Der Begriff „Projektierter Gradientenabstieg“ ist vor allem in den Bereichen Künstliche Intelligenz, Big Data und Smart Data sowie Automatisierung zuhause. Er beschreibt eine Methode, die häufig genutzt wird, um ein bestimmtes Ziel oder Optimum in großen Daten- oder Rechenmodellen zu finden – zum Beispiel beim Trainieren von Maschinenlernen-Algorithmen.
Gradientenabstieg heißt, dass ein Computer schrittweise lernt, was gut und was schlecht ist, indem er ausrechnet, in welche Richtung er sich verbessern kann. Beim „projektieren“ wird zusätzlich beachtet, dass nur bestimmte Lösungen erlaubt oder sinnvoll sind. Das kann zum Beispiel bedeuten, dass ein Wert nie negativ sein darf oder nicht größer als eine festgelegte Grenze werden soll.
Ein einfaches Beispiel: Man stellt sich vor, man sucht mit geschlossenen Augen den tiefsten Punkt in einem Raum, darf sich dabei aber nur entlang einer Linie bewegen. Mit jedem Schritt prüft man, ob es noch abwärts geht, bleibt aber immer auf der erlaubten Strecke. So findet man innerhalb der erlaubten Möglichkeiten effizient die beste Lösung.
Projektierter Gradientenabstieg hilft in der Praxis, Maschinenmodelle effizient und sicher zu trainieren oder Probleme gezielt zu lösen – und das immer unter Einhaltung der gesetzten Regeln und Bedingungen.
Deutsch 
English (UK)