Sebastian Harrach Neugierige Strukturvorschläge im maschinellen Lernen

Transkript

1

2 Sebastian Harrach Neugierige Strukturvorschläge im maschinellen Lernen Edition panta rei

3 Editorial In Umbruchzeiten und Zeiten beschleunigten Wandels ist die Philosophie in besonderer Weise herausgefordert, Veränderungen unserer theoretischen und praktischen Weltbezüge zu artikulieren. Denn Begriffe, Kategorien und Topoi, unter denen Weltbezüge stehen und unter denen wir unser Denken und Handeln ausrichten, erweisen sich im Zuge jener Dynamik regelmäßig als einseitig, kontingent, dogmatisch oder leer. Dialektisches Denken richtet sich von alters her auf diejenige Gegensätzlichkeit, die die Beschränktheiten des Denkens und Handelns aus sich heraus hervorbringt, und zwar mit Blick auf die Einlösbarkeit seiner Ansprüche angesichts des Andersseins, Anderssein-Könnens oder Anderssein-Sollens der je verhandelten Sache. Dialektik versteht sich als Reflexion der Reflexionstätigkeit und folgt somit den Entwicklungen des jeweils gegenwärtigen Denkens in kritischer Absicht. Geweckt wird sie nicht aus der Denktätigkeit selbst, sondern durch das Widerfahrnis des Scheiterns derjenigen Vollzüge, die sich unter jenem Denken zu begreifen suchen. Ihr Fundament ist mithin dasjenige an der Praxis, was sich als Scheitern darstellt. Dieses ist allererst gedanklich neu zu begreifen in Ansehung der Beschränktheit seiner bisherigen begrifflichen Erfassung. Vor diesem Hintergrund ist für dialektisches Denken der Dialog mit anderen philosophischen Strömungen unverzichtbar. Denn Beschränkungen werden erst im Aufweis von Verschiedenheit als Unterschiede bestimmbar und als Widersprüche reflektierbar. Und ferner wird ein Anderssein-Können niemals aus der Warte einer selbstermächtigten Reflexion, sondern nur im partiellen Vorführen ersichtlich, über dessen Signifikanz nicht die dialektische Theorie bestimmt, sondern die Auseinandersetzung der Subjekte. Wissenschaftlicher Beirat: Christoph Halbig, Christoph Hubig, Angelica Nuzzo, Volker Schürmann, Pirmin Stekeler-Weithofer, Michael Weingarten und Jörg Zimmer. Sebastian Harrach (Dr. phil.) lebt und forscht in Darmstadt. Sein Fokus liegt auf interdisziplinären Fragestellungen zwischen Technikphilosophie und Informatik.

4 Sebastian Harrach Neugierige Strukturvorschläge im maschinellen Lernen Eine technikphilosophische Verortung

5 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar transcript Verlag, Bielefeld Die Verwertung der Texte und Bilder ist ohne Zustimmung des Verlages urheberrechtswidrig und strafbar. Das gilt auch für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und für die Verarbeitung mit elektronischen Systemen. Umschlagkonzept: Kordula Röckenhaus, Bielefeld Lektorat & Satz: Sebastian Harrach Druck: Majuskel Medienproduktion GmbH, Wetzlar Print-ISBN PDF-ISBN Gedruckt auf alterungsbeständigem Papier mit chlorfrei gebleichtem Zellstoff. Besuchen Sie uns im Internet: Bitte fordern Sie unser Gesamtverzeichnis und andere Broschüren an unter:

6 Meiner Frauke

7

8 Inhaltsverzeichnis 1 Einleitung Selbstorganisation und maschinelles Lernen Maschinell lernende Artefakte MLA Bestimmung des maschinellen Lernens Angemessenheit der Rede vom Lernen Technikphilosophische Fragestellungen Konzeptualisierungsstrategie Aufbau des ersten Hauptteils Aufbau des zweiten Hauptteils Interdisziplinarität Erster Hauptteil: Der Blick der Informatik auf maschinelles Lernen Betrachtungsebenen Unterschiede zwischen lernenden Algorithmen Unterscheidung gemäß erhaltener Rückmeldungen Unterscheidung nach Suchstrategien Unterscheidung nach Verwendungszweck Bewertung der Unterscheidungsmöglichkeiten Klassifizierung nach Lernstrategien Überblick der Lernstrategien Lernen von Entscheidungsbäumen Evolutionäres Lernen Lernen von künstlichen neuronalen Netzen KNN Instanzenbasiertes Lernen

