Einführung
In den letzten Jahren tauchen die Begriffe künstliche Intelligenz und maschinelles Lernen immer häufiger in Technologienachrichten und auf Websites auf. Oft werden die beiden als Synonyme verwendet, aber viele Experten argumentieren, dass es subtile, aber echte Unterschiede gibt.
Und natürlich sind sich die Experten manchmal nicht einig darüber, worin diese Unterschiede bestehen.
Generell scheinen jedoch zwei Dinge klar zu sein: Erstens ist der Begriff künstliche Intelligenz (KI) älter als der Begriff maschinelles Lernen (ML) und zweitens betrachten die meisten Menschen maschinelles Lernen als eine Teilmenge der künstlichen Intelligenz.
Künstliche Intelligenz vs. maschinelles Lernen
Obwohl KI auf viele Arten definiert wird, wobei die am weitesten verbreitete Definition „der Bereich der Informatik ist, der sich der Lösung kognitiver Probleme widmet, die üblicherweise mit menschlicher Intelligenz verbunden sind, wie etwa Lernen, Problemlösung und Mustererkennung“, handelt es sich im Wesentlichen um die Idee, dass Maschinen über Intelligenz verfügen können.
Das Herzstück eines auf künstlicher Intelligenz basierenden Systems ist sein Modell. Ein Modell ist nichts anderes als ein Programm, das sein Wissen durch einen Lernprozess verbessert, indem es Beobachtungen über seine Umgebung anstellt. Diese Art von lernbasiertem Modell wird unter „überwachtes Lernen“ zusammengefasst. Es gibt weitere Modelle, die in die Kategorie der unbeaufsichtigten Lernmodelle fallen.
Auch der Begriff „maschinelles Lernen“ stammt aus der Mitte des letzten Jahrhunderts. Im Jahr 1959 Arthur Samuel definierte ML als „die Fähigkeit zu lernen, ohne explizit programmiert zu werden“. Und er entwickelte eine Computer-Checker-Anwendung, die eines der ersten Programme war, das aus seinen eigenen Fehlern lernen und seine Leistung im Laufe der Zeit verbessern konnte.
Wie die KI-Forschung geriet auch ML lange Zeit aus der Mode, wurde jedoch wieder populär, als das Konzept des Data Mining in den 1990er-Jahren aufkam. Beim Data Mining werden Algorithmen verwendet, um in einem bestimmten Satz von Informationen nach Mustern zu suchen. ML macht das Gleiche, geht dann aber noch einen Schritt weiter – es ändert das Verhalten seines Programms basierend auf dem, was es lernt.
Eine Anwendung von ML, die in letzter Zeit sehr beliebt geworden ist, ist die Bilderkennung. Diese Anwendungen müssen zunächst trainiert werden – das heißt, Menschen müssen sich eine Reihe von Bildern ansehen und dem System mitteilen, was auf dem Bild zu sehen ist. Nach Abertausenden von Wiederholungen lernt die Software, welche Pixelmuster im Allgemeinen mit Pferden, Hunden, Katzen, Blumen, Bäumen, Häusern usw. in Verbindung gebracht werden, und kann den Inhalt von Bildern recht gut erraten.
Viele webbasierte Unternehmen nutzen ML auch, um ihre Empfehlungsmaschinen anzutreiben. Wenn beispielsweise Facebook entscheidet, was in Ihrem Newsfeed angezeigt werden soll, wenn Amazon Produkte hervorhebt, die Sie möglicherweise kaufen möchten, und wenn Netflix Filme vorschlägt, die Sie möglicherweise ansehen möchten, basieren alle diese Empfehlungen auf Vorhersagen, die sich aus Mustern in den vorhandenen Daten ergeben.
Grenzen der künstlichen Intelligenz und des maschinellen Lernens: Deep Learning, neuronale Netze und kognitives Computing
Natürlich sind „ML“ und „KI“ nicht die einzigen Begriffe, die mit diesem Bereich der Informatik verbunden sind. IBM verwendet häufig den Begriff „Cognitive Computing“, der mehr oder weniger gleichbedeutend mit KI ist.
Einige der anderen Begriffe haben jedoch sehr einzigartige Bedeutungen. Beispielsweise ist ein künstliches neuronales Netzwerk oder neuronales Netz ein System, das entwickelt wurde, um Informationen auf eine Art und Weise zu verarbeiten, die der Funktionsweise biologischer Gehirne ähnelt. Die Dinge können verwirrend sein, da neuronale Netze in der Regel besonders gut im maschinellen Lernen sind, sodass diese beiden Begriffe manchmal vermischt werden.
Darüber hinaus bilden neuronale Netze die Grundlage für Deep Learning, eine besondere Art des maschinellen Lernens. Deep Learning nutzt einen bestimmten Satz maschineller Lernalgorithmen, die auf mehreren Ebenen ausgeführt werden. Dies wird zum Teil durch Systeme ermöglicht, die GPUs verwenden, um eine ganze Menge Daten auf einmal zu verarbeiten.
Wenn Sie all diese unterschiedlichen Begriffe verwirren, sind Sie nicht allein. Informatiker diskutieren weiterhin über ihre genauen Definitionen und werden dies wahrscheinlich auch noch einige Zeit lang tun. Und da Unternehmen weiterhin Geld in die Forschung zu künstlicher Intelligenz und maschinellem Lernen investieren, werden wahrscheinlich noch einige weitere Begriffe auftauchen, die die Themen noch komplexer machen.