah­ren­de Au­tos. Auch jen­seits rein kom­mer­zi­el­ler An­wen­dun­gen sind die Ein­satz­ge­bie­te fast un­end­lich: Au­to­ma­ti­sier­te Dia­gno­se­ver­fah­ren, Er­ken­nung von Kre­dit­kar­ten­be­trug und Ak­ti­en­markt­ana­ly­sen sind häu­fi­ge An­wen­dun­gen. Selbst­ler­nen­de Pro­gram­me kön­nen so­gar Le­ben ret­ten. For­scher der Uni­ver­si­ty of Li­ver­pool trai­nier­ten ein Pro­gramm er­folg­reich dar­auf, die Mus­ter von Land­mi­nen in den Da­ten von Ra­dar­und Akus­tik­sen­so­ren zu er­fas­sen.

Newspapers in German

Newspapers from Germany

© PressReader. All rights reserved.