Artificial Intelligence vs. Machine Learning vs. Deep Learning
Was ist der Unterschied?
Was ist der Unterschied?
In diesem Beitrag erkläre ich dir 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.
Möglicherweise ist dir in letzter Zeit mindestens einer dieser englischen oder deutschen Begriffe begegnet:
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.
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 ist der Spam-Filter in deinem E-Mail Postfach: 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 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.
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 ohne menschlichen Eingriff dazu lernen.
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 (Data Mining) 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:
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 und die Algorithmen weiter verfeinert. Diese Weiterentwicklung des Machine Learning wird als Deep Learning bezeichnet.
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.
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.
Die Programmiersprachen, die im Bereich Artificial Intelligence, Machine Learning und Deep Learning am häufigsten verwendet werden, sind:
Siraj Raval, einer der bekanntesten YouTuber im Bereich Machine Learning, hat zu diesem Thema ein interessantes Video veröffentlicht:
Du willst in 30 Tagen Python lernen? › Hier findest du unseren Python Komplettkurs.
(Korrekturgelesen von Markov Solutions)