Lesezeit: 5 Minuten

Künstliche Intelligenz vs. Maschinelles Lernen vs. Deep Learning

Wir alle halten uns gerne für ein wenig schlauer, als Arthur C. Clarke mit seiner ikonischen Kritik behauptet hat: "Jede hinreichend fortgeschrittene Technologie ist von Magie nicht zu unterscheiden."

Wir wissen, wer Oz hinter dem Vorhang steuert, und wir sind noch nicht ganz davon überzeugt, dass KI so gefährlich ist wie Atomwaffen oder ein "unsterblicher Diktator, dem wir niemals entkommen können." Es ist einfach nur angewandte Mathematik und Statistik auf Hochschulniveau, die zu ihrer logischen Schlussfolgerung geführt haben.

Aber verstehen wir wirklich den Unterschied zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning? Oder plappern wir den Fachjargon nur nach, um uns anzupassen?

Trotz der Beteuerungen des Gründers und CEO von DeepLearning.AI, Andrew Ng, die besten Beteuerungen von "Mach dir keine Sorgen, wenn du es nicht verstehst", müssen wir es tatsächlich verstehen. Vielleicht hat es der große Unternehmer und Alleskönner Mark Cuban auf dem Upfront Summit 2017 besser ausgedrückt: "Künstliche Intelligenz, Deep Learning, maschinelles Lernen - was auch immer Sie tun, wenn Sie es nicht verstehen, lernen Sie es. Denn sonst sind Sie innerhalb von drei Jahren ein Dinosaurier."

Diese drei Begriffe werden austauschbar verwendet, aber sie sind nicht dasselbe. Ganz und gar nicht. Sie sind eher wie drei Schichten einer Matrjoschka-Schachtelpuppe. Deep Learning ist eine spezielle Art des maschinellen Lernens. Und maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz.

Angesichts der steigenden Erwartungen der Verbraucher muss jedes Unternehmen beginnen, über seine eigene Beziehung zu diesen Technologien nachzudenken. Wir alle kennen BD (Big Data), und wir alle wissen, dass wir einen Plan brauchen, um mit Milliarden von Dateien, Codezeilen, Bildern, Videos, nutzergenerierten Inhalten und Marktinformationen zu interagieren. Diese drei technologischen Innovationen (die eigentlich nur eine sind) ermöglichen es uns, die Rechenleistung von Maschinen zu nutzen, um unsere eigenen Fähigkeiten zu erweitern. Wir sind sprichwörtlich "zu nah dran für Raketen und wechseln zu Kanonen", wie es heißt.

Wie kann man also diese Schichten entschlüsseln und die Auswirkungen verstehen? Lassen Sie uns gemeinsam über die Zukunft der Technologie ins Gespräch kommen.

Künstliche Intelligenz

In ihrer grundlegendsten Definition ist KI jedes Programm, das ähnlich wie die menschliche Intelligenz denken, handeln oder sich anpassen kann. Es handelt sich um Silizium-Hardware und elektrische Impulse, die den menschlichen Verstand imitieren. Nicht unheimlich, sondern nützlich.

Dies ist eine breite, weitreichende Kategorie der Technologieprogrammierung, die zur Beschreibung fast aller intelligenten Maschinen oder Systeme verwendet werden kann. Im Guten wie im Schlechten wird der Begriff heute auf fast jede Plattform und jedes SaaS-Angebot angewandt. KI ist mittlerweile in aller Munde.

Auch bei der KI gibt es viele verschiedene theoretische Ansätze. Manche Maschinen reagieren nur, ohne frühere Erfahrungen in neue Entscheidungen einfließen zu lassen. Andere verfügen über ein Kurzzeitgedächtnis, während wieder andere versuchen, menschliche Emotionen zu erfassen und Entscheidungen zu verstehen. Theoretisch kann eine KI sogar selbstbewusst sein und nicht nur unsere emotionalen Zustände und Reaktionen verstehen, sondern auch ihre eigenen inneren Gefühle und die damit verbundenen angemessenen Interaktionen.

