Artificial Intelligence vs Machine Learning vs Deep Learning- Was ist der Unterschied?

Als Ende 2022 die neue Version von ChatGPT veröffentlicht wurde, überschlugen sich die Medien erneut und berichteten wahlweise über Artificial Intelligence (AI/KI), Machine Learning (ML) oder Deep Learning (DL). Doch obwohl die Begriffe oft als das Gleiche wahrgenommen werden, sind AI, ML und DL keineswegs Synonyme. In diesem Artikel erklären wir - ohne allzu wissenschaftlich zu werden - die Unterschiede zwischen den drei Begriffen. Weitere inflationär benutzte Buzzwords wie Smart Data, Cognitive Computing oder Predictive Analytics klammern wir dabei bewusst aus.

Netzwerk aus Drähten


Inhalt:



Artificial Intelligence aka AI aka künstliche Intelligenz aka KI

Artificial Intelligence ist der weiter gefasste Begriff von Maschinen, die in der Lage sind, Aufgaben menschenähnlich (oder besser) und autonom auszuführen. Grundsätzlich wird zwischen starker und schwacher künstlicher Intelligenz unterschieden. Die starke künstliche Intelligenz hätte alle Merkmale der menschlichen Intelligenz und entspricht am ehesten dem Hollywood-Klischee à la C-3PO, Terminator oder Ava aus Ex Machina. Die schwache AI beschreibt Maschinen, die fähig sind in einem Bereich quasi-intelligent zu handeln, z. B. im Aktienhandel, der Bilderkennung oder im Go-Spielen.

Bereits hier könnten wir natürlich abbrechen und wahlweise in eine wissenschaftliche oder philosophische Diskussion einsteigen. Denn eine genaue Definition von Intelligenz gibt es aufgrund einer unmöglichen Gewichtung und Abgrenzung kognitiver Fähigkeiten nicht. 

Die Ideen von intelligenten, mechanischen Menschen oder die Schöpfung intelligenter Maschinen, sind nichts Neues. Diese Themen finden sich bereits in griechischen Mythen, in Gedanken wie dem Laplaceschen Dämon oder dem Homunculus. Der Begriff der künstlichen Intelligenz entstand und auch die Erforschung selbiger begann allerdings erst in den 1950er Jahren. 

John McCarthy organisierte 1956 eine 6-wöchige Konferenz namens Dartmouth Summer Research Project on Artificial Intelligence und begründete somit AI als Forschungsgebiet. Die Euphorie in den ersten Jahren war enorm, so sagte Herbert Simon, der an der Dartmouth-Konferenz ebenfalls teilnahm: "Maschinen werden innerhalb von 20 Jahren alles können, was Menschen auch können". Die wenigsten Prognosen traten allerdings tatsächlich ein. Denn obwohl AI viele für Menschen schwierige Probleme lösen konnte, scheiterte sie an für Menschen einfache Aufgaben, die nicht oder nur sehr schwer über mathematische Regeln lösbar waren, z. B. die Sprach- oder Bilderkennung. 1996 rückte die künstliche Intelligenz dann zum ersten Mal ins Bewusstsein der allgemeinen Bevölkerung, als der IBM-Schachcomputer Deep Blue den damals amtierenden Weltmeister im Schach, Garri Kasparow, besiegte.

Der Siegeszug des Machine Learning

In letzter Zeit sind die Fähigkeiten lernender Systeme allerdings stark gestiegen, was am Siegeszug des Machine Learning liegt. Zwar prägte Arthur Samuel bereits 1959 den Begriff des Machine Learning als "...Field of study that gives computers the ability to learn without being explicitly programmed." Doch lange haben Forscher weniger auf selbstlernende Systeme gesetzt, sondern versucht, menschliche Denkprozesse regelbasiert mit menschengeschriebenem Code nachzubauen.

Machine Learning ist eine Teilmenge der künstlichen Intelligenz, ein Anwendungsbereich, der darauf basiert, dass Maschinen mittels Zugriff auf Daten selber lernen können. Hier verwendet eine Maschine Algorithmen, um eine riesige Datenmenge zu analysieren, Muster in den Daten zu erkennen und allgemeine Regeln zu abstrahieren - ohne dass eine Person spezifische Anweisungen programmieren muss (zur genauen Unterscheidung zwischen Supervised und Unsupervised Learning haben wir eine zweiteilige Artikel-Reihe geschrieben, siehe hier).
 

