X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

KI, ML, DL – was genau war das doch gleich noch mal?

Wenn Fachbegriffe zu Buzzwords werden, verdrehen nicht nur IT-Experten die Augen. Die dafür aber besonders. Denn dann bricht die große Verwirrung aus. Hier ist so ein Fall. KI, maschinelles Lernen und Deep Learning – die drei Begriffe überschneiden sich und sind dazu auch noch leicht zu verwechseln.

Auf einen Blick: Der Unterschied zwischen KI, maschinellem Lernen und Deep Learning

Was ist der Unterschied zwischen KI, maschinellem Lernen und Deep Learning? – Klare Definitionen und Erläuterungen der sich überschneidenden Begriffe.

 

Wir versuchen, etwas Licht in die Sache zu bringen und schärfen zunächst einmal die Konturen mit den folgenden Kurzdefinitionen:

  • Künstliche Intelligenz (KI oder AI von Artificial Intelligence) bedeutet, einem Computer beizubringen, dass er menschliches Verhalten auf irgendeine Weise nachahmt.
  • Maschinelles Lernen (ML) ist eine Untergruppe der KI und bezeichnet jene Techniken, die es Computern ermöglichen, Erkenntnisse aus Daten herauszufiltern und KI-Anwendungen zu liefern.
  • Deep Learning (DL; die Abkürzung wird aber relativ selten gebraucht) ist dagegen eine Untergruppe des maschinellen Lernens, die es Computern ermöglicht, noch komplexere Probleme zu lösen.

 

So weit, so gut. Diese Definitionen sind korrekt, aber sie sind auf die Dauer doch allzu knapp. Kratzen wir also etwas an der Oberfläche.

 

Der Unterschied zwischen KI, maschinellem Lernen und Deep Learning – einfach erklärt

 

Was ist KI?

Künstliche Intelligenz als wissenschaftliches Fachgebiet gibt es seit 1956. Das Ziel war damals wie heute, Computer dazu zu bringen, dass sie Aufgaben übernehmen, die eigentlich als einzigartig menschlich gelten: Dinge also, die Intelligenz erfordern. Dazu rackerten sich die Forscher zunächst mit Problemen wie dem Brettspiel „Dame“ und der Lösung von Logikaufgaben ab.

Wenn sie dann eines dieser Dame spielenden Programme erlebten, konnten sie eine Art "künstlicher Intelligenz" hinter den Spielzügen erkennen – besonders natürlich dann, wenn der Computer sie geschlagen hatte. Solche frühen Erfolge führten bei den Forschern teilweise zu einer fast grenzenlosen Begeisterung für die Möglichkeiten der KI. Es war damals noch ziemlich unklar, wie schwierig manche Probleme waren…

KI bezieht sich also auf die Leistung eines Computers. Der Computer macht etwas Intelligentes (oder zumindest intelligent Erscheinendes); also zeigt er künstliche Intelligenz.

Der Begriff KI sagt nun noch nichts darüber aus, wie diese Probleme gelöst werden. Dazu gibt es viele verschiedene Techniken, darunter regelbasierte oder Expertensysteme. Eine ganze Kategorie von Techniken begann sich in den 1980er Jahren immer mehr auszubreiten: maschinelles Lernen.

 

Was ist maschinelles Lernen?

An einigen Aufgaben bissen sich die Forscher in dieser frühen Phase dauernd die Zähne aus; Dinge wie Bilderkennung oder das Extrahieren von Bedeutung aus Text. Der Grund dafür lag darin, dass solche Probleme prinzipiell nicht mit den damals verfügbaren Techniken der KI lösbar waren. Hartkodierte Algorithmen oder feste, regelbasierte Systeme kommen damit einfach nicht richtig klar.

Nach und nach schälte sich die Lösung für dieses Dilemma heraus: Man musste versuchen, nicht nur menschliches Verhalten (KI) nachzuahmen, sondern auch das menschliche Lernen.

Wie haben wir denn als Kinder lesen gelernt? – Wir haben uns nicht hingesetzt und erstmal Rechtschreibung und Grammatik gebüffelt, bevor wir unser erstes Buch aufgeschlagen haben. Sondern wir haben mit ganz einfachen Büchern angefangen und uns Schritt für Schritt zur Weltliteratur vorgearbeitet. (OK, nicht alle.) Die Regeln und Ausnahmen der Rechtschreibung und Grammatik haben wir tatsächlich beim Lesen gelernt. Anders gesagt, wir haben einen Haufen Daten verarbeitet und dadurch etwas kapiert.