In unserer Welt ist es sinnvoller, KI in einzelne Kategorien zu unterteilen, die dem Zweck und den Fähigkeiten einer bestimmten Anwendung entsprechen:

Künstliche Enge Intelligenz (ANI) Programme erfüllen eine bestimmte Aufgabe. Der Umfang ist begrenzt, und die entsprechenden "menschlichen Verhaltensweisen" sind einfacher (z. B. Identifizieren Sie die Personen auf diesen Fotos. Den Gewinner dieser Schachpartie vorhersagen. Genaue Suche nach der gewünschten Datei mit begrenzten Parametern). Im Wesentlichen berechnet ANI die Wahrscheinlichkeit des Ergebnisses dieses Ereignisses, wenn bestimmte Eingaben vorliegen. Von Chatbots und virtuellen Assistenten bis hin zu prädiktiven Echtzeit-Analysen und intelligenter Suche - diese unendlich nützliche und weit verbreitete Technologie ist das, was wir meinen, wenn wir heute von künstlicher Intelligenz sprechen.

Künstliche allgemeine Intelligenz (AGI) ist eine KI, die auf Augenhöhe mit Ihnen und mir ist - oder sogar mit der Handvoll Sterblicher, die klüger sind als wir. Sie ist emotional intelligent, empathisch und differenziert. Und sie existiert noch nicht. Zumindest nicht, dass wir davon wüssten.

Künstliche Superintelligenz (ASI) ist die KI, die uns in unseren Träumen heimsucht und in den Ecken unserer Albträume lauert. Dies ist die Art von KI, die die menschliche Intelligenz und Fähigkeit übertreffen würde, die Art von KI, die Hollywood in dystopischen SciFi-Serien (oder SciFi-Western) zeigt und uns alle die Frage nach dem Risiko/Nutzen der KI-Forschung stellen lässt. Außerdem ist sie im Moment unwahrscheinlich.

Maschinelles Lernen

Die KI wird immer intelligenter. Je mehr Daten der Algorithmus erhält, desto intelligenter wird er im Laufe der Zeit in Bezug auf neue Daten einer ähnlichen Gruppe. Im Gegensatz zum Deep Learning ist beim maschinellen Lernen (ML) ein menschliches Eingreifen zur Verbesserung erforderlich.

Im Wesentlichen ist ML eine Möglichkeit, KI in spezifischen Anwendungen zu nutzen, um auf unglaublich große Datensätze zuzugreifen und die Zukunft auf der Grundlage statistischer Daten vorherzusagen. Sie funktioniert mit strukturierten und unstrukturierten Daten und ist damit eine wichtige Komponente für unser Wachstum. bat365 CloudFS.

Insbesondere ML ist ein wichtiger Bestandteil der Automatisierung. Mithilfe von Daten können wir Algorithmen lehren, zukünftige Datenergebnisse intelligenter vorherzusagen, und wir können die Vorhersagearbeit auf digitale Pfade übertragen, die unsere neuronalen Netze entlasten. Ob es sich nun um prädiktive Cybersicherheitsprotokolle, intelligente Suchvorgänge oder Prognosen und Optimierungen für eine bestimmte Branche wie Finanzdienstleistungen oder Geoinformatik handelt, ML stärkt unsere eigene Intuition beim Lesen von Daten und Treffen von Entscheidungen.

ML ernährt sich von Daten. Heute sind das vor allem traditionelle Datensätze und Algorithmen wie Clustering, Klassifizierung und Regressionsanalyse. Je mehr gute Daten man hat, desto besser ist die Leistung des Modells im Laufe der Zeit. Da ML auf der Grundlage der Differenz bzw. der Fehlerquote zwischen etablierten "Grundwahrheiten" und seinen Vorhersagen arbeitet, ist es ein sich selbst optimierendes System, das sich in dem Maße weiterentwickelt, wie die Qualität der Daten, mit denen es als Grundlage für seine Operationen gefüttert wird, steigt.

Da maschinelles Lernen immer noch eine weit gefasste Kategorie der künstlichen Intelligenz ist (im Gegensatz zum Deep Learning), definieren wir oft, was wir unter ML verstehen, indem wir das ihm zugewiesene Ziel festlegen. Beginnen Sie damit, den Anwendungsbereich eines ML-Algorithmus festzulegen. Jetzt verstehen Sie seinen Zweck und können die richtigen Daten zur Maximierung seines Werts innerhalb Ihrer Technologieanwendung verwenden, z. B. intelligente Suchfunktionen oder prädiktive Analysen in einem bestimmten Kontext.

Tiefes Lernen

Jetzt haben wir uns auf eine Untergruppe des maschinellen Lernens gestürzt. Deep Learning (DL) verwendet Schichten von neuronalen Netzen, um riesige Datenseen anzuwenden. Die Tiefe des neuronalen Netzes definiert Deep Learning - ein echter Deep Learning-Algorithmus hat mindestens drei Knoten neuronaler Netze, einschließlich Eingabe und Ausgabe.

