Künstliche Intelligenz, AI, Neuronale Netze, Machine Learning – Was ist was?
Das Phänomen „Künstliche Intelligenz“ wird heute unter vielen verschiedenen Begriffen diskutiert. Es ist zum Beispiel von Artificial Intelligence (AI), Machine Learning, Neuronalen Netzen, Representation Learning, Natural Language Processing (NLP) oder Deep Learning die Rede. Dies führt zum Teil zu großer Verwirrung und Unklarheit, was genau jeweils damit bezeichnet wird und welchen praktischen Nutzen die jeweiligen Methoden eigentlich haben. Besonders für Unternehmen ist es jedoch entscheidend zu wissen, welche Möglichkeiten sich aus den jeweiligen Methoden für sie ergeben. Allein angesichts des enormen Wachstumspotenzials, das mit künstlicher Intelligenz verbunden ist, sollten Unternehmen sich mit diesem Thema beschäftigen
Der Traum von der Künstlichen Intelligenz
Intelligente Maschinen zu erschaffen, die sich so verhalten und so denken können wie Menschen, ist ein alter Menschheitstraum. Schon alte Mythen, wie die vom Golem, erzählen davon und auch Leonardo da Vinci versuchte intelligente Maschinen zu entwerfen. Im Zeitalter der Digitalisierung sind wir soweit, dass nicht mehr nur mechanische Vorgänge, die vormals von Menschen ausgeführt wurden, von Maschinen ausgeführt werden. Heute ist es möglich, mentale Vorgänge und Prozesse digital abzubilden. Mehr noch: Mit der Hilfe intelligenter Algorithmen sind Hochleistungsrechner dazu imstande Ergebnisse hervorzubringen, die jenseits der Leistungsfähigkeit der Menschen liegt.
Mechanischer Roboter-Ritter nach einer Idee von Leonardo da Vinci (um 1495). Nachbau aus dem 17. Jahrhundert. © Photo von Erik Möller. Leonardo da Vinci Ausstellung Mensch – Erfinder – Genie, Berlin 2005.
Der Oberbegriff: Künstliche Intelligenz (KI) bzw. Artificial Intelligence (AI)
Beispielhaft für den Status quo von künstlicher Intelligenz gelten die Siege, die Programme wie Deep Mind, IBMs Watson oder Googles AlphaGo in Spielen wie Schach, Jeopardy! und Go, dem „schwierigsten Spiel der Welt“, errungen haben. Künstliche Intelligenz (KI) bzw. engl. Artificial Intelligence (AI) sind die allgemeinen Oberbegriffe, wenn man von Phänomenen dieser Art spricht. Die Anfänge der KI-Forschung datieren in die 1950er Jahre zurück, insbesondere auf die Überlegungen, die Alan Turing in seinem Aufsatz „Computing Machinery and Intelligence“ im Jahr 1950 vorgelegt hat. Auf Turing geht auch der nach ihm benannte Turing-Test zurück, der dazu dient zu unterscheiden, ob eine Maschine ein gleichwertiges Denkvermögen hat wie ein Mensch oder nicht.
Bei dem Oberbegriff der Künstlichen Intelligenz muss jedoch genauer differenziert werden. Es gibt nämlich einen grundlegenden Unterschied zwischen einer KI, die dazu in der Lage ist, einen Menschen im Schach oder Go zu schlagen, und einer KI, mit der man sich auf natürliche Art unterhalten kann, als wäre sie ein Mensch. Nur um letzteres ging es Turing. Doch wenn wir heute von bestimmten Algorithmen als KI sprechen, geht es in der Regel um eine „abgespeckte“ Version. KIs in diesem Sinne sind intelligente Programme, die bestimmte, komplexe Aufgaben, zu deren Bewältigung unter normalen Umständen ein hohes Maß an Intelligenz notwendig ist, z.T. sogar besser als Menschen beherrschen.
Künstliche neuronale Netzwerke
Aus heutiger Perspektive mögen die ersten Versuche naiv erscheinen, bei denen „intelligente Maschinen“ dem Menschen nachgebildet wurden. Doch genau genommen beruhen auch die heutigen Entwicklungen im Bereich der Künstlichen Intelligenz auf den Erkenntnissen über den Menschen als intelligentes Wesen. Der einzige Unterschied: Modellbildend ist nicht mehr die Anatomie, sondern das menschliche Gehirn und neuronale Prozesse. Wie neuronale Netze bestehen künstliche neuronale Netzwerke aus Knotenpunkten, die auch Neuronen genannt werden.
Die vereinfachte Form eines künstlich neuronalen Netzwerks mit einer Input-Layer auf der linken Seite, einer Aktivität-Layer in der Mitte (auch „hidden layer“, also „versteckte“ Layer genannt) und eine Output-Layer rechts.
Die, auch Input-Units genannten, Neuronen der Input-Layer dienen dazu, Umweltinformationen wie beispielsweise Messdaten aufzunehmen. Das können beispielsweise in der Medizin Daten über Patienten sein wie Gewicht, Körpertemperatur, Alter etc. Nun beginnt die Auswertung, an deren Ende auf der Ebene der Output-Layer ein Ergebnis stehen soll – in diesem Fall „krank“ oder „gesund“. Die Auswertung der Daten, bzw. Diagnose vollzieht sich über die Kanten, mit denen die einzelnen Neuronen miteinander verbunden sind. Jedem Wert wird ein bestimmtes Gewicht zugeordnet, das über die Stärke der Verbindung zwischen den Neuronen entscheidet. Wie stark ein Neuron aktiviert wird, hängt stark vom jeweils gewählten Klassifikations-Verfahren (z.B. Delta-Regel oder Backpropagation) ab. Diese lassen sich auch als „Lernregel“ bezeichnen, mit denen ein neuronales Netzwerk zunächst trainiert wird, bevor es in der Praxis Anwendung finden kann.
Machine Learning
Bei Machine Learning handelt es sich um einen Oberbegriff, der eine Klasse von lernenden Algorithmen bezeichnet, die aus „Erfahrung“ lernen können. Ähnlich wie wir Menschen, können Maschinen auf diese Weise aus einer großen Zahl von Beispielfällen lernen und eine allgemeine Regel abstrahieren. Nach einer Lernphase können diese Erkenntnisse wieder auf reale Fälle angewandt werden. Ein wichtiger Einsatzbereich für Machine-Learning-Algorithmen ist beispielsweise die Erkennung von Kreditkartenbetrug.
Sie wollen auch noch den Unterschied zwischen Deep Learning, Evolutionären Algorithmen und Machine Learning kennenlernen? Lesen Sie hier den ganzen Artikel: