KI, Maschinelles Lernen & Deep Learning

Wenn du in den letzten Jahren Artikel über neue Entwicklungen im Bereich der Computertechnik auf Seiten wie heise und golem gelesen hast, bist du mit Sicherheit über Begriffe wie künstliche Intelligenz (KI), maschinelles Lernen (ML) und vielleicht sogar Deep Learning gestolpert. Diese Begriffe werden oft als Buzzwords verwendet, ohne dass wirklich erklärt wird, was sie eigentlich ausmacht. Und was sie unterscheidet! Denn sie sind nicht austauschbar!

Da Technologie immer mehr in unser tägliches Leben integriert wird, ist es wichtig, einige der Feinheiten zu verstehen, die diese verschiedenen Technologien und ihre Verwendung voneinander unterscheiden.

Wenn wir immer mehr Technologien benutzen und sogar in unsere eigenen Produkte integrieren, ist es wichtig zu wissen, wie diese im Kern funktionieren. In diesem Artikel gehe ich daher auf die Unterschiede zwischen KI, ML und Deep Learning ein.

Der einfachste Weg, die Unterschiede zwischen KI, ML und Deep Learning zu begreifen, ist es, sie als eine Art von Matroschka Puppen zu verstehen, wobei jeder Begriff eine Komponente des vorherigen ist:

Künstliche Intelligenz ist der Oberbegriff für alle Arten von maschinelles Lernen, während Deep Learning eine spezielle Art des maschinellen Lernens ist.

Künstliche Intelligenz (KI) ist ein breiter Zweig der Informatik, der sich mit der Entwicklung intelligenter Maschinen befasst, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

Vereinfacht ausgedrückt ist eine KI also eine Maschine, die die Eigenschaften der menschlichen Intelligenz nachahmen oder verkörpern kann.

KI ist schon seit vielen Jahrzehnten Teil der Erzählung in unzähligen Filmen und Science-Fiction-Romanen. Inzwischen ist KI aber auch (zumindest zum Teil) Realität geworden. Techniken aus dem Bereich der künstlichen Intelligenz werden mittlerweile von Unternehmen in allen Branchen eingesetzt, um Aufgaben zu automatisieren, vorherzusagen und zu optimieren, die bisher von Menschen erledigt wurden. Das kann Zeit sparen und Aufgaben erleichtern. Ob ein Einsatz wirtschaftlich ist und Mitarbeitende entlastet, hängt aber von Qualität, Nacharbeit und Arbeitsgestaltung ab.

Spezialisierte KI und allgemeine Intelligenz

„Narrow AI“ bezeichnet auf bestimmte Aufgaben oder Einsatzbereiche begrenzte Systeme. Moderne Modelle können viele unterschiedliche Aufgaben unterstützen; die Zahl der Aufgaben allein belegt jedoch keine allgemeine menschliche Intelligenz.

Eine schwache KI ist zwar gut in einer bestimmten Aufgabe, kann aber in anderen Bereichen oder Aufgaben nicht als Mensch durchgehen. Ein Beispiel für eine schwache KI ist Deep Blue, der Computer, der 1997 den Wettkampf gegen den Schachweltmeister Garri Kasparow gewann. Deep Blue konnte zwar bis zu 200 Millionen Schachpositionen pro Sekunde berechnen, sonst war er aber quasi zu nichts anderem zu gebrauchen.

Schwache KI wird häufig in der Wissenschaft, der Wirtschaft und im Gesundheitswesen eingesetzt, um KI-Lösungen zu entwickeln, die eine bestimmte Aufgabe gut erledigen können. Beispielsweise werden schwache KI-Programmen eingesetzt, um medizinische Bilder auszuwerten, Abweichungen in der Produktion von Produkten zu erkennen oder Muster in Geschäftsdaten und Nutzerverhalten zu finden.

Echte künstliche Intelligenz

Allgemeine künstliche Intelligenz (AGI) bezeichnet je nach Definition eine breit übertragbare Leistungsfähigkeit. „Starke KI“ wird teilweise zusätzlich im Zusammenhang mit Bewusstsein oder echtem Verstehen diskutiert. Mehrere Aufgaben erfüllen zu können, genügt als Abgrenzung nicht. Je nach Definition von General AI oder Super AI könnte man sagen, sie sollte in der Lage sein, menschliche Leistungen in allen Aufgabenbereich zu erreichen, oder im Falle der Super AI sogar menschliche Leistungen in allen Bereichen übertreffen.

