Was ist der Unterschied zwischen künstlicher Intelligenz, maschinellem Lernen und tiefem Lernen?

4 min read

Kurze Beschreibungen künstlicher Intelligenz, maschinellen und tiefen Lernens und einfache Erklärungen, womit sie sich alle unterscheiden sowie auch wie KI und IoT untrennbar miteinander verbunden sind.

Künstlicher Intelligenz, maschinellem Lernen und tiefem Lernen

Alle kennen den Begriff “künstliche Intelligenz”. Immerhin war er in Filmen wie Terminator, Matrix und Ex Machina sehr populär. Sie haben wahrscheinlich bemerkt, dass in letzten Jahren andere Begriffe wie “maschinelles Lernen” und “tiefes Lernen” immer beliebter werden, die man manchmal austauschbar mit künstlicher Intelligenz verwendet. Infolgedessen ist oft der Unterschied zwischen diesen drei Begriffen sehr unklar.

Es macht Sinn, mit einer kurzen Erklärung, was unter künstlicher Intelligenz (KI), maschinellem Lernen (ML) und tiefem Lernen (TL) tatsächlich gemeint ist und wie sie sich unterscheiden, zu beginnen. Danach erläutern wir, wie KI und Internet of Things (IoT) untrennbar miteinander verflechtet sind und wie mehrere technologische Fortschritte auf einmal konvergieren, um die Basis für eine KI- und IoT-Explosion zu schaffen.

Worin besteht eigentlich der Unterschied zwischen KI, ML und TL?

Der Begriff KI wurde zum ersten Mal 1956 vom US-amerikanischen Informatiker John McCarthy geprägt. Er umfasst Maschinen, die für die menschliche Intelligenz charakteristische Aufgaben ausführen können. Obwohl dies allgemein ist, umfasst es auch Bereiche wie Planung, Sprachverständnis, Erkennen von Objekten und Geräuschen, Lernen und Problemlösen.

Die KI kann in zwei Kategorien eingeteilt werden: allgemeine und enge. Die allgemeine KI würde alle Eigenschaften der menschlichen Intelligenz aufweisen, einschließlich der oben genannten Leistungsfähigkeiten. Die enge KI stellt einige Aspekte menschlicher Intelligenz dar und kann diese Aspekte sehr gut ausführen, ist aber in anderen Bereichen beschränkt. Eine Maschine, die nur Bilder und nichts Anderes perfekt erkennt, könnte ein Beispiel enger KI sein.

Im Kern ist maschinelles Lernen einfach eine Weise, wie KI erreicht wird.

Der Begriff Maschinelles Lernen wurde vom US-amerikanischen Informatiker Arthur Samuel 1959 als “die Fähigkeit, ohne explizite Programmierung zu lernen” definiert. Man kann also KI ohne Verwendung des maschinellen Lernens erhalten. Dies könnte aber das Erstellen von Millionen Codezeilen mit komplexen Regeln und Entscheidungsbäumen erfordern.

Maschinelles Lernen verwendet nicht die Hardcodierungssoftware-Routinen mit spezifischen Anweisungen zur Ausführung einer bestimmten Aufgabe, sondern wird als eine Möglichkeit betrachtet, einen Algorithmus so zu “trainieren”, dass er lernen kann, wie dies geht. Beim “Training” handelt es sich darum, dass der Algorithmus von riesigen Datenmengen gesättigt wird und sich anpassen und verbessern kann.

Zum Beispiel wurde maschinelles Lernen verwendet, um maschinelles Sehen drastisch zu verbessern (dies ist die Fähigkeit einer Maschine, ein Objekt in einem Bild oder Video zu erkennen). Hunderttausende oder sogar Millionen von Bildern wurden gesammelt und dann von Menschen kennzeichnet. Die Menschen können beispielsweise die Bilder kennzeichnen, die einen Hund enthalten, im Gegensatz zu denen, die dies nicht haben. Dann versucht der Algorithmus, ein Modell zu erstellen, das ein Bild als solches, das einen Hund enthält oder nicht, genauso gut wie ein Mensch kennzeichnen kann. Bei genügend hoher Genauigkeit hat die Maschine “gelernt”, wie ein Hund aussieht.

Tiefes Lernen ist einer von zahlreichen Ansätzen für maschinelles Lernen. Weitere Ansätze sind das Erlernen von Entscheidungsbäumen, induktive logische Programmierung, Clustering, verstärkendes Lernen und bayesschese Netzwerke.

Tiefes Lernen basiert auf der Struktur und Funktionsweise des Gehirns, und zwar der Verknüpfung vieler Neuronen. Künstliche Neuronale Netzwerke (KNNs) sind also Algorithmen, die die biologische Struktur des Gehirns nachahmen.