9 2.3.6 Statistisches Lernen Analytisches Lernen Stützvektormethoden Charakteristik des maschinellen Lernens Zweiter Hauptteil: Der Blick der Technikphilosophie auf maschinelles Lernen Präzisierung der Diskussion am Beispiel von KNN Vorstrukturierte künstliche neuronale Netze Prinzipielle Intransparenz von KNN Optionale Zwecklosigkeit der Struktursuche Abgrenzung von etablierten Begriffsverwendungen Überraschung Repräsentation Experiment Zufallstechnik Unfall MLA als Informationstechnik und Technik Suche nach Problembegriffen Quasi-Intentionalität als Ausgangspunkt der Suche Suche nach Ursprüngen der Irritation Neugier und Vor-Struktur jenseits von Heidegger Diskussion aktueller technikphilosophischer Entwürfe MLA als naturalisierte Technik MLA als transklassische Technik MLA als nichttriviale Technik Fazit der Diskussion Erzeugung von Welt und maschinelles Lernen Parallelen des maschinellen Lernens zur Kunst Weisen der Welterzeugung Angemessenheit von Strukturvorschlägen Zusammenführung der Ergebnisse Zugang zu Nichtwissen Neugieriges maschinelles Lernen als Technik Welttechnik in der Praxis Ununterscheidbarkeit der entstehenden Weltbezüge.. 291

10 4 Interdisziplinäre Anknüpfungspunkte Verallgemeinerbarkeit der Suche nach Welttechnik Technoscience als möglicher Suchraum Abduktionsstufen als Mittel zur Suche Mehrwert einer weiteren Verallgemeinerung Technikferne Einordnung von MLA Maschinelles Lernen ohne Computer Danksagung Abbildungsverzeichnis Stichwortverzeichnis Literaturverzeichnis

11

12 S E L B S T O R G A N I S A T I O N U N D M A S C H I N E L L E S L E R N E N 1 Einleitung 1.1 SELBSTORGANISATION UND MASCHINELLES LERNEN»Die Technikphilosophie ist eine Wissenschaft von der Veränderung. Wie sich Gesellschaften oder Teilbereiche durch Technisierung verändern, was der Mensch kontrafaktisch ohne Technik wäre und insbesondere wie sich die Technik selbst verändert, zählt zu ihren mit intensiver Neugierde verfolgten Fragen.«(Kaminski 2012, S. 1) Die Frage, wie sich die Technik selbst verändert, bezieht sich meist auf Durchbrüche in Forschung und Entwicklung, die zur Erschließung neuer Technikfelder führen. Anstelle der Betrachtung einzelner Durchbrüche kann die Frage jedoch auch in Hinblick auf die systematische SELBSTOR- GANISATION 1 technischer Systeme gestellt werden, das heißt bezogen auf Technik, die sich selbst oder andere Technik adaptiert und reorganisiert. Besonders vielversprechende Veränderungspotenziale können dementsprechend Technik zugeschrieben werden, die sowohl eine Vielzahl von Durchbrüchen in theoretischer und praktischer Hinsicht aufweist, als auch autoadaptive Prinzipien realisiert. Die Untersuchung des Ausmaßes oder 1 Eine Darstellung in KAPITÄLCHEN zeigt an, dass der an dieser Stelle eingeführte oder weiterentwickelte Begriff von zentraler Bedeutung und im Index zu finden ist. Diese Hervorhebung ermöglicht es, die im ersten Hauptteil vorgenommene sehr kompakte Einführung in die Funktionsweisen des maschinellen Lernens auch als Nachschlagewerk zu nutzten.

