Letzte Aktualisierung: 7. April 2024

Bayes-Formel und künstliche Intelligenz

Bildbeschreibung: Wie groß ist die Wahrscheinlichkeit, dass die nächste Kugel, die Sie aus dem Beutel ziehen, gelb ist?
Heute fragen wir dieneuronales Netzwerkum die Zukunft vorherzusagen.

Bayes-Formel

Die Bayes-Formel, auch Bayes-Theorem genannt, ist eine mathematische Formel, mit der Sie die Wahrscheinlichkeit eines Ereignisses A berechnen können, wenn Sie wissen, dass bereits ein anderes Ereignis B eingetreten ist.

Bayes-Formel: P(A|B) = (P(B|A) * P(A)) / P(B)

A ist das Ereignis, dessen Wahrscheinlichkeit wir schätzen wollen.
B ist das Ereignis, das wir bereits kennen.
P(A|B) ist die Wahrscheinlichkeit, dass Ereignis A eintritt, vorausgesetzt, Ereignis B ist bereits eingetreten.
P(B|A) ist die Wahrscheinlichkeit, dass Ereignis B eintritt, vorausgesetzt, Ereignis A ist bereits eingetreten.
P(A) ist die Wahrscheinlichkeit, dass Ereignis A unabhängig von Ereignis B eintritt.
P(B) ist die Wahrscheinlichkeit, dass Ereignis B unabhängig von Ereignis A eintritt.

Angenommen, Sie haben einen Beutel mit 10 gelben und 10 blauen Bällen. Du ziehst zufällig eine Kugel, ohne hinzusehen, und siehst, dass sie gelb ist.
Wie groß ist die Wahrscheinlichkeit, dass die nächste Kugel, die Sie ziehen, ebenfalls gelb ist?

A: Der nächste gezogene Ball ist gelb.
B: Der erste gezogene Ball ist gelb.
P(A|B) = (P(B|A) * P(A)) / P(B)
P(B|A) = 10/20 = 0,5 (Wahrscheinlichkeit, einen gelben Ball zu ziehen, wenn man weiß, dass der erste gezogene Ball gelb ist)
P(A) = 10/20 = 0,5 (Wahrscheinlichkeit, eine gelbe Kugel zu ziehen)
P(B) = 10/20 + 10/20 = 1 (Wahrscheinlichkeit, eine gelbe Kugel zu ziehen + Wahrscheinlichkeit, eine blaue Kugel zu ziehen)
P(A|B) = (0,5 * 0,5) / 1 = 0,25
Die Wahrscheinlichkeit, eine zweite gelbe Kugel zu ziehen, liegt also bei 25 %.

Bayes-Formel und künstliche Intelligenz

Die vom ehrwürdigen Mathematiker Thomas Bayes (1702-1761) entwickelte Bayes-Formel ist eines der grundlegenden Konzepte der Wahrscheinlichkeitstheorie und der statistischen Inferenz (eine Reihe von Techniken, um aus einer Stichprobe dieser Population Schlussfolgerungen über eine Population zu ziehen).

Das Erstaunliche an dieser Formel ist, dass sie es uns ermöglicht, unsere Meinung basierend auf den neuen Informationen, die wir erhalten, zu ändern. Obwohl die Formel einfach ist, zeigt sie, wie sich unsere Ideen weiterentwickeln können, wenn wir neue Dinge lernen. Mit anderen Worten: Je mehr wir über die Vergangenheit wissen, desto besser können wir die Zukunft vorhersagen.
Diese Formel sagt uns auch, dass die Anhäufung von Informationen es uns ermöglicht, unsere Vorhersagen zu verfeinern. Es ist daher ein leistungsstarkes Entscheidungsinstrument.
Obwohl es in einem anderen Kontext geboren wurde, findet es heute seine volle Bedeutung im Bereich der Künstlichen Intelligenz (KI).

Im Jahr 1763 stellte Richard Price (1723-1791), ein Freund von Thomas Bayes, seine Formel in einem Artikel mit dem Titel „Ein Essay zur Lösung eines Problems in der Doktrin der Chancen“ vor.
Der Begriff der subjektiven Wahrscheinlichkeit, der den Kern der Bayes-Formel bildet, war damals umstritten. Bayes lieferte keinen formalen Beweis für seine Formel, was Mathematiker dazu veranlasste, sie als nicht streng abzulehnen.
Später waren es die Arbeiten von Pierre Simon Laplace (1749-1827), Siméon Denis Poisson (1781-1840) und anderen Mathematikern, die dazu beitrugen, die Grundlagen der Wahrscheinlichkeitstheorie zu festigen und die Bayes-Formel moderner zu machen. Heutzutage wird die Bayes-Formel häufig in Bereichen wie Medizin, Finanzen und Ingenieurwesen eingesetzt.

Künstliche Intelligenz sind Computersysteme, die in der Lage sind, bestimmte kognitive Fähigkeiten des Menschen nachzuahmen.
Maschinelles Lernen und probabilistische Inferenz sind zwei Bereiche der KI, die den Satz von Bayes besonders nutzen.
Im Kontext des maschinellen Lernens wird die Bayes-Formel in überwachten Lernmethoden verwendet, um die Wahrscheinlichkeit abzuschätzen, dass eine bestimmte Klasse die Ursache einer bestimmten Beobachtung ist. Beispielsweise kann bei der Bildklassifizierung ein maschineller Lernalgorithmus mithilfe der Bayes-Formel die Wahrscheinlichkeit abschätzen, dass es sich bei einem bestimmten Bild um eine Katze und nicht um einen Hund handelt, basierend auf den im Bild beobachteten Merkmalen.
Darüber hinaus ist die Bayes-Formel das Herzstück der Bayes’schen Inferenz, einem probabilistischen Ansatz zur Entscheidungsfindung in KI-Systemen. Im Gegensatz zum frequentistischen Ansatz, der auf festen Trainingsdaten basiert, aktualisiert die Bayes'sche Inferenz ihre probabilistischen Annahmen, wenn neue Daten beobachtet werden. Dies ermöglicht eine adaptivere und robustere Entscheidungsfindung, insbesondere in komplexen und dynamischen Umgebungen.

Die Theorie, die nicht sterben würde

Die vor über 250 Jahren entwickelte Bayes-Formel ist eine Methode, um aus der Ungewissheit der Zukunft zu lernen. Tatsächlich misst es den Glauben und sagt uns, dass wir aus fehlenden Daten oder Annäherungen oder sogar aus völliger Unwissenheit lernen können.
Es widerspricht daher der Überzeugung, dass Wissenschaft Objektivität und Präzision erfordert. Dies erklärt, warum diese Formel von damaligen Wissenschaftlern für tot erklärt wurde.

Diese Wahrscheinlichkeitstheorie, die mit der Einführung von Computern nicht sterben wollte, wurde umfassend demonstriert. Dies ist die einzige Logik von Algorithmen der künstlichen Intelligenz. Die Bayes-Formel bleibt ein wirksames Werkzeug in verschiedenen Bereichen der Wissenschaft und Technologie. Durch die Kombination fundierter statistischer Prinzipien mit ausgefeilten Computeralgorithmen spielt die Bayes-Formel weiterhin eine wichtige Rolle beim Aufbau intelligenter und anpassungsfähiger KI-Systeme.