Jede Frage verdient eine wissenschaftliche Antwort. Die Antworten hier stützen sich auf unsere Beiträge und bleiben offen bis zur Quelle.
Fragen · Quellen sehen · Überzeugt werden
Ja — und schärfer, als man denkt. Ein Netz, das eine neue Aufgabe lernt, kann die alte fast vollständig verlieren, nicht nur teilweise. Das heißt katastrophales Vergessen. Der Grund ist einfach: Alles, was ein Netz weiß, steckt in derselben Menge von Gewichten, und eine neue Aufgabe zieht sie zu ihren eigenen Zwecken.
Ja, und deutlich. Dieselben Aufgaben in anderer Reihenfolge verändern die Endfehlerrate: Je schwerer die Folge insgesamt und je schärfer die Abstände zwischen aufeinanderfolgenden Aufgaben, desto mehr vergisst das Modell. In einem kontinuierlich lernenden System zählt der Lehrplan so viel wie der Algorithmus.
Meist nicht — sie verlängert sie. In einer Simulation mit tausend Menschen ließ eine Quarantäne für siebzig Prozent von ihnen die Gesamtzahl der Fälle unverändert und dehnte die Epidemie von 49 auf 58 Tage. Verändert hat sich der Gipfel: von rund fünfzig Prozent auf unter fünfundzwanzig. Ziel ist nicht, die Epidemie zu beenden, sondern die Zahl der gleichzeitig Erkrankten in dem zu halten, was Krankenhäuser tragen können.
Beides zählt, doch das Tempo wird meist unterschätzt. Dieselben fünfundsiebzig Prozent doppelt so schnell zu erreichen senkte die Zahl der Erkrankten von 144 auf 35 bei tausend Menschen. Eine breite, aber späte Kampagne kann schlechter abschneiden als eine schmale, aber frühe.
„Verstehen“ ist ein zu starkes Wort. Klassische Systeme reduzieren den Klang auf einige Koeffizienten und vergleichen ihn mit gespeicherten Vorlagen; heutige nutzen stattdessen neuronale Netze, trainiert auf Millionen Stunden Sprache. In beiden Fällen geschieht Mustererkennung — kein Erfassen von Bedeutung.
Indem sie die Zeit dehnen lässt. Ein Verfahren namens dynamische Zeitverzerrung sucht den Pfad, der Anfang mit Anfang und Ende mit Ende verbindet und die Gesamtabweichung minimiert. So lässt sich eine gedehnte Silbe der einen Aufnahme einer knappen der anderen zuordnen.
Nur innerhalb des Bereichs, der sie genährt hat. Im Kaffeebeispiel lagen die Daten zwischen drei und neun Einheiten Regalfläche; auf dem Papier läuft die Gerade ins Unendliche und beantwortet bereitwillig „und bei hundert?“. Diese Antwort ruht auf nichts. Verlässt man den Bereich, erzeugt man keine Vorhersagen mehr, sondern Wünsche.
Beides — der Unterschied liegt nicht in der Methode, sondern in den Gewohnheiten. Die Tradition des maschinellen Lernens teilt die Daten: Sie passt die Gerade an einen Teil an und prüft sie am zurückgehaltenen, denn ein Modell erklärt Gesehenes leicht. Da sie auf beschrifteten Daten trainiert und eine Zahl vorhersagt, ist Regression per Definition überwachtes Lernen.
Das hängt von der Frage ab, und genau das überrascht. In einem Archiv voller Ticketnummern, Fehlermeldungen und Dateinamen schlug die dreißig Jahre alte Wortsuche die neuronale Bedeutungssuche: 74 % der gesuchten Seiten gefunden gegenüber 65 %. Die Bedeutungssuche wird schwach, wo das Wort selbst zählt — eine Ticketnummer hat keine Bedeutung. Das beste Ergebnis liefert die Verbindung beider.
Ohne Schutz ja. Die Suchschicht weiß nichts über Berechtigungen, nur über Ähnlichkeit; eine Seite kann perfekt zur Frage passen und dennoch zu einem für diese Person gesperrten Projekt gehören. Ergebnisse müssen daher nach den tatsächlich zugänglichen Projekten gefiltert werden. Ein Assistent erbt die Rechtestruktur einer Organisation oder durchbricht sie; eine dritte Möglichkeit gibt es nicht.
In einem softwaredefinierten Netz hat der Switch für einen neuen Datenfluss noch keine Regel. Das erste Paket wird deshalb dem Controller vorgelegt, der entscheidet und eine Regel in den Switch schreibt. Spätere Pakete treffen direkt auf diese Regel und erreichen den Controller nicht mehr. In der Beispielausgabe des Laborblatts dauerte die erste Antwort 2,76 Millisekunden, die zweite 0,052.
Läuft kein Protokoll gegen Schleifen, beginnt ein Broadcast-Sturm. Eine ARP-Anfrage an alle verlässt jeden Switch über alle Ports, läuft durch die Schleife, kehrt zurück und vervielfacht sich mit jeder Runde. Anders als IP-Pakete haben Ethernet-Rahmen keinen Lebensdauerzähler, daher hört das nie von selbst auf; die Leitungen laufen voll und Pings bleiben unbeantwortet. Das Spanning-Tree-Protokoll verhindert das, indem es redundante Verbindungen abschaltet.
