Artificial Intelligence vs. Machine Learning vs. Deep Learning
Was ist der Unterschied?
In diesem Beitrag lernst du einfach und unkompliziert, was der Unterschied zwischen den 3 Begriffen Artificial Intelligence (=künstlicher Intelligenz), Machine Learning und Deep Learning ist und wie diese Technologien funktionieren.
Wahrscheinlich ist dir in letzter Zeit mindestens einer dieser englischen oder deutschen Begriffe begegnet:
- Artificial Intelligence (AI) = Künstliche Intelligenz (KI)
- Machine Learning (ML) = Maschinelles Lernen (ML)
- Deep Learning (DL)
- Large Language Model (LLM)
- Generative Pretrained Transformer (GPT)
- Artificial Neural Network (ANN) bzw. Neural Network = Neuronales Netwerk
- Data Mining
- Augmented Reality (AR)
- Virtual Reality (VR)
Da die englischen Begriffe weiter verbreitet sind, verwenden wir hier diese. Außerdem beschränken wir uns auf die 3 Hauptbegriffe Artificial Intelligence, Machine Learning und Deep Learning. Alle anderen Begriffe können diesen 3 Begriffen entweder untergeordnet werden oder es handelt sich um grundlegend andere Technologien.
Beispielsweise sind Augmented Reality (AR) und Virtual Reality (VR) andere Technologien, in denen Artificial Intelligence ebenfalls teilweise zum Einsatz kommt. Diese werden in anderen Beiträgen oder Online-Kursen erklärt.
1 | Artificial Intelligence (Künstliche Intelligenz)
Artificial Intelligence ist ein Überbegriff und beschreibt den groben Ansatz, mit Maschinen intelligentes menschliches Verhalten zu imitieren, um dadurch Probleme zu lösen.
Dieser Ansatz ist keineswegs neu: Zum erstem Mal wurde der Begriff „Artificial Intelligence“ im Jahre 1956 auf der Dartmouth Conference im Rahmen eines Workshops vorgestellt. Richtig relevant wurde AI aber erst in den letzten Jahren, besonders ab 2015. Das liegt zum einen an der Rechenleistung, die sich in den letzten Jahren stark verbessert hat und zum anderen an der Verfügbarkeit von Daten (z. B. Bilder und Videos im Internet), die ebenfalls stark zugenommen hat. Wieso genau diese beiden Punkte so wichtig sind, werden wir gleich klären.
Ein einfaches, allgemeines Beispiel für den Einsatz von AI könnte ein regelbasierter Spam-Filter in deinem E-Mail-Postfach sein: Eine Person würde anhand von Merkmalen (Absender-Adresse, bestimmte Wörter in der Betreffzeile, etc.) bestimmte E-Mails manuell aussortieren. Dieser Prozess lässt sich auch „künstlich“ abbilden: Indem man ein Programm schreibt, das genau diese Aufgabe übernimmt und die E-Mails anhand von den Merkmalen für uns aussortiert. Hierbei wurde intelligentes, menschliches Verhalten imitiert – es handelt sich also um eine einfache Form von AI.
Allerdings wäre diese AI in ihren Fähigkeiten sehr beschränkt. Was passiert, wenn die Versender der Spam E-Mails ihre Absender-Adresse oder die Wörter in der Betreff-Zeile ändern? Dann würde der Spam-Filter schon nicht mehr funktionieren.
Man braucht also eine Technologie, die von selbst dazu lernt und sich entsprechend anpasst. Diese Technologie ist bereits im Einsatz – Machine Learning.
Fortgeschrittene Spam-Filter verwenden Machine Learning, um Spam-Muster automatisch zu erkennen und sich an neue Tricks der Absender anzupassen.
2 | Machine Learning
Machine Learning ist eine Technologie, die eingesetzt wird, um Artificial Intelligence zu erreichen.
Zunächst werden dabei Daten (z. B. Bilder, Videos, Audiodateien, Statistiken, etc.) gesammelt und in das Programm eingespeist – das nennt man Input. Diese Daten werden dann an das Programm weitergegeben, das mithilfe eines komplexeren Algorithmus die Daten analysiert und Vorhersagen macht bzw. Entscheidungen trifft. Die besondere Eigenschaft ist, dass Machine-Learning-Programme während des Lernprozesses ohne direkten menschlichen Eingriff dazulernen. (Allerdings ist menschliche Intervention bei der Datenvorbereitung, Auswahl des Algorithmus und Überwachung des Modells notwendig.)