Derart mächtige Modelle könnten ihre eigenen Entscheidungen treffen und ohne menschliches Zutun lernen. Sie wären logisch und auch in der Lage emotional zu reagieren. Wie und wann solche Fähigkeiten erreichbar sind, ist eine offene Forschungsfrage. Chatbots und digitale virtuelle Assistenten werden immer besser im Führen von Gesprächen und können emotional wirkende Antworten erzeugen, ohne dass dies eigenes emotionales Erleben belegt. Einige Forscher/innen haben auch begonnen, Roboter darauf zu trainieren, menschliche Emotionen zu lesen.

In der Science-Fiction finden sich häufig künstliche Superintelligenzen: Maschinen, die Menschen in vielen kognitiven Fähigkeiten übertreffen. Solche Erzählungen sind kein Beleg dafür, wann oder auf welchem Weg entsprechende Systeme entstehen könnten. Die Forschung beurteilt diese Fragen unterschiedlich.

Maschinelles Lernen

Maschinelles Lernen bezeichnet Verfahren, bei denen Modelle anhand von Daten Muster für bestimmte Aufgaben erlernen. Die Leistungsfähigkeit hängt vom Modell, den Trainingsdaten und der jeweiligen Aufgabe ab. Die Verfahren und Anwendungen werden laufend weiterentwickelt; eine neue Version muss jedoch nicht bei jeder Aufgabe bessere Ergebnisse liefern.

Beim maschinellen Lernen geht es im Grunde darum, Computern beizubringen, wie sie lernen können, ohne dass sie auf bestimmte Aufgaben programmiert sind. Der Begriff kann sich auch auf die Algorithmen und Modelle beziehen, die verwendet werden, um KI für bestimmte Aufgaben zu trainieren.

Es gibt drei essentielle Bausteine des maschinellen Lernens:

Datasets: Ein Datensatz ist eine Sammlung von Datenpunkten oder Stichproben. Jeder Datenpunkt kann eine Zahl, ein Bild, ein Wort, eine Audiodatei oder ein Video sein. Datensätze werden verwendet, um Modelle für maschinelles Lernen zu trainieren.
Features: Features sind quasi die Daten, die für die Lösung einer Aufgabe benötigt werden von den Modellen des maschinellen Lernens verwendet werden, um Ergebnisse zu produzieren.
Algorithmen: Eine Art Rezept oder Reihe von Regeln, die das maschinelle Lernmodell verwendet, um die Daten zu analysieren und eine Schlussfolgerung oder Antwort zu finden.

Im Grunde genommen verwendet ein maschinelles Lernmodell einen oder mehrere Algorithmen Algorithmus, um aus Millionen von Datenpunkten eine Schlussfolgerung oder Vorhersage zu treffen. Bevor das maschinelle Lernmodell Daten analysieren und Schlussfolgerungen ziehen kann, muss es zunächst trainiert werden. Anhand eines Datensatzes und von Features, also Merkmalen wird das Modell, damit es Schlussfolgerungen auf der Grundlage realer Daten ziehen kann.

Es gibt vier verschiedene Klassifizierungen des maschinellen Lernens: Überwachtes Lernen, unüberwachtes Lernen, halbüberwachtes Lernen und verstärkendes Lernen.

Überwachtes Lernen (Supervised learning)

Bei einem überwachten maschinellen Lernmodell gibt es einen Lehrer, der das Modell anhand eines Datensatzes mit markierten Trainingsdaten trainiert. Nachdem die Trainingsdaten durch das maschinelle Lernmodell gelaufen sind, wird das Modell an neuen Daten getestet. Der/die Forscher/in überprüft die Ergebnisse des Modells auf ihre Genauigkeit.

Das maschinelle Lernmodell wird dabei so lange trainiert, bis die Genauigkeitsrate einen bestimmten Schwellenwert erreicht hat.