Die KNNs enthalten „Neuronen“, die diskrete Schichten und Verbindungen zu anderen „Neuronen“ haben. Jede Schicht wählt ein bestimmtes Merkmal zum Erlernen aus, wie beispielsweise Kurven/Kanten bei der Bilderkennung. Eben durch diese Schichtung erhält tiefes Lernen seinen Namen. Die Tiefe wird anhand mehrerer Schichten im Gegenteil zu einer einzelnen Schicht erstellt.

Wie sind KI und IoT untrennbar miteinander verflechtet?

Man kann die Beziehung zwischen KI und IoT mit der Beziehung zwischen menschlichem Gehirn und Körper vergleichen.

Der menschliche Körper sammelt verschiedene sensorische Eingaben: Wir hören Töne, sehen Licht, Farben und spüren Berührung. Dann werden all diese Daten vom Gehirn genommen und daraus Sinn gemacht, wobei Licht zu erkennbaren Objekten und Töne zu verständlicher Sprache umwandelt werden. Nachdem das Gehirn bestimmte Entscheidungen getroffen hat, sendet es entsprechende Signale an den Körper zurück, um Bewegungen wie beispielsweise das Aufnehmen eines Objekts oder das Sprechen zu befehlen.

Alle verbundenen Sensoren setzen das Internet of Things zusammen und ähneln unseren Körpern. Sie liefern die Rohdaten über das Geschehen in der Welt. Künstliche Intelligenz ist dann mit unserem Gehirn vergleichbar, das diese Daten versteht und beschließt, welche Aktionen auszuführen sind. Und die angeschlossenen IoT-Geräte ähneln wieder unseren Körpern, die körperliche Handlungen ausführen oder mit anderen kommunizieren.

Das Potenzials des anderen freisetzen

Der Wert und die Versprechen von KI und IoT werden auf Basis des anderen realisiert.

In den letzten Jahren haben maschinelles und tiefes Lernen zu großen Sprüngen bei der künstlichen Intelligenz geführt. Wir haben bereits erwähnt, dass maschinelles und tiefes Lernen zum Funktionieren riesige Datenmengen erfordern und diese Daten von Milliarden von Sensoren zusammengestellt werden, die weiterhin im Internet of Things online fließen. IoT macht KI besser.

Die Verbesserung der KI wird auch die Einführung des Internets of Things vorantreiben, wobei ein wirksamer Kreislauf geschaffen wird, in dem sich beide Gebiete drastisch beschleunigen werden. Denn KI macht das IoT nützlich.

Aus industrieller Sicht kann KI verwendet werden, um vorherzusagen, wann die Wartung von Maschinen benötigt wird, oder Produktionsprozesse zu analysieren, wodurch große Effizienzsteigerungen erzielt und Millionen von Euro gespart werden sollen.

Auf der Verbraucherseite kann sich Technologie eher an uns als an die Technologie anpassen. Wir müssen nicht mehr klicken, tippen und suchen, sondern können einfach eine Maschine danach fragen, was wir benötigen. Zum Beispiel können wir Informationen über das Wetter oder Aktionen wie das Vorbereiten des Hauses für den Schlaf anfordern (Herunterdrehen des Thermostats, Verriegelung der Türen, Licht Ausschalten des Lichts usw.).

Konvergierende technologische Fortschritte haben dies ermöglicht

Die Komprimierung von Computerchips und Verbesserung der Produktionstechniken führen zu preiswerteren, leistungsfähigeren Sensoren.

Dank der schnellen Verbesserung der Batterietechnologie können diese Sensoren jahrelang ohne Anschluss an eine Stromquelle halten.

Die drahtlose Verbindung, die durch das Aufkommen von Smartphones betrieben wurde, bedeutet, dass großen Mengen an Daten zu günstigen Preisen übertragen werden können, sodass all diese Sensoren Daten in die Cloud senden können.

Durch die Entstehung der Cloud wurde es möglich, diese Daten praktisch unbegrenzt zu speichern und die Möglichkeiten der Datenverarbeitung nahezu unbegrenzt zu nutzen.

Selbstverständlich gibt es ein oder zwei Besorgnisse über den Einfluss der KI auf unsere Gesellschaft und unsere Zukunft. Aber da die Fortschritte und die Akzeptanz von KI und IoT vorangetrieben werden, ist eines sicher: Der Einfluss wird tiefgreifend sein.

Sollten Sie weitere Anregungen zu Unterschieden zwischen der künstlichen Intelligenz, maschinellem Lernen und tiefem Lernen sowie auch zur Verflechtung der KI und des IoT haben, so können Sie sich an das Team von AI-United.de per Mail oder Q&A wenden.

Quelle

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.