Um auf unser Beispiel mit dem Spam-Filter zurückzukommen: Zuerst würde man dem System viele verschiedene Nicht-Spam-Mails zeigen. Dann würde ihm viele verschiedene Spam-Mails zeigen. Das System analysiert diese E-Mails, findet Unterschiede und Gemeinsamkeiten und bildet seine eigenen Regeln, auf denen basierend es eine E-Mail als Spam oder Nicht-Spam einstuft. Ein Machine-Learning System lernt also dazu und wird mit mehr Daten intelligenter. Die allgemeine Wissenschaft, die sich mit Daten, Statistiken, Algorithmen und Machine Learning befasst, nennt man Data Science.
Weitere alltägliche Beispiele für den Einsatz von Machine Learning sind:
- Die Gesichtserkennungfunktion deines Smartphones
- Die Auslieferung der Ergebnisse bei deiner Google-Suche
- Die Wettervorhersage
- Die Serien- und Produktvorschläge auf Netflix, Youtube und Amazon
- Digitale Assistenten wie Siri und Alexa, sowie Übersetzungsprogramme und Chatbots, die menschliche Sprache verstehen, generieren und Aufgaben lösen können
Allgemein gilt beim Machine Learning die Regel: Je mehr Daten der Algorithmus bekommt, desto präziser das Ergebnis.
In den letzten Jahren wurden immer mehr Datenmengen verfügbar, die Rechenleistung wurde durch die Weiterentwicklung sogenannter GPUs (Graphics Processing Units) optimiert. Zusätzlich kommen spezialisierte Hardware wie TPUs (Tensor Processing Units) zum Einsatz, die speziell für Deep Learning entwickelt wurden.
Deep Learning ist eine spezialisierte Methode innerhalb des Machine Learning, die auf tiefen neuronalen Netzwerken basiert und besonders für die Verarbeitung großer Datenmengen geeignet ist.
Data Mining bezieht sich auf das Extrahieren von Informationen aus großen Datenmengen und wird in verschiedenen Kontexten eingesetzt, ist aber nicht direkt ein Teil von Machine Learning.
3 | Deep Learning
Beim Deep Learning handelt es sich um die Weiterentwicklung des Machine Learning. Die Technologie macht dabei Gebrauch von sogenannten neuronalen Netzwerken (engl. Neural Networks oder auch Artificial Neural Networks).
Diese Artificial Neural Networks (ANN) sind ursprünglich inspiriert von der Funktionsweise des menschlichen Gehirns:
Wenn das Gehirn Informationen erhält, versucht es diese zu entziffern, indem es die Informationen anhand von Merkmalen kategorisiert. Erhält es eine neue Information, so wird diese mit den bereits vorhandenen Informationen verglichen, um diese Information zu interpretieren. Hierbei handelt es sich um eine sehr grobe Beschreibung. In der Realität sind es hochkomplexe Prozesse, der innerhalb von Sekundenbruchteilen ablaufen. Zwar wurde anfangs versucht dies künstlich nachzuahmen, mittlerweile machen ANNs aber Gebrauch von komplizierten Algorithmen, die nur noch wenig mit dem menschlichen Gehirn gemeinsam haben.
Diese Deep-Learning-Algorithmen sind weitaus komplexer, als die im “traditionellen” Machine Learning eingesetzten. Ein bekanntes Beispiel für Deep-Learning-Modelle sind LLMs (Large Language Models), die für die Verarbeitung und Generierung natürlicher Sprache entwickelt wurden. LLMs wie GPT (Generative Pretrained Transformer) basieren auf tiefen neuronalen Netzwerken und können durch ihre enorme Datenverarbeitungskapazität komplexe sprachliche Aufgaben lösen, wie zum Beispiel Textgenerierung, Übersetzung und Beantwortung von Fragen.
Um dabei akkurate Ergebnisse zu erzielen, werden beim Deep Learning enorme Datenmengen und damit auch eine extreme Rechenleistung benötigt, die wir nach dem heutigen Stand der Technologie gerade erst erreichen. Die Zukunft wird also spannend.
Welche Programmiersprache sollte ich dafür lernen?
Die Programmiersprachen, die im Bereich Artificial Intelligence, Machine Learning und Deep Learning am häufigsten verwendet werden, sind:
Du willst in 30 Tagen Python lernen? › Hier findest du unseren Python Komplettkurs.