13 12 NEUGIERIGE STRUKTURVORSCHLÄGE IM MASCHINELLEN LERNEN überhaupt einer genaueren Bestimmung der auftretenden Selbstorganisation steht in solchen hochdynamischen Technikfeldern allerdings häufig hinter einer Analyse der jüngsten Durchbrüche, der Prognose möglicher zukünftiger Veränderungen und der Abschätzung der Einflüsse des Technikbereiches als Ganzem zurück. Die Frage, wie sich Technik im Rahmen ihres Einsatzes selbst adaptiert und verändert, lässt sich jedoch auch in weniger volatilen und besser verstandenen Bereichen von Technik stellen, etwa in der Informatik. In der Informatik finden sich verschiedene Phänomene, die als Formen von Selbstorganisation beschrieben werden können (Shiffman 2012). Gerade Algorithmen, die auf externe SENSORDATEN 2 zurückgreifen, sind in diesem Zusammenhang besonders interessant. Viele moderne Algorithmen verknüpfen externe Reizkonstellationen, die eine bestimmte Regelmäßigkeit aufweisen, mit speziellen Reaktionen, indem sie, abhängig von bereits erfolgten Eingaben, ihre Struktur verändern. Die entsprechenden autoadaptiven Algorithmen werden innerhalb der Informatik unter der Bezeichnung MASCHINELLES LERNEN zusammengefasst. Ein besonders interessanter Teilbereich des maschinellen Lernens wird im zweiten Hauptteil der nachfolgenden Darstellungen als die Erstellung NEUGIE- RIGER STRUKTURVORSCHLÄGE beschrieben und als WELTTECHNIK bezeichnet. Die Analyse autoadaptiver Algorithmen und speziell von Welttechnik verspricht dabei nicht nur ein großes Potenzial für die Entdeckung von Veränderungen der Technik, sondern auch die Gelegenheit zu einer präziseren Formulierung dessen, was an den mit Selbstorganisation bezeichneten Phänomenen aus Sicht der Technikphilosophie von zentralem Interesse ist und welche Fragen gestellt werden können oder sollten.»verfahren des machine learning sind die Grundlage von Programmsystemen, die aus Erfahrung lernen, also neues Tatsachenund Regelwissen gewinnen oder Priorisierungen adaptieren können. Sie sind u.a. auch für die Entdeckung zweckbestimmt relevanter Beziehungen in großen Datenmengen ( Data mining ) von großer Bedeutung.«(Görz et al. 2003, S. 13) 2 Die Rede von Sensordaten soll sehr allgemein verstanden werden und beschreibt hier und im Folgenden jede Art von Eingabedaten.

14 1.1 SELBSTORGANISATION UND MASCHINELLES LERNEN 13 Die Technik des maschinellen Lernens bildet in vielen Fällen die Grundlage dafür, dass eine andere Technik als neuartig eingeschätzt wird oder dass die Veränderung einer Technik diagnostiziert wird. Beispiele für maschinelles Lernen sind unter anderem: Der Einsatz in der Medizin, wenn Diagnostizierung in Kliniken maschinell unterstützt werden soll (Kononenko 2001). Hier können Krankengeschichten und vergangene Diagnosen von den Systemen bei zukünftigen Diagnosevorschlägen berücksichtigt werden. Die Bestimmung von Risikoklassen verschiedenster Arten, sei es bei der Krebsforschung (Kerhet et al. 2009), dem Aktienhandel (Shah 2007) oder der Erstellung von Versicherungstarifen (Dugas et al. 2003). Hier können die genutzten Systeme jeweils aufgrund von Daten der Vergangenheit bestimmte Risikowahrscheinlichkeiten berechnen und diese Berechnungen für jeden neuen Fall aktualisieren. Weiterhin wird in diesen Bereichen versucht, die Strukturmerkmale zu erkennen, die die Risiken am stärksten beeinflusst haben, um diese Merkmale nutzerseitig weiter zu analysieren. Die Erstellung von RECOMMENDER-SYSTEMEN. Diese Systeme schlagen den Nutzern Produkte oder Dienste zum Kauf vor. Die Vorschläge basieren auf dem bisherigen Kaufverhalten der jeweiligen Nutzer, aber auch auf dem Kaufverhalten anderer Nutzer. Praktische Beispiele hierzu sind Amazon.com oder der Radiosender Last.fm. Die Entdeckung zweckbestimmt relevanter Beziehungen in großen Datenmengen, die im Weiteren wie bei Görz et al. als DATA MINING bezeichnet wird. In der vorliegenden Arbeit wird der Begriff Data Mining nur verwendet, wenn die zu erlernende Struktur oder die Verwendung der Struktur noch weitgehend unklar ist. Dies dient nur der Vermeidung von Überschneidungen etwa zu den Recommender-Systemen. Im Rahmen des Data Mining wird maschinelles Lernen eingesetzt, um die am stärksten ausgeprägten Zusammenhänge zwischen Daten zu bestimmen. Diese Zusammenhänge können von einem Menschen auch ohne die Nutzung maschinellen Lernens erkannt und analysiert werden,