Genau das ist die Idee beim maschinellen Lernen: Füttere einen Algorithmus (entsprechend deinem Gehirn) mit einer Menge Daten und lass ihn Dinge herausfinden. Füttere einen Algorithmus mit vielen Daten zu finanziellen Transaktionen; sag ihm, welche davon betrügerisch sind, und lass ihn herausfinden, was denn nun auf Betrug hindeutet, damit er in die Lage versetzt wird, Betrug vorherzusagen. Oder füttere ihn mit Informationen über deinen Kundenstamm und lass ihn herausfinden, wie er die Kunden am besten segmentieren kann.

Erfahren Sie im Blogbeitrag 4 machine Learning Techniques You Should Recognize mehr über Techniken des maschinellen Lernens.

Als sich diese ML-Algorithmen entwickelten, konnten sie schon viele Probleme lösen. Aber es gab dummerweise immer noch Dinge, die Menschen praktisch mit links konnten (z. B. Sprache verstehen oder etwas mit der Hand Geschriebenes entziffern), während Maschinen völlig ratlos davorstanden. Das führte zu dem Gedanken, nicht bei der Nachahmung menschlichen Lernens stehenzubleiben, sondern zu versuchen, gleich das menschliche Gehirn nachzuahmen. Das ist nun die Idee hinter neuronalen Netzen.

Neuronen, die durch Synapsen miteinander verbunden sind, sind die wichtigsten Elemente in unserem Gehirn. Die Idee, künstliche Neuronen zu verwenden, gab es schon eine Weile. Man begann, neuronale Netzwerke, die in Software simuliert wurden, für bestimmte Probleme einzusetzen. Das war recht vielversprechend, und einige komplexe Probleme, die andere Algorithmen nicht bewältigen konnten, ließen sich nun lösen.

Aber das maschinelle Lernen biss immer noch bei vielen Dingen auf Granit – Aufgaben, die peinlicherweise schon Grundschulkinder können: Wie viele Hunde sind auf diesem Bild? Oder … sind das in Wirklichkeit Wölfe? Geh da rüber und bring mir die reife Banane. Was hat diese Figur in dem Buch so sehr zum Weinen gebracht? …

Nach und nach stellte sich heraus, dass diese Schwierigkeiten gar nicht mit dem eigentlichen Konzept maschinellen Lernens zusammenhingen, auch nicht etwa mit der Idee an sich, das menschliche Gehirn nachzuahmen. Aber einfache neuronale Netzwerke mit 100 oder vielleicht sogar 1000 Neuronen, die auf relativ schlichte Weise miteinander verbunden sind, konnten einfach kapazitätsmäßig nicht das leisten, wozu das menschliche Gehirn fähig ist. Kein Wunder, wenn man bedenkt, dass menschliche Gehirne über etwa 86 Milliarden Neuronen verfügen. Da fehlte also schon einmal ein bisschen Masse – und eine deutlich komplexere Vernetzung

 

Was ist Deep Learning?

Im Grunde geht es bei Deep Learning darum, neuronale Netze mit mehr Neuronen, mehr Schichten und mehr Verbindungen zu bilden. Wir sind noch weit davon entfernt, das menschliche Gehirn in seiner ganzen Komplexität zu imitieren, aber wir bewegen uns in diese Richtung.

Bei Meldungen über Fortschritte im Computerwesen, von den autonomen Fahrzeugen über Supercomputer, die Go-Weltmeister schlagen, bis hin zur Spracherkennung, immer steckt irgendwo Deep Learning dahinter. Man sieht eine Form von künstlicher Intelligenz. Und hinter den Kulissen wird diese KI durch Deep Learning auf Vordermann gebracht.

Anhand einiger Beispiele lässt sich am besten aufzeigen, wo die Unterschiede zwischen Deep Learning, einfacheren neuronalen Netzen oder anderen Formen des maschinellen Lernens liegen können.

 

Wie Deep Learning funktioniert

Ein Mensch erkennt ein Pferd auf einem Bild, auch wenn er dieses spezielle Bild noch nie gesehen hat. Dabei ist die Art, wie das Pferd dargestellt ist, ziemlich egal – ob es nun auf einem Sofa liegt oder zu Karneval als Nashorn verkleidet ist. Wir können ein Pferd erkennen, weil wir über die verschiedenen Elemente Bescheid wissen, die ein Pferd definieren: Form des Kopfs, Anzahl und Platzierung der Beine und so weiter.