Hier nähern wir uns der magischen Wissenschaft von Arthur C. Clarke. Deep Learning macht einen großen Teil der menschlichen Eingriffe überflüssig, die beim maschinellen Lernen erforderlich sind. Es handelt sich um einen selbstlernenden Algorithmus, der die schiere Menge der verfügbaren Daten nutzt, um die Vorhersageleistung zu verbessern, und der neue Ebenen der Komplexität dessen eröffnet, was automatisiert werden kann. Laut MIT handelt es sich dabei um skalierbares maschinelles Lernen - und es ist die Zukunft insbesondere für unstrukturierte Daten.

Deep Learning ist der Bereich, in dem die künstliche Intelligenz dem menschlichen Gehirn heute am nächsten kommt. Deep Learning geht über fortgeschrittene statistische Analysen hinaus und kann intelligente Entscheidungsfindungen durch ein nicht-menschliches Gehirn ermöglichen.

Neuronale Netze sind das Rückgrat des Deep Learning. Eine Eingabeschicht nimmt Eingaben aus Daten entgegen. Eine verborgene Schicht identifiziert Merkmale, die bei der ersten Analyse der Daten verborgen wurden. Und eine Ausgabeschicht liefert die entsprechende Ausgabe. Diese mehrschichtige Struktur der Datenanalyse ist es, die Deep Learning vom maschinellen Lernen unterscheidet. Sie ermöglicht es Deep Learning auch, Aufgaben zu lösen, bei denen sich etablierte maschinelle Lernmodelle als unzureichend erweisen.

Fortschritte beim Deep Learning sind die treibende Kraft hinter einem Großteil der interaktiven KI, die wir heute erleben - von selbstfahrenden Autos über virtuelle Assistenten bis hin zu Sprachübersetzungsfunktionen in Echtzeit. Da Deep Learning mit komplexen gewichteten Verzerrungen in den Eingaben umgehen kann und dann die Ausgaben auf der Grundlage des Ziels der Fehlerratenreduzierung zurückverfolgt, ist es von Natur aus selbstoptimierender als maschinelles Lernen.

Am vielversprechendsten für die Zukunft von bat365ist vielleicht das Deep Learning, das die Merkmalsextraktion über die Grenzen des maschinellen Lernens hinaus erweitert. Anstatt mit flachen Algorithmen zu arbeiten, die eine Vorverarbeitung der Datenmerkmale erfordern, kann Deep Learning Rohdaten nehmen und intelligente Suchalgorithmen ausführen, ohne die zugrunde liegende Kategorisierung oder Klassifizierung der Daten. Diese Algorithmen verstehen die implizite Darstellung von Rohdaten ohne menschliche Eingaben und eröffnen so die Zukunft unstrukturierter Daten.

Verschiebung des Kräfteverhältnisses im Kampf gegen Ransomware.

Whitepaper herunterladen
bat365-Datenblatt-Detect-and-rescue-header-min (1)

Der Aufstieg der Maschinen

Unabhängig davon, ob Sie Entscheidungsbäume und logische Regression verstehen oder sich mit der Definition eines Naïve Bayes-Klassifikators schwer tun, müssen Sie die Unterschiede zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning verstehen. Alle drei werden sich auf Ihre Zukunft, die Zukunft Ihrer Daten und die Zukunft Ihres Unternehmens auswirken.

Auf dem Weg zu einem codegesteuerten Äquivalent des menschlichen Gehirns werden wir immer mehr an Produktivität, Geschwindigkeit, Intelligenz und Speicherplatz gewinnen. Wir werden mehr Zugang zu mehr Daten haben als je zuvor. Die Teams, die lernen, diese Informationen zu nutzen und sie zur Verbesserung der Kundenerfahrung, der Markteinführungsstrategie und der Produktentwicklung einzusetzen, werden gewinnen. Alle anderen werden sich fragen, was passiert ist, als die Maschinen sie ersetzt haben.

Wir können es uns nicht leisten, diese Konzepte nicht zu verstehen. Auch ohne einen Doktortitel in Informatik können wir die Zukunft sehen, und sie sieht sehr nach algorithmusgesteuerter Intelligenz in Verbindung mit den Emotionen, der Kreativität, dem Wunsch und dem Antrieb des lebenden Menschen aus. Der menschliche Funke wird niemals durch Elektronen ersetzt werden können, aber er kann mit den richtigen Daten erheblich verbessert werden.