Maschinelles Lernen ist im Wesentlichen ein Zweig der Datenwissenschaft, der Daten nutzt, um Muster darin zu finden. Durch die Anwendung mathematischer und statistischer Kenntnisse werden diese Modelle in einem als "Training" bezeichneten Prozess verfeinert.

Während viele maschinelles Lernen (ML) und künstliche Intelligenz (KI) mit komplexen und futuristischen Technologien in Verbindung bringen - wie in Filmen, in denen KI sich gegen Menschen auflehnt - ist die Realität heute weitaus weniger fortgeschritten. Die meisten aktuellen KI-Systeme basieren auf "Wenn-Dann"-Programmierung und reagieren nur auf vordefinierte menschliche Anweisungen. Maschinelles Lernen geht jedoch einen Schritt weiter, indem es Modellen ermöglicht, sich selbst zu korrigieren und zu verbessern.

Kategorien des maschinellen Lernens

Maschinelles Lernen kann grob in folgende Typen unterteilt werden:

1. Überwachtes Lernen

• Basiert auf gekennzeichneten Datensätzen für das Training.

• Das System lernt, Eingaben auf Ausgaben basierend auf bereitgestellten Beispielen abzubilden.

• Beispiel: Einer Maschine beibringen, Schmetterlinge unter Insekten zu identifizieren, indem gekennzeichnete Daten mit spezifischen Merkmalen wie Beinanzahl, Flügel, Antennenstruktur und Körperproportionen bereitgestellt werden.

• Nach dem Training kann die Maschine neue Insektenbilder analysieren und anhand ihres gelernten Modells bestimmen, ob es sich um Schmetterlinge handelt.

2. Unüberwachtes Lernen

• Arbeitet ohne gekennzeichnete Daten; die Maschine identifiziert Muster und clustert Datenpunkte basierend auf ihren Merkmalen.

• Beispiel: Bei der Identifizierung von Schmetterlingen werden keine Bezeichnungen bereitgestellt. Die Maschine muss selbstständig Schlüsselmerkmale wie Flügel, Beine und Körperstruktur erkennen, um Schmetterlinge von anderen Insekten zu unterscheiden.

• Beliebte unüberwachte Lernmodelle umfassen Generative Adversarial Networks (GANs) und Clustering-Algorithmen.

• Einschränkungen: Unüberwachte Modelle werden oft als "Black Boxes" betrachtet, bei denen die internen Prozesse für Entwickler nicht vollständig transparent sind.

Beliebte Algorithmen des maschinellen Lernens

Es gibt viele Algorithmen des maschinellen Lernens, die jeweils für spezifische Anwendungen optimiert sind. Einige bekannte Beispiele sind:

• Neuronale Netze

• Entscheidungsbäume

• Support Vector Machines (SVMs)

• Bayes'sche Klassifikatoren

• Clustering-Methoden

Ein weit verbreiteter und anfängerfreundlicher Algorithmus ist K-Means Clustering, der Datenpunkte basierend auf Ähnlichkeit in Cluster gruppiert.

1. K-Means Algorithmus: Eine einfache unüberwachte Clustering-Methode

K-Means ist ein unkomplizierter und weit verbreiteter unüberwachter Clustering-Algorithmus. Die Kernidee des Clusterings besteht darin, Proben basierend auf ihrer Distanz oder Ähnlichkeit zu gruppieren, wobei ähnliche (oder nahe) Proben zusammengeclustert werden, während unähnliche (oder entfernte) Proben in verschiedene Gruppen getrennt werden. Das grundlegende Konzept von K-Means besteht darin, einen Datensatz iterativ in K Cluster zu partitionieren, sodass der Mittelwert jedes Clusters die Summe der quadratischen Fehler (SSE) für alle Punkte innerhalb dieses Clusters minimiert.

In mathematischer Sprache minimiert K-Means für eine Stichprobenmenge die Fehlerfunktion des Clusterings.

Die obige Visualisierung veranschaulicht das Konzept effektiv: Die Varianz jedes blauen oder roten Punktes zu seinem jeweiligen Clusterzentrum wird minimiert. Für die Cluster Rot und Blau erfüllen die beiden zentralen Punkte die Bedingung der minimalen SSE für diese Partitionierung.

