Der Algorithmus „Torque Clustering“ macht Menschen überflüssig

KI erreicht neues Level der Selbstständigkeit – Neuer Algorithmus macht Menschen überflüssig

Maschinen, die ohne Anweisung lernen? Forscher aus Australien haben genau das möglich gemacht.

Künstliche Intelligenz wird immer besser darin, selbstständig Muster in Daten zu erkennen – und das ohne menschliche Vorgaben. Ein neues Verfahren, das Forscher der University of Technology Sydney (UTS) entwickelt haben, könnte einen großen Sprung in diese Richtung bedeuten. Der Algorithmus „Torque Clustering“ ermöglicht es KI-Systemen, Daten zu analysieren, ohne vorher von Menschen trainiert zu werden. Damit könnte sich die Art und Weise, wie Maschinen lernen, grundlegend verändern.

Wie KI bisher lernt – und wo die Grenzen liegen

Bisherige KI-Systeme nutzen meist sogenanntes „überwachtes Lernen“. Dabei müssen Menschen große Datenmengen vorab sortieren und mit Labels versehen. Zum Beispiel erhalten Bilder, die Katzen zeigen, das Label „Katze“, damit die KI lernt, ähnliche Motive zu erkennen. Diese Methode funktioniert gut, ist aber aufwendig, teuer und stößt bei komplexen Problemen an Grenzen.

Torque Clustering setzt laut der Studie stattdessen auf „unüberwachtes Lernen“. Das bedeutet, dass der Algorithmus selbstständig in riesigen Datensätzen nach Mustern sucht – ohne, dass ihm jemand vorgibt, worauf er achten soll. Diese Technik könnte besonders in Bereichen wie Medizin, Finanzen oder Astronomie bahnbrechend sein.

Warum Torque Clustering einzigartig ist

Der neue Algorithmus basiert auf einem physikalischen Prinzip, das normalerweise in der Astronomie verwendet wird: dem Drehmoment (auf englisch: torque). In der Physik beschreibt dieses, wie sich Himmelskörper aufgrund ihrer Masse und ihres Abstands zueinander bewegen, beispielsweise wenn Galaxien zusammenstoßen. Die Forscher haben dieses Konzept auf Datenanalysen übertragen. Statt physischer Objekte betrachtet der Algorithmus Datenpunkte. Er bewertet, welche Daten näher beieinander liegen und sich gegenseitig beeinflussen – ähnlich wie die Anziehung zwischen Planeten. Dadurch kann Torque Clustering automatisch Gruppen in großen Datenmengen erkennen, ohne dass vorher festgelegt wird, welche Kriterien dabei wichtig sind.

In der Natur lernen Tiere durch Beobachten und Interaktion mit ihrer Umgebung, ohne dass ihnen jemand vorgibt, wie sie sich verhalten sollen. Unüberwachtes Lernen verfolgt genau diesen Ansatz.
Professor CT Lin von der University of Technology Sydney

Beeindruckende Ergebnisse in Tests

Der Algorithmus wurde an 1.000 verschiedenen Datensätzen getestet – mit beeindruckenden Ergebnissen. Torque Clustering erreichte eine durchschnittliche „Adjusted Mutual Information“-Bewertung (AMI) von 97,7 Prozent. Diese Kennzahl gibt an, wie genau ein Algorithmus verschiedene Daten in sinnvolle Gruppen einteilen kann. Zum Vergleich: Andere hochmoderne Methoden liegen meist nur bei rund 80 Prozent.

„Die Verbindung zur Physik verleiht dieser Methode eine grundsätzliche wissenschaftliche Bedeutung“, sagt Dr. Jie Yang, Erstautor der Studie. „Unser Verfahren kann mit unterschiedlichsten Datentypen umgehen – unabhängig von Form, Dichte oder möglichen Störfaktoren.“

Große Chancen für autonome Systeme

Torque Clustering könnte besonders in der Robotik und bei autonomen Systemen eine wichtige Rolle spielen. Maschinen, die sich selbstständig durch ihre Umgebung navigieren müssen, könnten davon profitieren, dass sie Muster und Strukturen ohne vorherige Anweisungen erkennen. Das könnte die Entwicklung von selbstfahrenden Autos oder intelligenten Assistenzrobotern deutlich voranbringen.

Um die Forschung weiter voranzutreiben, hat die University of Technology Sydney den Code von Torque Clustering als Open-Source-Software veröffentlicht. Dadurch können Wissenschaftler weltweit mit dem Algorithmus arbeiten und neue Anwendungsbereiche erschließen.

Kurz zusammengefasst:

Der neue Algorithmus „Torque Clustering“ der University of Technology Sydney ermöglicht es KI-Systemen, Daten selbstständig zu analysieren, ohne dass sie vorher von Menschen trainiert wurden.
Im Gegensatz zu bisherigen Methoden nutzt der Algorithmus unüberwachtes Lernen und basiert auf dem physikalischen Konzept des Drehmoments, um Muster in großen Datensätzen eigenständig zu erkennen.
Erste Tests zeigen, dass Torque Clustering deutlich bessere Ergebnisse erzielt als herkömmliche Verfahren, was es besonders für Anwendungen in Medizin, Finanzen und autonomen Systemen vielversprechend macht.