Deep Learning und künstliche neuronale Netze

Deep Learning wiederum ist ein Anwendungsbereich des Machine Learning und basiert wie ML auf der Nachahmung des menschlichen Gehirns. Deep Learning arbeitet mit sehr vielschichtigen künstlichen neuronalen Netzwerken. Deep beschreibt hierbei, dass das Netz sehr tief ist. Die erste Schicht, der Input-Layer, nimmt Eingabedaten auf, verarbeitet diese und übermittelt sie an die nächsten Schichten, die Hidden Layer. Diese versteckten Schichten nehmen die Informationen ebenfalls auf, wandeln sie um und geben sie über alle Ebenen des Netzwerks weiter. In der letzten Schicht, dem Output-Layer, wird das Ergebnis ausgegeben. Im Wesentlichen lernen diese Netzwerke wie eine Menge A auf eine Menge B abzubilden ist. Jede Schicht lernt eine höhere Abstraktionsebene, angefangen von Strichen in Bildern, über einfache Formen wie Kreise, Vierecke bis hin zu komplexen Strukturen wie Gesichtern. Mit diesem neu gewonnenen Wissen können die Erkenntnisse dann auf andere Datensätze übertragen werden. Als Faustregel gilt beim Deep Learning: Je mehr Daten für ein Training zur Verfügung stehen, desto genauer werden die späteren Aussagen. Deep Learning ist die Basis für die meisten aktuellen AI-Anwendungen - wie beispielsweise AlphaGo, aber auch Siri, Alexa oder dem Google Assistant.

 Dass gerade jetzt die AI in Form von Deep Learning so große Fortschritte macht, liegt einerseits an der breiten Verfügbarkeit von Grafikprozessoren, die immer leistungsfähiger und billiger werden und der Erkenntnis, dass diese für schnelle Matrizen- und Vektorrechnungen eingesetzt werden können. Die Gamer-Szene hat also stark zu dem Erfolg von Deep Learning beigetragen. Andererseits benötigen selbstlernende Systeme möglichst viele Daten, um besser zu werden. Sensoren, Massenspeichersysteme, DWH und die weltweite Vernetzung machen große Mengen an Lerndaten verfügbar: So entstanden bereits 2015 jeden Tag 2,5 Trillionen Byte Daten - damit wurden 90% der 2015 verfügbaren Daten innerhalb von zwei Jahren erzeugt. Laut Prognose von IDC und Seagate wird sich die gesamte Datenmenge bis 2025 auf insgesamt 163 Zettabyte, also 163 Milliarden Terabyte, erhöhen. Goldene Zeiten für datensüchtige Algorithmen.

Fazit

Machine-Learning_Deep-Learning_AI_ZeichenflächeZusammengefasst lässt sich also sagen, dass es meistens um Deep Learning geht, wenn heute von AI oder deren aktuellen Anwendungsfeldern gesprochen wird. Deep Learning ist allerdings nur ein Teilgebiet des Machine Learning, das wiederum Teilgebiet von AI ist. Aus unserer Sicht spielt es im Praxisalltag oder beim Einsatz der Methoden keine allzu große Rolle, welche Begriffe man nutzt. Gerade im amerikanischen Sprachraum wird Artificial Intelligence häufig für Machine-Learning-Systeme verwendet. Man sollte nur wissen, was man tut.

 

Noch Fragen?

Was bedeutet Machine Learning und wie kann Ihr Unternehmen vom Einsatz profitieren? Erfahren Sie, wie wir Sie beim Thema Machine Learning unterstützen können:

lukas_mesterLukas Mester - arbeitet als Marketing Manager bei iteratec. Er ist begeistert von digitaler Transformation und Innovationsmanagement.

Tags: Technology, Artificial Intelligence

Verwandte Artikel

Machine-Learning-Expert:innen bei iteratec haben für das interne Marketing-Team einen Text- und Bild-Generator entwickelt. Damit...

Mehr erfahren

Topics: Technology, Artificial Intelligence

Wir haben eine bewährte Best-Practice-Architektur entwickelt, die sich bei vielen Kunden als effektiv für die Anforderungen...

Mehr erfahren

Topics: Technology, Artificial Intelligence

Die Motivation vieler Unternehmen, in die Cloud zu migrieren, ist die Effizienz ihrer IT zu steigern und Kosten zu senken. Doch...

Mehr erfahren

Topics: Technology, Artificial Intelligence