Künstliche Intelligenz vs. maschinelles Lernen vs. Deep Learning | Der Unterschied

Die Begriffe Künstliche Intelligenz (KI), Machine Learning (ML) und Deep Learning (DL) sind heutzutage sehr gebräuchlich. Sie werden oft synonym verwendet, insbesondere wenn es um Big Data, Analytics sowie Suche und Indexierung geht. Obwohl diese drei Begriffe sehr verwandt sind, sind sie nicht dasselbe.

In der heutigen Geschichte erklären wir Ihnen, was KI, ML und DL genau sind und wie sie sich voneinander unterscheiden. Mach dir keine Sorge; wir werden keine komplizierten wissenschaftlichen Begriffe verwenden – wir halten es kurz und so einfach wie möglich.

Künstliche Intelligenz

KI ist die Unterabteilung der Informatik, die erstmals 1956 von John McCarthy geprägt wurde. Der Computer führt normalerweise Aufgaben aus, die wir befehlen. KI ist jedoch eine Möglichkeit, eine Maschine oder Software zu bauen, die wie der Mensch intelligent denken und sich selbst leistungsfähig machen kann. Dazu gehören Dinge wie das Verstehen von Sprache, das Erkennen von Geräuschen und Bildern, das Lernen, Planen und Lösen von Problemen.

Ein konventionelles Programm kann beispielsweise nur spezifische Fragen beantworten, das KI-Programm kann jedoch die allgemeinen Fragen beantworten.

Es gibt vier Arten von KI –

1. Vollständig reaktiv: Grundtyp, kann keine Rückschlüsse ziehen. Beispiel – AlphaGo von Google, DeepBlue von IBM
2. Begrenzter Speicher: Kann richtige Entscheidungen treffen und Maßnahmen ergreifen. Beispiel – Chatbots, selbstfahrende Fahrzeuge
3. Theorie des Geistes: Kann Gedanken und Emotionen verstehen und sozial interagieren. — Noch nicht gebaut*
4. Selbsterkenntnis: Kann Repräsentationen über sich selbst bilden, sich des Selbstzustands bewusst sein und kann Gefühle anderer vorhersagen. –Noch nicht gebaut*

*Obwohl es den dritten und vierten Maschinentyp nicht wirklich gibt, werden sie in Science-Fiction-Filmen wie R2D2 (Typ-3) aus Star Wars und Eva (Typ-4) aus Ex Machina demonstriert.

Maschinelles Lernen

ML ist eine Teilmenge der KI, die dem System die Fähigkeit verleiht, aus Erfahrung zu lernen, zu handeln und sich zu verbessern, ohne explizit programmiert zu werden. Anstatt alle Methoden explizit mit spezifischen Anweisungen zu schreiben, um eine bestimmte Aufgabe zu lösen, ist ML eine Technik zum Trainieren eines Programms, damit es aus früheren Erfahrungen lernen kann. Hier bezieht sich Training darauf, dem Programm eine große Datenmenge zuzuführen und es dem Programm zu ermöglichen, sich selbst zu konfigurieren und zu verbessern.

Wenn Sie beispielsweise dem ML-Algorithmus Tausende von Katzenbildern bereitstellen, erkennt er, wie eine Katze aussieht – ihre Größe, Farbe, Gesichtsform usw. Schließlich kann er Katzen in den Bildern identifizieren und automatisch markieren. Sobald die Genauigkeit hoch genug ist, kann der Algorithmus genau sagen, wie eine Katze aussieht.

Arten des maschinellen Lernens:

1. Betreut: Ermöglicht maschinelles Lernen durch Daten mit definierten Ausgaben.
2. Unbeaufsichtigt: Maschine versteht Daten (Muster/Struktur) und zieht Rückschlüsse aus Datensätzen.
3. Verstärkung: Ein Ansatz für KI, aus positiver und negativer Verstärkung lernen und die positiven Ergebnisse belohnen.

Deep Learning

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das sich mit Algorithmen befasst, die von der Struktur und Funktion des menschlichen Gehirns oder der Verbindung vieler Neuronen inspiriert sind. Diese Algorithmen sind als künstliche neuronale Netze (KNN) bekannt und imitieren die biologische Struktur des Gehirns.

