Künstliche Intelligenz vs. maschinelles Lernen (ML) vs. Deep Learning – Was ist der Unterschied?

Die Begriffe Artificial Intelligence (AI), Machine Learning (ML) und Deep Learning (DL) müssen Sie in Ihrem Alltag schon einmal gehört haben. Sie haben vielleicht auch bemerkt, dass diese Begriffe oft synonym verwendet werden.

Aber sind diese 3 gleich? Haben Sie die Freiheit, sie austauschbar zu verwenden? Lass es uns herausfinden!

Bereits 1955 definierte John McCarthy, einer der frühesten Paten der KI, künstliche Intelligenz als „die Wissenschaft und Technik zur Herstellung intelligenter Maschinen, die die Fähigkeit haben, Ziele wie Menschen zu erreichen“. Dann, 4 Jahre später, im Jahr 1959, beschrieb Arthur Samuel maschinelles Lernen als ein riesiges Teilgebiet des Umgangs mit KI, „das Computern die Fähigkeit gibt, zu lernen, ohne explizit programmiert zu werden“. Was bedeutet das?

Beim maschinellen Lernen lernt ein einmal erstelltes Programm nach und nach, wie es intelligente Aufgaben über die Grenzen der Programmierung hinaus bewältigt – es lernt durch Erfahrung und Daten. In dieser Hinsicht unterscheiden sich ML-Programme von speziell entwickelten Programmen mit vordefinierten Verhaltensweisen und Zielen.

Wahrscheinlich wird dieses Bild die Dinge für Sie etwas klarer machen:

Jetzt werden wir uns eingehend mit künstlicher Intelligenz, maschinellem Lernen und Deep Learning und ihren Unterschieden befassen.

Künstliche Intelligenz vs. maschinelles Lernen

In einfachen Worten versucht KI, spezielle Computerprogramme und Algorithmen zu entwerfen, die es Maschinen ermöglichen, wie Menschen zu funktionieren. Das häufigste Missverständnis, das Menschen über KI haben, ist, dass es sich um ein „System“ handelt. Die Wahrheit – KI ist kein System; es ist eine Studie (wie wir vor „Wissenschaft und Technik“ erwähnt haben), in der es darum geht, wie man Computer trainiert, um Aufgaben zu erfüllen, die von Menschen erledigt werden.

KI kann in 3 Typen eingeteilt werden:

• Narrow AI: Es bezieht sich auf die KI, die die Maschinen programmieren kann, um bestimmte Aufgaben auszuführen, aber auf eine viel bessere Weise als ein Mensch.
• Allgemeine KI: Bezieht sich auf die KI, die eine Reihe intellektueller/intelligenter Aufgaben mit der gleichen Genauigkeit wie ein Mensch ausführen kann.
• Aktive KI: Die vielleicht fortschrittlichste Form der KI, die aktive KI, kann Menschen bei bestimmten Aufgaben übertreffen.

Da KI eine Studie oder ein Konzept zur Entwicklung intelligenter Maschinen ist, muss sie über einige technologische Mittel verfügen, um dieses Ziel zu erreichen, oder?

Eines dieser Mittel ist maschinelles Lernen. Markiert unsere Worte hier, ML ist eine der Möglichkeiten, wie wir das Konzept der KI umsetzen können. Laut Tom Mitchell, ML-Experte an der Carnegie Mellon University:

„Maschinelles Lernen ist das Studium von Computeralgorithmen, die es Computerprogrammen ermöglichen, sich durch Erfahrung automatisch zu verbessern.“

So wird das Ziel der KI erreicht – Maschinen zu schaffen, die aus Erfahrung und Trial & Error lernen können, genau wie Menschen. ML-Algorithmen ernähren sich von Daten, um daraus zu lernen. Immer wenn eine neue Eingabe in den Algorithmus eingespeist wird, passt er seine Reaktion auf diese Änderung an, um neue Aufgaben auszuführen. Ein klassisches Beispiel für Machine Learning ist die Recommendation Engine. Sie müssen dies auf Online-Plattformen wie Netflix und Amazon gesehen haben – basierend auf den Inhalten, nach denen Sie suchen, kuratieren diese Apps eine personalisierte und angepasste Empfehlungsliste mit den Inhalten, die Sie sehen möchten.

