5 min lesen
September 28, 2023
Die jüngsten Fortschritte in der künstlichen Intelligenz (KI) zu verstehen, kann entmutigend sein, aber wenn man sich nur für die Grundlagen interessiert, lassen sich viele KI-Verbesserungen auf zwei Konzepte reduzieren: maschinelles Lernen und Deep Learning. Diese Konzepte können als austauschbare Schlagworte erscheinen, daher ist es wichtig, die Unterschiede zu verstehen. Und diese Unterschiede sollten verstanden werden – Beispiele für maschinelles Lernen und Deep Learning gibt es zuhauf. Auf diese Weise findet Netflix heraus, welche Sendung Sie als Nächstes sehen möchten, Facebook erkennt, wessen Gesicht auf einem Foto zu sehen ist, selbstfahrende Autos werden Realität, und ein Kundendienstmitarbeiter findet heraus, ob Sie mit seinem Service zufrieden sind, noch bevor Sie eine Kundenzufriedenheitsumfrage ausfüllen.
Was sind nun diese Konzepte, die die Diskussionen über künstliche Intelligenz beherrschen, und worin unterscheiden sie sich?
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz, das Algorithmen umfasst, die Daten analysieren, daraus lernen und das Gelernte dann anwenden, um bessere Entscheidungen zu treffen. Ein einfaches Beispiel für ein Machine Learning-System ist ein On-Demand-Musik-Streaming-Dienst. Algorithmen des Machine Learning setzen die Vorlieben des Hörers mit denen anderer Hörer mit ähnlichem Musikgeschmack in Beziehung und ermöglichen es dem Dienst, Entscheidungen darüber zu treffen, welche neuen Lieder oder Künstler dem Hörer vorgeschlagen werden sollen. Viele Dienste, die automatische Vorschläge machen, verwenden diese Methode, die allgemein als KI bezeichnet wird. Machine Learning ist die Grundlage für eine Vielzahl von automatisierten Aufgaben in einer Vielzahl von Unternehmen, von Datensicherheitsorganisationen, die Malware aufspüren, bis hin zu Finanzspezialisten, die nach Handelswarnungen suchen. KI-Algorithmen sind darauf ausgelegt, ständig zu lernen und einen virtuellen persönlichen Assistenten zu imitieren – eine Fähigkeit, die sie hervorragend beherrschen. Machine Learning erfordert eine Vielzahl komplizierter Rechen- und Codierungsverfahren, die letztlich die gleiche mechanische Funktion erfüllen wie eine Taschenlampe, ein Auto oder ein Computerbildschirm. Wenn wir sagen, dass etwas “ Machine Learning “ fähig ist, dann meinen wir etwas, das eine Funktion mit den gegebenen Daten ausführen kann und sich mit der Zeit verbessert. Das ist so, als hätte man eine Taschenlampe, die jedes Mal angeht, wenn man sagt: „Es ist dunkel“, und die verschiedene Ausdrücke erkennt, die das Wort „dunkel“ enthalten.
Wenn wir über Deep Learning und tiefe neuronale Netze sprechen, wird die Art und Weise, wie Roboter neue Tricks lernen, viel interessanter (und spannender).
Deep Learning ist eine Form des Machine Learning, bei der Algorithmen in Schichten organisiert werden, um ein „künstliches neuronales Netz“ aufzubauen, das selbstständig lernen und Entscheidungen treffen kann. Ein Deep-Learning-Modell wird erstellt, um Daten in Echtzeit zu analysieren, wobei ein logischer Rahmen verwendet wird, ähnlich wie ein Mensch Schlussfolgerungen ziehen würde. Deep-Learning-Anwendungen erreichen dies durch eine geschichtete Struktur von Algorithmen, die als künstliche neuronale Netze bezeichnet werden. Das Design eines künstlichen neuronalen Netzes basiert auf dem biologischen neuronalen Netz des menschlichen Gehirns, was zu einem wesentlich leistungsfähigeren Lernprozess führt als bei herkömmlichen Machine Learning-Modellen. Es ist eine schwierige Aufgabe, sicherzustellen, dass ein Deep-Learning-Modell nicht zu falschen Schlussfolgerungen kommt – wie bei anderen Arten von KI ist viel Übung erforderlich, um die Lernprozesse richtig zu gestalten. Wenn es jedoch wie beabsichtigt funktioniert, wird funktionales Deep Learning von vielen als wissenschaftliches Wunder und Rückgrat echter künstlicher Intelligenz angesehen.
Deep Learning ist ein Teilbereich des Machine Learning im praktischen Sinne. Deep Learning ist eine Form des Machine Learning, die ähnlich wie herkömmliches Machine Learning funktioniert (daher werden die Begriffe manchmal verwechselt). Seine Fähigkeiten unterscheiden sich jedoch deutlich. Einfache Modelle des Machine Learning werden zwar mit jeder Aufgabe, die man ihnen stellt, immer besser, benötigen aber dennoch ein gewisses Maß an Training. Wenn ein KI-Algorithmus eine falsche Prognose abgibt, muss ein Ingenieur eingreifen und Änderungen vornehmen. Bei einem Deep-Learning-Modell kann ein Algorithmus sein eigenes neuronales Netz nutzen, um zu entscheiden, ob eine Vorhersage richtig ist oder nicht.
Machine Learning ist eine Technik zur Analyse von Daten, zum Lernen daraus und zum Treffen intelligenter Entscheidungen auf der Grundlage des Gelernten. Beim Deep Learning wird ein „künstliches neuronales Netz“ geschaffen, das durch Überlagerung von Algorithmen selbstständig lernen und intelligente Entscheidungen treffen kann. Das Machine Learning hat einen Unterbereich namens Deep Learning. Obwohl beide unter den Begriff Künstliche Intelligenz fallen, ist Deep Learning der Motor, der die menschenähnlichste KI antreibt.
Computer, die aus Daten lernen und Algorithmen verwenden, um Aufgaben auszuführen, ohne explizit programmiert zu werden, werden als Machine Learning bezeichnet. Deep Learning basiert auf einem komplexen Satz von Algorithmen, die dem menschlichen Gehirn nachempfunden sind. Damit können unstrukturierte Daten wie Dokumente, Fotos und Texte verarbeitet werden.
