Künstliche Intelligenz und Maschinenlernen

Published on: 30 Jan 10:17

Photo by Franck V. on Unsplash

Künstliche Intelligenz wird immer intelligenter und leistungsfähiger – der Einfluss auf das tägliche Leben wird in wenigen Jahren unübersehbar sein. Martin Ford, Futurist und Autor von The rise of the robots führt dazu folgendes Beispiel an: „Stellen Sie sich Ihre Reaktion vor, wenn das bestellte Uber Taxi Sie am Flughafen abholt, doch der Sitz des Fahrers ist leer.“ An dieser Stelle wird schnell klar, das in gut 10 Jahren künstliche Intelligenz auch Bestandteil der politischen Diskussion sein wird, da Millionen Arbeitsplätze durch moderne Technologien ersetzt werden und Alternativen für den Arbeitsmarkt geschaffen werden müssen.[1]

Kurzum, Künstliche Intelligenz ist in unserer heutigen Zeit von hoher Relevanz. Bei der Auseinandersetzung mit den beiden Begriffen „Artificial Intelligence (AI)“ und „Machine Learning (ML)“ fällt schnell auf, dass sie nicht gleich eindeutig zu differenzieren sind. Der Kerngedanke der Oberkategorie „Künstliche Intelligenz“ war das sogenannte „eigenständige Problemlösen“, woraus sich Stück für Stück Teilgebiete abgeleitet haben wie bspw. Machine Learning, welches sich erneut in starke bzw. schwache Künstliche Intelligenz und Deep Learning unterteilen lässt.

Die „Künstliche Intelligenz ordnet sich als ein Teilgebiet der Informatik unter, das darauf abzielt, bestimmte Fähigkeiten menschlichen Denkens auf Computersysteme zu übertragen und damit Maschinen zu konstruieren, die selbstständig Probleme erkennen und lösen können.“[2]

Machine Learning wurde von Arthur Samuel als „die Fähigkeit zu lernen, ohne explizit programmiert worden zu sein“, definiert und ordnet sich der künstlichen Intelligenz als ein Teilbereich unter. Insbesondere in der Verarbeitung der natürlichen Sprache bzw. Textübersetzung und Bilderkennung spielt sie eine stets wachsende Rolle.

Stellen wir Machine Learning nun etwas genauer in den Vordergrund:

Machine Learning ermöglicht Computern ohne explizite Programmierung auf Basis von Daten zu lernen und die Lösungen zu gegebenen Problemstellungen selbst zu ermitteln. Je größer das zur Verfügung stehende Datenvolumen ist, umso effizienter und akkurater kann der Computer auf das Problem reagieren. Im Laufe der Zeit gewinnt die Problemlösung des Computers an Qualität und Genauigkeit.

Das Forschungsteam Google Brain konnte Machine Learning erfolgreich auf einen Computer anwenden, sodass dieser innerhalb von Millisekunden aus tausenden Bildern die Abbildung von Katzen identifizieren konnte (s. hier: https://www.youtube.com/watch?v=TK4qLwTye_s ).

In anderen Worten ist es mittels Machine Learning möglich, große Datenmengen zu analysieren und daraus Maßnahmen in einer menschlich unmöglichen Geschwindigkeit und Kapazität abzuleiten.

Deep Learning

Photo by Hal Gatewood on Unsplash

Was hat es mit Deep Learning (DL) in Relation zu Machine Learning auf sich?

Wie bereits erwähnt ist Deep Learning ein Unterbereich des Machine Learnings und bildete in der Vergangenheit bereits die Grundlage für die Fortschritte in ML und KI. Aufgrund der Bedeutung für die intelligente Verarbeitung von Bildern und Sprache ist Deep Learning zudem ein wesentlicher Faktor für das Wachstum in den Bereichen „Augmented Reality“ (Erweiterte Wahrnehmung) bzw. Virtual Reality.

Das Deep Learning ist ein an das menschliche Gehirn angepasstes neuronales techno-logisches Netzwerk, das neuronale Verknüpfungen wie im menschlichen Gehirn imitiert. Dafür wird ein immenses Datenvolumen benötigt, um das „System“ bestmöglich zu trainieren und verbesserte Ergebnisse zu erzielen. Die Technologie und Computer von heute sowie die zunehmende Bedeutung von Big Data spielen eine wesentliche Rolle, um das Deep Learning mehr und mehr in die Realität umzusetzen.[3]

Die derzeit größten fünf Anwendungsbereiche des ML sind:

Medizinische Diagnosen, die Verarbeitung natürlicher Sprache, Online Suchmaschinen Suche, Smart Cars (Auto selbstständig fahren und navigieren) und die Personalisierung im Marketing. Bei Machine Learning kommt es auf große Datenmengen an und ist vergleichbar mit einem Baby, das von seiner Umwelt lernt. Ein ML-System lernt auf diese Weise von den vorliegenden Daten. Je mehr Daten dem System zur Verfügung stehen, desto mehr und besser lernt es.

Anbei findest du einen ausführlichen Channel zum Thema Machine Learning und verwandten Themen: https://www.youtube.com/watch?v=cKxRvEZd3Mw&index=2&list=PLOU2XLYxmsIIuiBfYad6rFYQU_jL2ryal&t=0s


[1] https://brandongaille.com/53-mind-blowing-martin-f...
[2] https://www.it-business.de/was-ist-kuenstliche-intelligenz-ki-a-652607/
[3] http://www.criteo.com/de/wp-content/uploads/sites/...