Machine Learning ist ein Begriff, den man heute häufig hört, sei es bei Chatbots, Bilderkennung oder Social Media. Aber was bedeutet das eigentlich konkret? Genau dieser Frage konnten Studierende der Hochschule für Architektur, Bau und Geomatik FHNW im Wahlfach „Was ist Machine Learning?“ bei Prof. Dr. Driton Komani und Dr. Christian Horvat vom Institut für Bauingenieurwesen nachgehen. In sechs Unterrichtsblöcken ging es dabei nicht nur um Theorie, sondern vor allem darum, ein Gefühl für das Thema zu entwickeln, inklusive einiger überraschender Erkenntnisse.

Was eine Katze zur Katze macht

Schon zu Beginn wurde klar, dass Machine Learning weniger mit „Intelligenz“ zu tun hat, als man vielleicht denkt. Stattdessen geht es darum, aus Daten Muster zu erkennen. Ein einfaches Beispiel, das sich durch mehrere Lektionen gezogen hat, war die Frage: Was macht eine Katze zur Katze? Für uns ist das offensichtlich. Für einen Computer aber nicht. Er sieht keine Katze, sondern nur Zahlen, nämlich Pixelwerte eines Bildes. Genau hier setzt Machine Learning an: Ein Modell bekommt viele Trainingsdaten und versucht daraus selbst herauszufinden, wie das Muster ist.

Ein Teil des Moduls beschäftigte sich mit eher grundlegenden Konzepten. Dabei ging es darum, wie ein Modell überhaupt Zusammenhänge erkennen kann. Vereinfacht gesagt sucht es nach einer Funktion, die möglichst gut zu den vorhandenen Daten passt. Danach ging es weiter mit neuronalen Netzwerken. Diese bestehen aus mehreren Schichten, sogenannten „Hidden Layers“, in denen die Daten Schritt für Schritt verarbeitet werden. Was dabei genau passiert, bleibt oft schwer nachvollziehbar, selbst wenn man die Theorie kennt. Ein Beispiel, das uns besonders geblieben ist, war ein Punktdiagramm mit roten und blauen Punkten in den Ecken. Anfangs war es unmöglich, diese mit einer geraden Linie zu trennen. Erst durch zusätzliche Hidden Layers konnte das Modell das Problem lösen. Die Daten wurden dabei im Hintergrund so transformiert, dass sie plötzlich doch trennbar waren. Das zeigte gut, wie aus einfachen Rechenschritten zusammen etwas Komplexes entstehen kann.

Wahrscheinlich statt eindeutig

Der Unterricht war abwechslungsreich gestaltet und zeichnete sich besonders durch seinen interaktiven Charakter aus. Neben theoretischen Inhalten gab es immer wieder Diskussionen und praktische Aufgaben, die uns Studierenden zum aktiven Mitdenken anregten. Besonders interessant waren dabei Gespräche über Fragen „Ist ein Tiger eine Katze oder nicht?“ oder «wie sicher kann sich ein Modell überhaupt sein?». In diesem Zusammenhang wurde auch das Thema Wahrscheinlichkeiten behandelt: Anstatt nur eindeutige Antworten wie „ja“ oder „nein“ zu geben, arbeiten Modelle mit Wahrscheinlichkeiten und geben an, wie wahrscheinlich eine Aussage ist. Das macht die Ergebnisse realistischer, zeigt aber auch, dass viele Fragen keine klaren Lösungen haben.

Ein Highlight im Wahlfach war sicher der praktische Teil beim Programmieren mit dem Jupyter Notebook. Dort konnten wir selbst ein Modell anpassen und ausprobieren, wie sich Veränderungen auswirken. Wir haben zum Beispiel die Anzahl der Hidden Layers oder deren Grösse verändert. Dabei wurde schnell klar: Mehr ist nicht automatisch besser. Teilweise wurden die Resultate sogar schlechter, obwohl das Modell „komplexer“ war. Eine wichtige Erkenntnis war, dass man oft nicht im Voraus weiss, welche Lösung am besten funktioniert. Es müssen einfach mehrere Ansätze ausprobiert werden.

Grenzen von Machine Learning

In den letzten Lektionen ging es um die Grenzen von Machine Learning. Ein Beispiel war die Erkennung von handgeschriebenen Zahlen. Eine „6“ wurde leicht verändert, für uns kaum sichtbar, und das Modell war plötzlich überzeugt, dass es sich um eine „8“ handelt. Ein anderes Beispiel zeigte, dass ein Bild durch minimales „Rauschen“ komplett falsch klassifiziert werden kann. Solche gezielten Veränderungen nennt man Adversarial Attacks. Diese Beispiele haben deutlich gemacht: Modelle erkennen Muster, aber sie „verstehen“ nicht wirklich, was sie sehen.

Mit einem kurzen Blick auf Sprachmodelle haben wir uns zum Abschluss noch mit sogenannten Large Language Models beschäftigt, also Systemen, die mit Text arbeiten. Dabei wurde erklärt, dass Wörter für den Computer ebenfalls nur Zahlen sind. Durch spezielle Darstellungen können aber Beziehungen zwischen Wörtern erkannt werden. So kann ein Modell zum Beispiel lernen, welche Wörter oft zusammen auftreten. Das erklärt auch, warum solche Systeme Texte generieren können, die auf den ersten Blick sehr überzeugend wirken.

Das Wahlfach hat einen guten Einblick in ein Thema gegeben, das aktuell sehr präsent ist. Auch wenn viele Details komplex bleiben, wurde die Grundidee verständlich: Machine Learning bedeutet, aus Daten Muster zu erkennen und daraus Vorhersagen zu treffen. Besonders interessant war zu sehen, wo die Grenzen liegen. Modelle können beeindruckende Resultate liefern, sind aber gleichzeitig anfällig für Fehler und Täuschungen. Für uns war das Modul besonders spannend, weil es sichtbar gemacht hat, was hinter den Anwendungen steckt, die wir im Alltag ganz selbstverständlich nutzen. Es wurde deutlich, dass diese Systeme längst nicht so perfekt sind, wie man vielleicht annimmt.

Autoren: Jasmin Strickler und Gabriel Blaas, Studierende Bachelor in Geomatik im 4. Semester

Die Wahlmodule HABG werden von den vier Bachelorstudiengängen Geomatik, Bauingenieurwesen, Architektur sowie Energie- und Umwelttechnik angeboten. Studierende dieser Studiengänge besuchen im Verlauf ihres Studiums Wahlmodule im Umfang von 6 ECTS an der HABG, der FHNW oder anderen Schweizer Hochschulen.