KI, Maschinelles Lernen und Deep Learning erklärt: Unterschiede und Funktionsweise

Die Begriffe Künstliche Intelligenz (KI), Maschinelles Lernen (ML) und Deep Learning (DL) sind heute allgegenwärtig. Sie werden oft synonym verwendet – besonders im Kontext von Big Data, Analytics, Suche und Indexierung. Obwohl diese drei Konzepte eng verwandt sind, sind sie nicht identisch.

In diesem Artikel erklären wir, was genau KI, ML und DL sind und wie sie sich voneinander unterscheiden. Keine Sorge: Wir verzichten auf komplizierte Fachbegriffe und halten es so kurz und einfach wie möglich.

Künstliche Intelligenz (KI)

KI ist ein Teilgebiet der Informatik, erstmals 1956 von John McCarthy geprägt. Ein herkömmliches Programm führt nur aus, was wir ihm befehlen. KI hingegen ist ein Weg, Maschinen oder Software zu bauen, die selbstständig intelligent denken und handeln können – ähnlich wie Menschen. Dazu gehören Sprachverständnis, Erkennung von Tönen und Bildern, Lernen, Planen und Problemlösen.

Ein konventionelles Programm kann nur spezifische Fragen beantworten, ein KI-Programm hingegen auch allgemeine Fragen.

Es gibt vier Arten von KI:

1. Vollständig reaktiv: Basistyp, kann keine Schlüsse ziehen. Beispiel: Googles AlphaGo, IBMs DeepBlue
2. Begrenztes Gedächtnis: Kann angemessene Entscheidungen treffen und Aktionen ausführen. Beispiel: Chatbots, autonome Fahrzeuge
3. Theory of Mind (Theorie des Geistes): Kann Gedanken, Emotionen verstehen und sozial interagieren. – Noch nicht realisiert*
4. Selbstbewusst: Kann Repräsentationen über sich selbst bilden, den eigenen Zustand kennen und Gefühle anderer vorhersagen. – Noch nicht realisiert*

*Obwohl der dritte und vierte Maschinentyp nicht wirklich existieren, werden sie in Sci-Fi-Filmen demonstriert – etwa R2D2 (Typ 3) aus Star Wars und Eva (Typ 4) aus Ex Machina.

Maschinelles Lernen (ML)

ML ist ein Teilbereich der KI, der Systemen die Fähigkeit verleiht, aus Erfahrung zu lernen, zu handeln und sich zu verbessern – ohne explizit programmiert zu werden. Statt alle Methoden mit spezifischen Anweisungen für eine bestimmte Aufgabe vorzuschreiben, ist ML eine Technik, ein Programm so zu trainieren, dass es aus vergangenen Erfahrungen lernt. Training bedeutet hier: dem Programm große Datenmengen zuzuführen und es sich selbst konfigurieren und verbessern zu lassen.

Beispiel: Liefert man einem ML-Algorithmus Tausende Katzenbilder, erkennt er, wie eine Katze aussieht – Größe, Farbe, Gesichtsform etc. Schließlich kann er Katzen in Bildern automatisch identifizieren und markieren. Ist die Genauigkeit hoch genug, kann der Algorithmus präzise bestimmen, was eine Katze ausmacht.

Arten des Maschinellen Lernens:

1. Überwacht (Supervised): Das System lernt explizit durch Daten mit definierten Ausgaben.
2. Unüberwacht (Unsupervised): Das System versteht Daten (Muster/Struktur) und zieht Schlüsse aus Datensätzen.
3. Bestärkendes Lernen (Reinforcement): Ein KI-Ansatz, der aus positiver und negativer Verstärkung lernt und positive Ergebnisse belohnt.

Deep Learning

Deep Learning ist ein Teilgebiet des Maschinellen Lernens, das sich mit Algorithmen befasst, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind – genauer: von der Vernetzung vieler Neuronen. Diese Algorithmen werden als Künstliche Neuronale Netze (KNN/ANNs) bezeichnet und ahmen die biologische Struktur des Gehirns nach.

