ZAP 7/2023, Ändern Legal-Tech-Anwendungen die Arbeit der ... / a) Maschinelles Lernen

Unter Buchstabe a) des Anhangs I zum Verordnungsentwurf werden „Konzepte des maschinellen Lernens, mit beaufsichtigtem, unbeaufsichtigtem und bestärkendem Lernen unter Verwendung einer breiten Palette von Methoden, einschließlich des tiefen Lernens (Deep Learning)” genannt. Dass maschinelles Lernen oder Machine Learning unter den KI-Begriff fällt, ist wohl unumstritten.

Hinweis:

Beim maschinellen Lernen wird das System durch das Training mit großen Datenmengen in die Lage versetzt, das „Gelernte” auf neue Eingabedaten anzuwenden. Beim überwachten Lernen (supervised learning) wird durch „Annotation” bzw. „Labeling” der Trainingsdaten das zu lernende Ergebnis vorgegeben. Dies ist zeitaufwendig und macht den Einsatz von Personen notwendig, die sich auf dem Gebiet, aus dem die Daten stammen, auskennen. Beim unüberwachten Lernen (unsupervised learning) erfolgt der Lernprozess ohne Hilfestellung. Das System identifiziert selbstständig Gemeinsamkeiten innerhalb der Trainingsdaten und zieht aufgrund ihrer An-/Abwesenheit Schlussfolgerungen. Das bestärkende Lernen (reinforcement learning) funktioniert, wie es die Herkunft seines Namens aus der Verhaltenspsychologie nahelegt. Das System erhält von den Entwicklern nach jedem Trainingsdurchlauf positives oder negatives Feedback und passt seine Ergebnisse an, um mehr positives Feedback zu bekommen. Der Begriff Deep-Learning beschreibt das Optimieren künstlicher neuronaler Netze (KNN) mittels großer Datenmengen. KNN sind dem menschlichen Gehirn nachgebildet. Sie bestehen aus künstlichen Neuronen, die in „Schichten” angeordnet sind. Ein Deep-Learning-System besteht aus drei Komponenten, einer „Eingabeschicht” („input layer”), einer „Ausgabeschicht” („output layer”) und dazwischen liegenden unsichtbaren Schichten (verborgenen Schichten, innere Schichten oder „hidden layers”), in denen die eigentliche Rechenarbeit stattfindet. Die Verbindungen zwischen den Neuronen werden mit unterschiedlichen Gewichten versehen, die das Verhalten des Netzwerks bei unterschiedlichen Eingabewerten steuern.