Konstruktivistisches maschinelles Lernen

Im Gegensatz zu etablierten maschinellen Lernverfahren sehen konstruktivistische Lerntheorien nicht nur ein unüberwachtes oder überwachtes Lernen vor, sondern auch ein Lernen mittels Zweifel. Die drei zugrundeliegenden Prozesse menschlichen Lernens werden als Konstruktion, Rekonstruktion und Dekonstruktion von Wissen und Fähigkeiten bezeichnet.

Konstruktivistisches maschinelles Lernen vereinheit daher überwachte und unüberwachte Lernverfahren mit einer dritten Säule, der maschinellen Dekonstruktion, zu einem einheitlichen Framework. Um einen Dekonstruktionsprozess operationalisieren und automatisieren zu können, werden maschinell erlernte Zusammenhänge hier als Modelle im Sinne der Allgemeinen Modelltheorie nach Herbert Stachowiak interpretiert.

Wesentliches Ergebnis konstruktivistischen maschinellen Lernens ist eine modulare und hierarchisch geordnete Wissensbasis. Diese wird nicht nur automatisiert erzeugt, sondern anhand von Metdaten-basiertem Lernen auch automatisiert angepasst. Gegenüber klassischen Ansätzen maschinellen Lernens ermöglicht dieser Ansatz hybrider künstlicher Intelligenz unter anderem ein effektives Handling von Concept Drifts.

Aufbauend auf der Dissertation von Thomas Schmid hat die Arbeitsgruppe Maschinelles Lernen dieses Verfahren inzwischen als freie und quelloffene Implementierungen in Python, R und Julia realisiert. Diese sind über ein eigenes Gitlab-Repository frei zugänglich. Ein Tool zur grafischen Auswertung der erzeugten Wissensbasis wird in Kürze ebenfalls veröffentlich werden.