Beispiel: K = 2 (Aufteilung der Stichproben in zwei Cluster)

Visuell könnten wir, wenn wir die grünen Punkte in Abbildung A in zwei Cluster aufteilen wollen, eine diagonale Linie von oben links nach unten rechts ziehen. Aber wie weisen wir eine Maschine an, diese Partitionierung genau durchzuführen? Die Schritte sind wie folgt:

1. Zufällige Initialisierung:

Wähle zwei zufällige Punkte (z.B. rot und blau) im Koordinatensystem als anfängliche Clusterzentren. Berechne für jeden Punkt im Datensatz seinen Abstand zu den roten und blauen Punkten.

• Weise den Punkt dem nächstgelegenen Clusterzentrum zu: wenn er näher am blauen Punkt liegt, färbe ihn blau; wenn er näher am roten Punkt liegt, färbe ihn rot.

• Iteriere durch alle Punkte, bis jedem Punkt eine Farbe zugewiesen wurde, wie in Schritt 1 gezeigt.

2. Neuberechnung der Clusterzentren:

Berechne das Zentrum jedes Clusters neu (Mittelwert aller Punkte innerhalb eines Clusters). Passe die Clusterzentren an, um den mittleren quadratischen Fehler (MSE) aller Punkte innerhalb dieses Clusters zu minimieren, wie in Schritt 2 gezeigt.

3. Wiederholung bis zur Konvergenz:

Wiederhole Schritte 1 und 2, bis sich die Clusterzentren stabilisieren und der Prozess konvergiert. Dieser iterative Prozess wird wie in den Schritten 3-6 gezeigt abgeschlossen.

Blockchain und maschinelles Lernen

Blockchain besitzt zwei Schlüsselattribute, die sie zu einer ausgezeichneten Ergänzung für die Weiterentwicklung des maschinellen Lernens und der künstlichen Intelligenz machen:

1. Datenschutz: Blockchain ermöglicht das Training mit sensiblen privaten Daten, ohne diese zu kompromittieren.

2. Anreizmechanismus: Das einzigartige Belohnungssystem der Blockchain ermöglicht es Benutzern, Belohnungen für das Teilen von Daten oder das Veröffentlichen von Modellen on-chain zu verdienen. Jeder kann seine Daten verkaufen und dabei die Privatsphäre wahren, und Entwickler können ihre Modelle on-chain veröffentlichen und trainieren und erhalten dafür Anreize.

Das referenzierte Bild zeigt den Standardisierungs- und Kommodifizierungszyklus in der Technologie. Die Ära der Datenmonopolisierung neigt sich dem Ende zu. Die Zugänglichkeit der Blockchain eröffnet Möglichkeiten für eine breitere Teilnahme an der nächsten technologischen Ära.

Die drei kritischen Faktoren im maschinellen Lernen sind Algorithmen, Rechenleistung und Daten. Technologiegiganten wie Amazon, Apple, Google und Facebook dominieren die Rechen- und Datenressourcen, was ihnen einen bedeutenden Vorsprung ermöglicht. Blockchain führt eine Chance ein, diese Dominanz durch die Dezentralisierung des maschinellen Lernens zu durchbrechen. Diese Verschiebung kann die Wertschöpfung von datengetriebenen Ansätzen zu algorithmengetriebener Innovation verlagern. Die wirtschaftlichen Anreize der Blockchain bieten eine fruchtbare Umgebung für Entwickler, um Modelle zu trainieren und zu optimieren, was das Wachstum für Algorithmenentwickler fördert.

2.1 Projektübersicht

Die Integration von maschinellem Lernen und Blockchain ist ein junges, aber vielversprechendes Feld. Während viele Unternehmen Tools in diesem Bereich entwickeln, bleibt das Potenzial enorm. Nachfolgend sind drei bemerkenswerte Projekte aufgeführt:

2.1.1 DeepBrain Chain

DeepBrain Chain, gegründet im November 2017, zielt darauf ab, das weltweit größte verteilte Hochleistungsrechnernetzwerk aufzubauen, das von Blockchain angetrieben wird und als kritische Infrastruktur für die 5G+AI-Ära dient.

• Schlüsselkomponenten:

1. Hochleistungsrechnernetzwerk: Gestartet im August 2018.

2. Blockchain Mainnet: Offiziell am 20. Mai 2021 gestartet, basierend auf Polkadots Substrate-Framework.

DeepBrain Chain ist eines der wenigen Blockchain-Projekte, das eine großflächige Implementierung im Hochleistungsrechnen erreicht hat. Es hat bedeutende Fortschritte in Benutzerfreundlichkeit und Kommerzialisierung gemacht, mit Anwendungen in Blockchain, KI, Cloud Gaming, visuelles Rendering, Biopharmazeutika und Halbleitersimulationen.