Überwachtes Lernen wird häufig für maschinelle Lernmodelle verwendet, die zur Spam-Filterung, Spracherkennung, Klassifizierung und zum Computer Vision eingesetzt werden.

Unüberwachtes Lernen (Unsupervised learning)

Ein maschinelles Lernmodell, das im Rahmen des unüberwachten Lernens trainiert wird, erhält keine markierten Features oder vorgegebene Ziele. Diese Art von maschinellem Lernmodell wird schlicht mit Daten gefüttert und dann aufgefordert, nach Mustern zu suchen.

Unüberwachte maschinelle Lernmodelle eignen sich gut zum Clustern oder Kategorisieren von Daten in Gruppen sowie zur Analyse von Daten und zur Gewinnung von Erkenntnissen.

Unüberwachte maschinelle Lernmodelle werden häufig für die Datensegmentierung, die Erkennung von Anomalien, Empfehlungsmaschinen und das Risikomanagement eingesetzt.

Halbüberwachtes Lernen (Semi-supervised learning)

Semi-Überwachtes Lernen stellt quasi die Kombination aus überwachtem und unüberwachtem maschinellen Lernen dar. Das maschinelle Lernmodell erhält einen Datensatz, der teilweise gelabelt und teilweise nicht gelabelt ist. Während der Programmierer vielleicht eine Ahnung davon hat, welche Muster das maschinelle Lernmodell in den Daten finden sollte, werden auch die ungelabelten Daten in das Training einbezogen.

Verstärkungslernen (Reinforcement Learning)

Ein maschinelles Lernmodell, das durch Verstärkungslernen lernt, lernt auf eine Weise, die dem Menschen am ähnlichsten ist. Verstärkungslernen erfolgt im Kern durch Versuch und Irrtum. Das maschinelle Lernmodell lernt durch positive oder negative Verstärkung.

Reinforcement Learning ist eine der spannendsten Formen von maschinellen Lernmodellen, denn es erlaubt es der Maschine vollständig autonom zu lernen. Somit soll das Modell selbständig aus der Beobachtung von Aktion und Reaktion seiner Umgebung lernen.

Reinforcement Learning wird vorallem in Spielen, Robotern, selbstfahrenden Autos und im Ressourcenmanagement eingesetzt.

Deep Learning

Deep Learning ist wiederum ein Teilbereich des maschinellen Lernens. Deep Learning nutzt neuronale Netze mit mehreren Verarbeitungsschichten. Häufig braucht es umfangreiche Daten und Rechenleistung, aber auch menschliche Arbeit bei Datenwahl, Zieldefinition und Evaluation. Die Netze sind mathematische Modelle, keine detailgetreue Nachbildung des Gehirns.

Die Daten werden dabei über Verbindungen zwischen künstlicher Neuronen übertragen. Diese Modelle können gelabelte Datensätze zum Lernen verwenden, aber sie brauchen sie nicht unbedingt. Deep-Learning-Modelle können sowohl mittels überwachtem, als auch unüberwachtem Lernen trainiert werden.

Zusammenfassung: Unterschiede zwischen KI, ML und Deep Learning

KI, maschinelles Lernen und Deep Learning gehören also alle zum selben Thema, aber es ist wichtig, die Unterschiede zu verstehen. KI ist der übergreifende Begriff für Algorithmen, die Daten untersuchen, um Muster und Lösungen zu finden. Künstliche Intelligenz ähnelt der menschlichen Fähigkeit, Probleme zu lösen. Die meisten KI-Projekte nutzen entweder maschinelles Lernen oder Deep Learning. Maschinelles Lernen ist eine spezielle Form der künstlichen Intelligenz, die Daten und Algorithmen nutzt, um ein oder mehrere Probleme zu lösen. Deep Learning ist eine spezielle, sehr fortgeschrittene Form des maschinellen Lernens, bei der neuronale Netze eingesetzt werden, um aus unstrukturierten Daten zu lernen und Vorhersagen zu treffen.

Für eine Entscheidung im Unternehmen ist anschließend die konkrete Aufgabe entscheidend: Welche Daten sind verfügbar, wie wird Qualität gemessen und wie werden Fehler kontrolliert? Ein leistungsfähigeres Modell allein beantwortet diese Fragen nicht.