So etwas brauchts, aber stimmts inhaltlich?
Ab jetzt schauen wir uns drei verschiedene Lernmethoden an. Im Falle von ChatGPT wurden alle drei kombiniert: Zuerst gab es ein Vortraining nach der Methode des unüberwachten Lernens. Dann folgte eine Feinabstimmung nach der Methode des überwachten Lernens. Für den abschliessenden Feinschliff wurde bestärkendes Lernen durch menschliches Feedback angewendet.

Quelle: https://computingeducation.de/proj-ml-uebersicht/

Beim unüberwachten maschinellen Lernen lernt die KI ohne Unterstützung von Menschen. Wir geben ihr unmarkierte Daten (Unlabeled Data) und lassen sie selbstständig Muster, Strukturen und Ähnlichkeiten in den Daten finden. 

• Die KI Bekommt einen Haufen verschiedener Obstbilder ohne Namen. Sie gruppiert die Bilder selbst in Gruppen basierend auf ähnlichen Merkmalen (z.B. Rot & Rund, Gelb & Gebogen, Grün & Klein). 

• Das Ziel: Verborgene Strukturen in den Daten aufdecken und die Daten organisieren. 
  

K-Means Algorithmus

Um das Prinzip des unüberwachten maschinellen Lernens zu veranschaulichen, schauen wir uns eine konkrete Variante an: den K-Means-Algorithmus. Er gehört zu den Verfahren, mit denen Maschinen von allein Ähnlichkeiten zwischen verschiedenen Objekten finden.

Stell dir K-Means als Sortierroboter vor, der einen Haufen unsortierter Dinge (deine Daten) in K Behälter aufteilen soll (z.B. 3 oder 4). Das Ziel: Alle Dinge in einem Behälter sollen sich möglichst ähnlich sein.

Eine zentrale Rolle spielen dabei die Zentroide. Ein Zentroid ist der Mittelpunkt einer Gruppe. Es ist der Punkt, der genau in der Mitte aller Dinge liegt, die zu dieser Gruppe gehören. Du kannst ihn dir als «Stellvertreter» der Gruppe vorstellen: einen einzelnen Punkt, der die ganze Gruppe repräsentiert. Rechnerisch ist er der Durchschnitt aller Punkte einer Gruppe, ähnlich wie der Durchschnitt mehrerer Zahlen. Am Anfang kennt der Roboter diese Mittelpunkte noch nicht; er beginnt deshalb mit einer groben Schätzung und verbessert sie Schritt für Schritt.

So funktioniert K-Means in drei Schritten:

1. Zufällig starten: Der Roboter setzt K zufällige Punkte in die Daten. Das sind die ersten, noch geratenen Zentroide. Sie dienen als vorläufige Mittelpunkte der zukünftigen Gruppen.
2. Gruppen bilden (zuordnen): Jeder Datenpunkt prüft, welchem Zentroid er am nächsten liegt, und schliesst sich diesem an. So entstehen die ersten Gruppen.
3. Verbessern (Zentroide verschieben): Für jede Gruppe berechnet der Roboter nun den echten Mittelpunkt, den Durchschnitt aller Punkte, die gerade zu ihr gehören. Dann verschiebt er den Zentroid genau dorthin.

Danach wiederholen sich Schritt 2 und 3: Weil die Zentroide sich bewegt haben, ordnen sich einige Datenpunkte einer neuen, näher gelegenen Gruppe zu – woraufhin sich die Mittelpunkte erneut verschieben. Das geht so lange weiter, bis sich die Zentroide kaum noch bewegen. Dann ist die Sortierung abgeschlossen und du hast deine Gruppen gefunden. In der nächsten Aktivität kannst du interaktiv mit dem Algorithmus experimentieren.