Über 50 globale Unternehmen haben Hochleistungs-GPU-Cloud-Plattformen in seinem Netzwerk implementiert, die Hunderte von Unternehmen und Zehntausende von KI-Entwicklern bedienen.

2.1.2 Numerai

Numerai ist ein Hedgefonds, der eine globale Gemeinschaft anonymer Datenwissenschaftler nutzt, um zukünftige Preise vorherzusagen. Durch die Kombination von verteilter Intelligenz, maschinellem Lernen, Blockchain und Tokenisierung schafft Numerai ein neues Modell der Fondsverwaltung, das von kollektiver Intelligenz angetrieben wird.

• Datenverteilung:

Datenwissenschaftler erhalten anonymisierte Datensätze als Eingabe für ihre Vorhersagemodelle. Diese Datensätze können makroökonomische Indikatoren, Rohstoffpreise oder Wechselkurse enthalten - proprietäre Daten, die für Außenstehende normalerweise nicht zugänglich sind. Durch das Entfernen von Metadaten kann Numerai die Daten offen teilen.

• Wettbewerbe:

Daten bilden die Grundlage für Wettbewerbe zur Erstellung der effektivsten Vorhersagemodelle. Historische Daten mit bekannten Ergebnissen helfen bei der Validierung von Modellen, während Echtzeit-Daten für kritische Vorhersagen ungewiss bleiben.

• Bewertung und Belohnungen:

Vorhersagen werden nach dem Hochladen in Numerais "Meta-Modell" bewertet. Datenwissenschaftler werden basierend darauf belohnt, wie sehr ihre Vorhersagen das Meta-Modell verbessern.

• Geistiges Eigentum:

Teilnehmer behalten das Eigentum an ihren Modellen und erhalten weiterhin Belohnungen, wenn ihre Modelle Numerais Meta-Modell verbessern.

2.1.3 HUMAN Protocol

Das HUMAN Protocol ist ein dezentrales Framework, das Beiträge basierend auf Wissen und Fähigkeiten belohnt und KI und maschinelles Lernen durch Hybridmodelle verbindet.

Aufgebaut auf Blockchain, optimiert das HUMAN Protocol Management- und Abrechnungsprozesse, um eine prüfbare, quelloffene Infrastruktur für dezentrale Arbeitsmärkte zu schaffen, die Datensuchende mit Wissensmärkten verbindet.

• Anwendung im maschinellen Lernen:

Das Protokoll adressiert direkt arbeitsintensive Aufgaben im maschinellen Lernen, wie manuelle Annotation und Überprüfung der Inferenzqualität von Modellen, um Datensätze besser für das Training geeignet zu machen.

• Zukunftsvision:

3.Schlussbemerkungen

Über seine aktuellen Anwendungen hinaus ist das HUMAN Protocol für die nächste Evolution der Maschinenintelligenz konzipiert, bei der Maschinen Menschen direkt nach Daten befragen, um sich selbst zu verfeinern.

Maschinelles Lernen und Blockchain sind heute zwei der spannendsten und modernsten Technologien. Maschinelles Lernen dient als Grundlage für künstliche Intelligenz und Big Data, während Blockchain das Potenzial hat, die aktuelle Finanzarchitektur zu revolutionieren. Beide Technologien sind datengetrieben und ermöglichen natürlicherweise Synergien in bestimmten Forschungsrichtungen.

Blockchain bietet sichere und effiziente Datenfreigabe und -analyse, während maschinelles Lernen diese Daten nutzt, um technologische Fortschritte voranzutreiben. Wir sehen bereits viele Entwickler, die an machbaren Projekten in diesem Schnittbereich arbeiten, und mehr Ressourcen und Talente fließen in diese Bereiche.

Die gemeinsamen und sich ergänzenden Fähigkeiten dieser Technologien werden sich weiterhin gegenseitig vorantreiben. Auf der Welle der Blockchain reitend und das Schiff des maschinellen Lernens steuernd, sind wir bereit, den weiten, sternenklaren Ozean der Zukunftstechnologie zu erkunden!

Einführung in maschinelles Lernen und seine Anwendungen in der Blockchain