Diese Plattform zeigte Ihnen bereits, wie Sie basierend auf vorliegenden Daten Modelle trainieren können, um beispielsweise Objekte in Bildern zu erkennen. Wir sind insgeheim immer davon ausgegangen, dass das überhaupt möglich ist.
Was, wenn Daten zwar vorliegen, aber das Problem einfach nicht lernbar ist? Was, wenn anhand der Daten die Entscheidungen, welche ein neuronales Netz oder eine support vector machine treffen müssen, nicht lernbar sind? Stellen wir uns ein simples Problem vor:
Ich gratuliere – Sie sind in einer Spieleshow in der Finalrunde angekommen. Sie stehen neben der Moderatorin und habe drei verschlossene Tore vor sich. Hinter einem Tor verbirgt sich der Hauptgewinn. Leider sind hinter den anderen beiden Toren Ziegen (an dieser Stelle sei erwähnt, dass wir davon ausgehen den Hauptgewinn abzustauben). Mutig wählen Sie eine Tür. Wie hoch ist die Wahrscheinlichkeit, dass Sie gewinnen? Ganz genau, 1/3!
Tja, es wird spannend! Die Moderatorin öffnet eine andere Tür. Glück gehabt, es war nicht der Hauptgewinn. Naja, Glück war das nicht – die Moderatorin weiß sicherlich hinter welcher Tür die Ziegen sind und hat uns absichtlich eine Ziege gezeigt. Es sind noch zwei Tore verschlossen. Nun fragt Sie die Moderatorin: wollen Sie lieber wechseln oder bleiben Sie bei Ihrer Wahl? An dieser Stelle wechseln wir in die Welt der Künstlichen Intelligenz!
Ist dieses Problem lernbar? Wie finden wir eine Lösung? Stehen die Chancen 50/50? Was hat das Wissen der Moderatorin für einen Einfluss? Die Lösung auf diese Frage sehen Sie im folgenden Video:
Denken Sie an solche Zusammenhänge bei Ihren Problemen. Und denken Sie an uns bei Ihrem nächsten Besuch in einer Spieleshow.