2462202

So unterscheiden sich Machine Learning, KI und Deep Learning

14.11.2019 | 10:03 Uhr |

Eine künstliche Intelligenz (KI) zu entwickeln, kann sehr komplex sein, sie zu verstehen, ist aber nicht allzu schwierig.

Die meisten bisher existierenden KIs sind oft nur gut im Raten. Dazu muss die KI allerdings zuerst mit Daten gefüttert werden. Damit ist sie einem menschlichen Gehirn gar nicht so unähnlich. Denn im Prinzip macht eine KI das, was unser Gehirn jeden Tag tut – das Wissen zu nutzen, das wir bereits besitzen, um Vermutungen über Dinge anzustellen, die wir nicht kennen.

Was eine KI aber von einem Programm unterscheidet, ist die Tatsache, dass Entwickler eine künstliche Intelligenz nicht speziell für einen Einsatzzweck schreiben müssen. Denn der KI lassen sich durch maschinelles Lernen (Machine Learning) Dinge beibringen, und sie kann sich diese Informationen dank Deep Learning auch selbst vermitteln. Wo nun liegen die genauen Unterschiede zwischen diesen drei Technologien?

KI: Eine künstliche Intelligenz ist eine Maschine, die in der Lage ist, menschliches Verhalten nachzuahmen. Dabei ist es Künstliche Intelligenzen entwickeln sich dank neuer Technologien wie Machine Learning und Deep Learning immer weiter. Die Verfahren unterscheiden sich. egal, ob es sich um eine einfache KI handelt, die logische Abläufe stur befolgt, oder um einen fast schon menschlichen Computer, der sich dank einer Vielzahl von Sensoren mit immer neuen Eindrücken versorgt, daraus lernt und dieses Wissen auf neue Situationen selbstständig anwendet. Vor allem letzterer Punkt ist dank Hollywood bei vielen Menschen im Kopf: Eine übermenschliche KI, die dank ihrer High-Tech-Implementierungen mit allem fertig wird. Doch bisher sind die künstlichen Intelligenzen noch recht einfach gestrickt – auch wenn Amazons Alexa eine unterhaltsame, digitale Assistentin ist, kommt sie aktuell nicht an das menschliche Gehirn heran.

Maschinelles Lernen oder auch Machine Learning ist eine Teilmenge einer KI, bei der Maschinen von Menschen trainiert werden, um Muster in Daten zu erkennen und auf dieser Basis Vorhersagen zu treffen. Ohne maschinelles Lernen wären künstliche Intelligenzen auf ellenlange Listen beschränkt, die folgendermaßen aufgebaut wären: Falls X wahr ist, führe Y aus, sonst tritt Z in Kraft. Die Buchstaben stehen hier natürlich für bestimmte Aktionen.

Machine Learning gibt Computern die Möglichkeit, Dinge zu lernen, für die sie gar nicht programmiert sind. Ein Beispiel: Nehmen wir an, die KI soll Katzen erkennen. Hierfür muss sie zuerst mit Informationen über die charakteristischen Eigenschaften von Katzen gefüttert werden – etwa Formen und Farben. Als Nächstes werden der KI mehrere Katzenbilder gezeigt, die alle deutlich mit dem Wort Katze gekennzeichnet sind. So lernt die KI noch viele weitere relevante Eigenschaften, um selbstständig Katzen zu erkennen. Hat die künstliche Intelligenz genug Katzen gesehen, sollte sie die Haustiger auf fremden Bildern erkennen können. Dafür gleicht die KI die gespeicherten und erlernten Eigenschaften mit dem aktuellen Bild ab und kann dann mit einer hohen prozentualen Genauigkeit sagen, dass auf dem Bild eine Katze abgebildet ist.

Über maschinelles Lernen lässt sich vereinfacht sagen: Menschen vermitteln Computern, wonach sie suchen sollen, und die PCs verfeinern diese Kriterien, bis sie ein Modell haben. Dank Machine Learning werden Sie vor Mailspam geschützt, von Netflix mit passenden Filmen versorgt und bekommen von Facebook die Themen angezeigt, die Sie interessieren.

Deep Learning hingegen ist eine Teilmenge des Machine Learning und bedeutet, dass die Maschine selbstständig lernt – das macht die Technologie zu einem der aktuell wichtigsten Verfahren in Sachen KI-Entwicklung. Die Technik lässt sich auch als maschinelles Lernen mit riesigen, neuronalen Netzwerken betrachten, die dem menschlichen Gehirn sehr nahekommen. Der Hauptunterschied: Der Mensch muss einem Deep-Learning-Programm erst einmal beibringen, wie Katzen aussehen. Sobald es mit ausreichend Katzenbildern gefüttert ist, weiß es von selbst, wie eine Katze aussieht.

Das läuft folgendermaßen ab: Es werden idealerweise Unmengen verschiedener Katzenbilder eingespeist. Ein Algorithmus scannt die Fotos und arbeitet heraus, was sie gemeinsam haben. Jedes Foto wird außerdem in mehrere Detailstufen zerlegt: Von großen Formen bis hin zu kleinen Linien. Wiederholen sich bestimmte Formen und Linien besonders oft, wird der Algorithmus sie als besonders charakteristisch einstufen.

Nach der Fotoanalyse weiß der Algorithmus, welche Muster wohl am ehesten auf eine Katze hinweisen. Und alles, was der Mensch im Endeffekt dafür tun musste, war das Deep-Learning-Programm mit genügend Katzenfotos zu versorgen.

Tipp: Künstliche Intelligenz – eine Standortbestimmung

PC-WELT Marktplatz

2462202