Heute hilft künstliche Intelligenz Ärzten bei Diagnosen, Piloten im Cockpit von Flugzeugen und Stadtplanern bei Verkehrsprognosen. Doch egal, was KI-Systeme tun, wahrscheinlich verstehen die Entwickler ihre Systematik nicht völlig. Denn KI-Systeme lernen oft selbstständig, indem sie einfache Anweisungen befolgen und so ein einzigartiges Spektrum an Regeln und Strategien schaffen. Aber wie genau lernen Maschinen? 
Selbstlern-Programme lassen sich auf viele Arten erstellen. Doch alle basieren auf den  3 Prinzipien maschinellen Lernens: unüberwachtes, überwachtes  und bestärkendes Lernen. Um sie in Aktion zu sehen, stellen wir uns vor, Forscher beziehen Informationen aus einem Satz medizinischer Daten mit tausenden Patientenprofilen. 
Erstens: unüberwachtes Lernen. Dieser Ansatz wäre ideal, um alle Profile zu analysieren und generelle Ähnlichkeiten sowie nützliche Muster zu finden. Vielleicht haben Patienten  ähnliche Krankheitsbilder oder vielleicht hat eine Behandlung gewisse Nebenwirkungen. Mit diesem breit gefächerten Ansatz lassen sich ähnliche Patientenprofile und neue Muster ermitteln -- und zwar ohne menschliche Anleitung. 
Doch die Ärzte suchen auch nach etwas Speziellerem. Zur Diagnose einer Krankheit wollen sie einen Algorithmus entwickeln. Also sammeln sie zwei Datensätze: medizinische Bilder und Testergebnisse von gesunden und erkrankten Patienten. Dann übertragen sie die Daten in ein Programm, das bei kranken Patienten ähnliche Merkmale erkennt, die bei gesunden nicht vorkommen. Je nachdem wie häufig das Programm bestimmte Merkmale erkennt, weist es diesen einen Wert entsprechend ihrer Signifikanz zu. Dabei wird ein Algorithmus für zukünftige Diagnosen generiert. Anders als beim unüberwachten Lernen spielen Ärzte und Informatiker im nächsten Schritt eine aktive Rolle. Ärzte stellen die Abschlussdiagnose und prüfen die Treffsicherheit des Algorithmus. Dann nutzen Informatiker die neuen Datensätze, um das Programm zu justieren  und seine Genauigkeit zu verbessern. Dieser praktische Ansatz heißt überwachtes Lernen. 
Nehmen wir nun an, die Ärzte wollen einen Algorithmus für Behandlungspläne entwickeln. Da die Pläne schrittweise umgesetzt werden und sich abhängig von der Reaktion der Patienten ändern, entscheiden sich die Ärzte für bestärkendes Lernen. Mit einem iterativen Ansatz sammelt das Programm Feedback zur Effektivität von Medikamenten, Dosierungen und Behandlungen. Dann vergleicht es die Daten mit jedem Patientenprofil, um optimale Behandlungspläne zu erstellen. Im Lauf der Behandlung erhält das Programm mehr Feedback und kann die Patientenpläne ständig anpassen. Keine der 3 Techniken ist den anderen prinzipiell überlegen. Einige brauchen mehr menschliches Eingreifen, und alle haben ihre Stärken und Schwächen, die sie für gewisse Aufgaben  prädestinieren. Wenn man sie jedoch kombiniert, können Forscher  komplexe KI-Systeme schaffen, in denen sich Programme überwachen und voneinander lernen. Wenn etwa das Programm “Unüberwachtes Lernen” ähnliche Patientengruppen findet, kann es die Daten an ein  “Überwachtes-Lernen”-Programm senden. Dieses kann die Informationen für eigene Vorhersagen verarbeiten. Viele “Bestärkendes-Lernen”-Programme könnten Behandlungsergebnisse simulieren, um Feedback über Behandlungspläne zu sammeln. 
Maschinelles Lernen lässt sich auf viele Arten entwickeln. Die aussichtsreichsten Modelle imitieren die Interaktion von Neuronen im Gehirn. Diese künstlichen Netzwerke nutzen Millionen Verbindungen zur Bewältigung schwerer Aufgaben wie Bild- oder Spracherkennung und sogar Übersetzungen. Je mehr sich diese Modelle selbst steuern, desto schwerer wird es für Informatiker, den Lösungsweg der Algorithmen nachzuvollziehen. Forscher versuchen, maschinelles Lernen transparenter zu machen. KI wird zunehmend in den Alltag integriert; dabei steigt der Einfluss dieser rätselhaften Prozesse auf unsere Arbeit, Gesundheit und Sicherheit. Maschinen können also immer besser forschen, verhandeln und kommunizieren -- und wir müssen uns überlegen, wie wir ihnen -- und sie sich -- ethisches Handeln beibringen. 