Die Neuronen verfügen über diskrete Schichten und Verbindungen zu anderen Neuronen. Man kann diese Schichten als verschachtelte Hierarchie verwandter Konzepte oder Entscheidungsbäume visualisieren. Jede Schicht kann ein bestimmtes Merkmal auswählen, um es zu lernen, oder einen spezifischen Pfad verfolgen. Tiefe entsteht durch mehrere Schichten – je mehr Schichten ein Netzwerk hat, desto tiefer/komplexer ist es.

Um gut trainiert zu sein, benötigen Deep-Learning-Netzwerke große Datenmengen. Anstatt Code für jede Kante zu schreiben, die Objekte definiert, lernt das System durch Exposition gegenüber Millionen von Datenpunkten.

Googles „Google Brain“ ist ein perfektes Beispiel für Deep Learning: Es erkannte Katzen nach der Analyse von über zehn Millionen Bildbeispielen. Diese Netzwerke müssen nicht mit spezifischen Kriterien programmiert werden, die Objekte definieren; sie können Kanten erkennen, nachdem sie einer großen Anzahl von Beispielen ausgesetzt waren.

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

„Heute sind Bilderkennungssysteme, die auf Deep Learning basieren, besser als Menschen – das reicht von der Erkennung von Katzen bis hin zur Identifikation von Indikatoren für Blutkrebs und Tumore in MRT-Scans.“

Google AlphaGo wurde am Spiel Go trainiert (weit komplexer als Schach) und verbesserte sein neuronales Netz, indem es immer wieder gegen sich selbst spielte. Im März 2016 wurde es das erste Computerprogramm, das einen professionellen menschlichen Go-Spieler besiegte.

Weiterlesen: 18 beste Schach-Engines basierend auf ihren Ratings

KI, ML und DL visualisieren

Bildquelle: Nvidia

Der einfachste Weg, das Verhältnis von KI, ML und DL zu verstehen, ist, sie als konzentrische Kreise zu betrachten: Künstliche Intelligenz bildet den äußeren Kreis, dann folgt Maschinelles Lernen, und schließlich Deep Learning im Kern – der Treiber der aktuellen KI-Explosion.

Von der Flaute zum Boom

Künstliche Intelligenz ist seit 1956 Teil der menschlichen Vorstellungskraft und in Forschungslaboren präsent. In den 7 Jahren seit 2012 haben wir mehr Fortschritt erzielt als in den vorangegangenen 25 Jahren bei zahlreichen zentralen KI-Problemen wie Textverständnis, Signalverarbeitung, Sprach- und Bilderkennung (eine harte Nuss).

Der Hauptgrund für die KI-Explosion der letzten Jahre ist die breite Verfügbarkeit von GPUs, die paralleles Verarbeiten drastisch schneller und günstiger machen. Hinzu kommen praktisch unbegrenzter Speicher und die gesamte Big-Data-Bewegung – Texte, Bilder, Transaktionen, was auch immer.

Heute investieren alle Tech-Giganten massiv in KI-Projekte, und Milliarden Menschen interagieren täglich über Suchmaschinen, soziale Medien und E-Commerce-Plattformen mit KI-Software. Die Art von KI, mit der wir am häufigsten interagieren, ist Maschinelles Lernen. Laut Statista wird der globale KI-Marktumsatz bis 2025 die Marke von 59 Billionen US-Dollar überschreiten.

Weiterlesen: 18 interessanteste Fakten über Quantencomputer

KI ist die Zukunft – dank Deep Learning

Deep Learning hat mehrere praktische Anwendungen des Maschinellen Lernens ermöglicht, indem es Aufgaben so aufschlüsselt, dass maschinelle Assistenzsysteme jeglicher Art möglich erscheinen. Bessere Produktempfehlungen und Story-Vorschläge, bessere präventive Gesundheitsversorgung, autonome Fahrzeuge – all das ist heute Realität. Mit Deep Learning könnte KI sogar jenen Sci-Fi-Zustand erreichen, den sich Menschen seit langem vorstellen.