15 14 NEUGIERIGE STRUKTURVORSCHLÄGE IM MASCHINELLEN LERNEN etwa durch den Einsatz von Algorithmen, die auf dem Konzept der OLAP-WÜRFEL 3 basieren. Über diese Beispiele hinaus gibt es noch eine sehr große Zahl äußerst unterschiedlicher Anwendungsmöglichkeiten seien es Pre-Crash-Sensoren für Airbags in Automobilen oder statistische Sprach- und Schrifterkennung. In all diesen Gebieten steht eine Vielzahl von Hindernissen der Lösung der jeweiligen Aufgabe im Weg seien es ungenaue oder extrem zahlreiche Messwerte, unterschiedliche Messgeräte, veränderliche beobachtete Größen oder ein hoher Zeitdruck. Diese Hindernisse haben gemein, dass sie eine Form von Veränderung von der eingesetzten Technik verlangen und dass maschinelles Lernen die Nutzer bei der Überwindung dieser Hindernisse unterstützen kann. Die eingesetzten physischen Objekte, auf denen maschinell lernende Algorithmen implementiert sind, werden im Folgenden MA- SCHINELL LERNENDE ARTEFAKTE kurz MLA genannt. Die neutrale Bezeichnung als ARTEFAKT soll betonen, dass das konkrete Objekt sehr unterschiedlich aussehen kann es ist sogar möglich, maschinelles Lernen ohne einen Computer durchzuführen 4. MLA zeichnet aus, dass es ihnen möglich ist, systematisch auf Sensordaten zu reagieren. Die Fähigkeit, auf unbekannte Eingabedaten autoadaptiv zu reagieren, macht die zugrunde liegenden Algorithmen zu lernenden Algorithmen. Einige Algorithmenklassen sind darüber hinaus in der Lage, eine Adaption ihrer eigenen Programmstruktur und sogar eine Adaption der Möglichkeiten zur Adaption ihrer Programmstruktur vorzunehmen. In beiden Fällen bleibt auch ein Algorithmus aus dem Bereich des maschinellen Lernens eine abstrakte Prozessbeschreibung und stellt gerade keine Substanz dar. Entsprechend ist es nicht zielführend, die Möglichkeit eines MLA zur autoadaptiven Reaktion als die Eigenschaft eines speziellen Algorithmus zu denken, da der Algorithmus sonst als Träger dieser Eigenschaft und damit substanzhaft gedacht 3»Ein OLAP-Würfel [ist ein] gebräuchlicher Begriff zur logischen Darstellung von Daten. Die Daten werden dabei als Elemente eines mehrdimensionalen Würfels [ ] angeordnet. Die Dimensionen des Würfels beschreiben die Daten und erlauben auf einfache Weise den Zugriff.«(Wikipedia Contributors 2012, OLAP-Würfel) Die Pivot-Tabellen in Microsoft Excel stellen ein anschauliches Beispiel für OLAP-Würfel dar. 4 Details finden sich im abschließenden Abschnitt 4.3.