Die Neuronen haben diskrete Schichten und Verbindungen zu anderen Neuronen. Man kann sich diese Schichten als verschachtelte Hierarchie verwandter Konzepte oder Entscheidungsbäume vorstellen. Jede Schicht ist in der Lage, ein bestimmtes Merkmal auszuwählen, um einen bestimmten Pfad zu lernen oder ihm zu folgen. Die Tiefe wird durch mehrere Ebenen aufgebaut. Je mehr Ebenen ein Netzwerk hat, desto tiefer/komplexer ist es.

Um gut trainiert zu sein, benötigen Deep-Learning-Netzwerke große Mengen an Elementen. Anstatt Code für jede Kante zu schreiben, die Elemente definiert, lernt das System aus Millionen von Datenpunkten.

Google Brain ist ein perfektes Beispiel für Deep Learning zur Erkennung von Katzen nach der Aufnahme von mehr als zehn Millionen Bildbeispielen. Diese Netzwerke müssen nicht mit bestimmten Kriterien codiert werden, die Elemente definieren; sie können Kanten identifizieren, nachdem sie einer großen Anzahl von Proben ausgesetzt wurden.

Im Oktober 2017 sagte Jeff Dean, Chef von Google Brain auf dem VB Summit in Berkeley –

Heute sind auf Deep Learning entwickelte Bilderkennungssysteme besser als Menschen – dies reicht von der Erkennung von Katzen bis hin zur Erkennung von Anzeichen für Blutkrebs und Tumoren in MRT-Scans.

Google AlphaGo trainierte mit dem Spiel Go (viel komplizierter als Schach) und verbesserte sein neuronales Netzwerk, indem es immer wieder gegen sich selbst spielte. Im März 2016 war es das erste Computerprogramm, das einen professionellen menschlichen Go-Spieler besiegte.

Lesen Sie: 18 Beste Schachengines basierend auf ihren Bewertungen

Visualisierung von KI ML und DL

Bildnachweis:Nvidia 

Der einfachste Weg, sich die Beziehung zwischen KI, ML und DL vorzustellen, besteht darin, sie als konzentrische Kreise zu visualisieren, in denen künstliche Intelligenz zuerst kommt, dann maschinelles Lernen und schließlich Deep Learning, das die gegenwärtige KI-Explosion vorantreibt.

Von der Pleite zum Boom

Künstliche Intelligenz ist Teil der menschlichen Vorstellungskraft und brodelt seit 1956 in Forschungslabors. Wir haben in 7 Jahren seit 2012 mehr Fortschritte gemacht als in den 25 Jahren davor bei zahlreichen zentralen KI-Problemen wie Text-Understatement, Signalverarbeitung, Sprache und Bild Anerkennung (ein harter Job).

Der Hauptgrund für die Explosion der KI in den letzten Jahren ist die breite Verfügbarkeit von GPUs, die die parallele Verarbeitung noch schneller und kostengünstiger machen. Es hat auch mit praktisch unendlichem Speicher und der gesamten Big-Data-Bewegung zu tun – Text, Bild, Transaktionen, was auch immer.

Heutzutage investieren alle Technologiegiganten massiv in KI-Projekte, und Milliarden von Menschen interagieren täglich über Websuchmaschinen, soziale Medien und E-Commerce-Plattformen mit KI-Software. Und eine der Arten (oder Sie können sagen die einzige) von KI, mit der wir am häufigsten interagieren, ist maschinelles Lernen.
Laut Statista würde der weltweite Umsatz des KI-Marktes bis 2025 59 Billionen $ betragen.

Lesen Sie: 18 interessanteste Fakten über Quantencomputer

KI ist die Zukunft dank Deep Learning

Deep Learning hat mehrere praktische Anwendungen des maschinellen Lernens ermöglicht, indem Aufgaben so aufgeschlüsselt werden, dass alle Arten von maschinellen Unterstützungen möglich erscheinen. Bessere Produktempfehlungen und Story-Vorschläge, bessere Gesundheitsvorsorge, selbstfahrende Fahrzeuge – all das ist heute möglich. Mithilfe von Deep Learning kann KI sogar den Science-Fiction-Zustand erreichen, den sich die Menschen schon lange vorgestellt haben.