Als die KI noch in ihren Anfängen steckte, war es das Ziel von Wissenschaftlern und Forschern, Maschinen zu entwickeln, die Aufgaben ausführen können, die Intelligenz erfordern. Anfangs entwickelten sie Programme (man beachte noch einmal, Programme sind erforderlich, um die Pläne der KI auszuführen), die grundlegende logische Probleme lösen und in Spielen wie Schach und Dame mit Menschen konkurrieren konnten. Ein typisches Beispiel – IBMs Deep Blue, das Weltmeister Gary Kasparov beim Schach besiegte.

Dies ist eines der allerersten Beispiele für den Erfolg von KI und es ist unnötig zu erwähnen, dass es eine riesige Welle der Aufregung unter Computer- und Technikbegeisterten ausgelöst hat – es war der Beginn einer Welt mit brandneuen Möglichkeiten. Schauen Sie bis heute vor, wo KI heute steht – heute können wir uns mit realen KI-Anwendungen wie dem selbstfahrenden Auto von Google, dem Roboter Sophia, intelligenten virtuellen Assistenten wie Apples Siri und Amazons Alexa, Smart Homes und IoT rühmen so viel mehr. All diese KI-Erfindungen haben eine gemeinsame Sache, die sie antreibt – ML-Algorithmen.

Maschinelles Lernen vs. Deep Learning

So wie ML eine Teilmenge von KI ist, ist Deep Learning eine Teilmenge von ML.

Die Essenz von Deep Learning sind künstliche neuronale Netze (KNN). Da die gesamte Idee der KI darin bestand, die Fähigkeiten des menschlichen Gehirns nachzuahmen, wurden künstliche neuronale Netze geschaffen. Sie können Deep Learning als den evolutionären Zweig von ML betrachten, bei dem KNNs komplexe Netze aus einer unverständlichen Menge von Neuronen sind, die in Schichten tief miteinander verbunden sind.

ANNs wurden entwickelt, um komplexe Probleme zu lösen, die herkömmliche ML-Algorithmen und einfache neuronale Netze nicht bewältigen können. Dies liegt nicht daran, dass herkömmliche neuronale Netze auf einfache Weise verbunden sind – sie sind nicht in der Lage, das schwere Gewicht des menschlichen Gehirns zu bewältigen, das über 86 Milliarden Neuronen verfügt und einen komplizierten Stil der Interkonnektivität bildet.

Nun, wie wir bereits gesagt haben, kann man sagen, dass Deep Learning eine Teilmenge des maschinellen Lernens ist. Im Wesentlichen geht es beim maschinellen Lernen darum, Modelle zu entwickeln, die bei der ihnen zugewiesenen Aufgabe immer besser werden, aber dennoch eine Art Anleitung benötigen. Falls ein ML-Algorithmus ein ungenaues Ergebnis liefert, müssen die Entwickler eingreifen und die notwendigen Korrekturen vornehmen. Aber ein Deep-Learning-Modell – da es künstliche neuronale Netze verwendet, die die Funktionsweise eines menschlichen Gehirns nachbilden – bestimmt die Richtigkeit seiner Vorhersagen selbst, ohne dass ein menschliches Eingreifen erforderlich ist.

Abschließende Gedanken …

Die obige Diskussion muss viele Fragen geklärt haben, die Sie möglicherweise in Bezug auf KI, ML oder Deep Learning hatten. Im Wesentlichen ist das Endziel für alle drei Technologien dasselbe – Maschinen intelligenter zu machen. Es ist der Weg, den sie einschlagen, der sie voneinander unterscheidet.

Wenn Sie immer noch verwirrt sind, was was ist, können Sie uns gerne einen Kommentar hinterlassen – wir kümmern uns darum!