Als Ende 2022 die neue Version von ChatGPT veröffentlicht wurde, überschlugen sich die Medien erneut und berichteten wahlweise über Artificial Intelligence (AI/KI), Machine Learning (ML) oder Deep Learning (DL). Doch obwohl die Begriffe oft als das Gleiche wahrgenommen werden, sind AI, ML und DL keineswegs Synonyme. In diesem Artikel erklären wir - ohne allzu wissenschaftlich zu werden - die Unterschiede zwischen den drei Begriffen. Weitere inflationär benutzte Buzzwords wie Smart Data, Cognitive Computing oder Predictive Analytics klammern wir dabei bewusst aus.
Inhalt:
- Artificial Intelligence aka AI aka künstliche Intelligenz aka KI
- Der Siegeszug des Machine Learning
- Deep Learning und künstliche neuronale Netze
- Fazit
Artificial Intelligence ist der weiter gefasste Begriff von Maschinen, die in der Lage sind, Aufgaben menschenähnlich (oder besser) und autonom auszuführen. Grundsätzlich wird zwischen starker und schwacher künstlicher Intelligenz unterschieden. Die starke künstliche Intelligenz hätte alle Merkmale der menschlichen Intelligenz und entspricht am ehesten dem Hollywood-Klischee à la C-3PO, Terminator oder Ava aus Ex Machina. Die schwache AI beschreibt Maschinen, die fähig sind in einem Bereich quasi-intelligent zu handeln, z. B. im Aktienhandel, der Bilderkennung oder im Go-Spielen.
Bereits hier könnten wir natürlich abbrechen und wahlweise in eine wissenschaftliche oder philosophische Diskussion einsteigen. Denn eine genaue Definition von Intelligenz gibt es aufgrund einer unmöglichen Gewichtung und Abgrenzung kognitiver Fähigkeiten nicht.
Die Ideen von intelligenten, mechanischen Menschen oder die Schöpfung intelligenter Maschinen, sind nichts Neues. Diese Themen finden sich bereits in griechischen Mythen, in Gedanken wie dem Laplaceschen Dämon oder dem Homunculus. Der Begriff der künstlichen Intelligenz entstand und auch die Erforschung selbiger begann allerdings erst in den 1950er Jahren.
John McCarthy organisierte 1956 eine 6-wöchige Konferenz namens Dartmouth Summer Research Project on Artificial Intelligence und begründete somit AI als Forschungsgebiet. Die Euphorie in den ersten Jahren war enorm, so sagte Herbert Simon, der an der Dartmouth-Konferenz ebenfalls teilnahm: "Maschinen werden innerhalb von 20 Jahren alles können, was Menschen auch können". Die wenigsten Prognosen traten allerdings tatsächlich ein. Denn obwohl AI viele für Menschen schwierige Probleme lösen konnte, scheiterte sie an für Menschen einfache Aufgaben, die nicht oder nur sehr schwer über mathematische Regeln lösbar waren, z. B. die Sprach- oder Bilderkennung. 1996 rückte die künstliche Intelligenz dann zum ersten Mal ins Bewusstsein der allgemeinen Bevölkerung, als der IBM-Schachcomputer Deep Blue den damals amtierenden Weltmeister im Schach, Garri Kasparow, besiegte.
In letzter Zeit sind die Fähigkeiten lernender Systeme allerdings stark gestiegen, was am Siegeszug des Machine Learning liegt. Zwar prägte Arthur Samuel bereits 1959 den Begriff des Machine Learning als "...Field of study that gives computers the ability to learn without being explicitly programmed." Doch lange haben Forscher weniger auf selbstlernende Systeme gesetzt, sondern versucht, menschliche Denkprozesse regelbasiert mit menschengeschriebenem Code nachzubauen.
Deep Learning wiederum ist ein Anwendungsbereich des Machine Learning und basiert wie ML auf der Nachahmung des menschlichen Gehirns. Deep Learning arbeitet mit sehr vielschichtigen künstlichen neuronalen Netzwerken. Deep beschreibt hierbei, dass das Netz sehr tief ist. Die erste Schicht, der Input-Layer, nimmt Eingabedaten auf, verarbeitet diese und übermittelt sie an die nächsten Schichten, die Hidden Layer. Diese versteckten Schichten nehmen die Informationen ebenfalls auf, wandeln sie um und geben sie über alle Ebenen des Netzwerks weiter. In der letzten Schicht, dem Output-Layer, wird das Ergebnis ausgegeben. Im Wesentlichen lernen diese Netzwerke wie eine Menge A auf eine Menge B abzubilden ist. Jede Schicht lernt eine höhere Abstraktionsebene, angefangen von Strichen in Bildern, über einfache Formen wie Kreise, Vierecke bis hin zu komplexen Strukturen wie Gesichtern. Mit diesem neu gewonnenen Wissen können die Erkenntnisse dann auf andere Datensätze übertragen werden. Als Faustregel gilt beim Deep Learning: Je mehr Daten für ein Training zur Verfügung stehen, desto genauer werden die späteren Aussagen. Deep Learning ist die Basis für die meisten aktuellen AI-Anwendungen - wie beispielsweise AlphaGo, aber auch Siri, Alexa oder dem Google Assistant.
Zusammengefasst lässt sich also sagen, dass es meistens um Deep Learning geht, wenn heute von AI oder deren aktuellen Anwendungsfeldern gesprochen wird. Deep Learning ist allerdings nur ein Teilgebiet des Machine Learning, das wiederum Teilgebiet von AI ist. Aus unserer Sicht spielt es im Praxisalltag oder beim Einsatz der Methoden keine allzu große Rolle, welche Begriffe man nutzt. Gerade im amerikanischen Sprachraum wird Artificial Intelligence häufig für Machine-Learning-Systeme verwendet. Man sollte nur wissen, was man tut.
Noch Fragen?
Was bedeutet Machine Learning und wie kann Ihr Unternehmen vom Einsatz profitieren? Erfahren Sie, wie wir Sie beim Thema Machine Learning unterstützen können:
Lukas Mester - arbeitet als Marketing Manager bei iteratec. Er ist begeistert von digitaler Transformation und Innovationsmanagement.