Deep Learning kann nun genau dies auch. Für viele Dinge ist das absolut entscheidend, etwa eben für autonome Fahrzeuge. Bevor ein Auto selbständig etwas tut, müssen sowohl die Elemente der Umgebung als auch deren Bewegungen (inklusive der dazugehörigen Berechtigungen) zweifelsfrei identifiziert und kategorisiert sein. Das Fahrzeug muss in der Lage sein, Menschen, Fahrräder, andere Fahrzeuge, Verkehrszeichen und einiges mehr zu erkennen, und zwar auch unter erschwerten visuellen Bedingungen. Für Standardtechniken des maschinellen Lernens wäre dieser Job ein paar Nummern zu groß.

Ein anderes Beispiel ist die natürliche Sprachverarbeitung, die heute in Chatbots und Smartphone-Sprachassistenten verwendet wird. Ein für solche Systeme kniffliger Fall ist etwa der folgende Satz, bei dem das letzte Satzglied erst ergänzt werden soll: „Ich wurde in Italien geboren, und obwohl ich die meiste Zeit meines Lebens in Portugal und Brasilien gelebt habe, spreche ich immer noch fließend (…).“ Sie erkennen höchstwahrscheinlich schnell, dass die plausibelste Antwort „Italienisch“ ist – obwohl Sie auch mit den regionalen Sprachen Französisch, Griechisch, Deutsch, Sardisch, Albanisch, Okzitanisch, Kroatisch, Slowenisch, Ladinisch, Friaulisch, Katalanisch, Sardisch, Sizilianisch, Romani, Franco-Provencal und einigen mehr für Italien nicht ganz daneben lägen.

Aber: Überlegen Sie einmal kurz, welche gedanklichen Voraussetzungen gegeben sein müssen, um die genannte Schlussfolgerung zu ziehen:

Zuerst müssen Sie wissen, dass das fehlende Wort eine Sprache ist. Das könnte funktionieren, wenn Sie "Ich spreche fließend..." richtig verstehen. Um auf „Italienisch“ zu kommen, müssen Sie dann den Satz noch einmal durchgehen und die falschen Fährten „Portugal“ und „Brasilien“ konsequent aussortieren. "Ich bin in Italien geboren" bedeutet ja potentiell (!), dass man Italienisch lernt, während man aufwächst (mit 93prozentiger Wahrscheinlichkeit laut Wikipedia) – vorausgesetzt, Sie verstehen die Implikationen der Geburt, die weit über den Tag der Geburt hinausgehen. Erst die Kombination von "obwohl" und "noch" macht schließlich ersichtlich, dass es nicht Portugiesisch sein kann, und schmeißt Sie – hoffentlich! – zurück auf Italien. Italienisch ist also die wahrscheinliche Antwort.

Stellen Sie sich vor, was dabei im neuronalen Netzwerk Ihres Gehirns passiert. Begriffliche Operatoren wie "in Italien geboren" und "obwohl...noch" sind Inputs für ganz andere Teile Ihres Gehirns, während Sie noch dabei sind, die lexikalische Bedeutung der Satzteile zu entschlüsseln. Und dieses Konzept wird dann über komplexe Rückkopplungsschleifen auf tiefe neuronale Netze übertragen… Also, das ist kein Spaziergang für eine Software.

 

Fazit

Damit hätten wir die wesentlichen Hintergründe der ersten Definitionen am Anfang des Artikels herausgearbeitet. KI bezieht sich auf Geräte, die in irgendeiner Weise menschenähnliche Intelligenz aufweisen. Es gibt viele Techniken für KI, aber eine Teilmenge dieser größeren Liste ist maschinelles Lernen – mit anderen Worten: Algorithmen aus den Daten lernen lassen. Deep Learning schließlich ist eine der verschiedenen Arten maschinellen Lernens, bei der vielschichtige neuronale Netze verwendet werden, um die für Computer schwierigsten Probleme zu lösen.

Wenn Sie bereits soweit sind, mit dem Einsatz maschinellen Lernens zu beginnen, probieren Sie Oracle Cloud kostenlos aus und erstellen Sie Ihren eigenen Datalake, um einige dieser Techniken auszuprobieren. Falls Sie zuvor noch mehr über maschinelles Lernen erfahren wollen, laden Sie unser kostenloses eBook "Demystifying Machine Learning" herunter..

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Cesar Ortiz, Principal Solution Engineer.

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.