Der Unterschied von Machine Learning und Artificial intelligence

Blog

Der Unterschied von Machine Learning und Artificial intelligence

Künstliche Intelligenz (engl. Aritifical Intelligence oder kurz AI) und Maschinelles Lernen (Machine Learning oder kurz ML) gehören zu den aktuell heissesten Themen der Informatik. Die Begriffe sind in aller Munde und werden fälschlicherweise nicht selten als Synonyme verwendet. Dabei steht AI für das allgemeine Konzept, Maschinen dazu zu bringen, sich «intelligent» zu verhalten. Währenddessen bezeichnet Machine Learning eine der aktuellsten Methoden, um dieses Ziel zu erreichen. Dieser Artikel gibt einen Einblick, was Machine Learning ist und welche anderen AI-Konzepte es gibt.

Ursprünge von AI

Die Idee der künstlichen Intelligenz ist nicht neu: Bereits in den 1950er Jahren wurde sie als wissenschaftliche Disziplin entdeckt mit dem Ziel, Computer möglichst ähnlich wie ein Mensch denken zu lassen. Eine der frühen Anwendungen waren Schach-Computer. Man ging damals davon aus, dass ein Computer, der den amtierenden Schachweltmeister schlägt, ganz allgemein die menschliche Intelligenz übertreffen würde. Doch bereits lange bevor 1996 der Schachcomputer Deep Blue den amtierenden Weltmeister Garri Kasparow schlug, war klar, dass derselbe Computer bei weitem nicht in der Lage ist, komplexe interdisziplinäre Aufgaben zu lösen. So könnte dieselbe Maschine zum Beispiel keine bahnbrechenden Lösungsvorschläge für den Klimawandel berechnen.

Machine Learning: Effizienz durch Spezialisierung

Das Beispiel legt nahe, dass es in den meisten Fällen ineffizient wäre, einen Computer zu entwickeln, der polyvalent ist wie ein menschliches Gehirn. Stattdessen werden meist spezialisierte Systeme eingesetzt, die man einem Unterbereich der künstlichen Intelligenz zuordnen kann wie zum Beispiel dem Machine Learning. Machine Learning Algorithmen sind spezialisiert darauf, einen bestimmten Aufgaben-Typ zu lösen und verbessern ihre eigene Performance durch erkennen von Mustern in den Problemstellungen. Ein klassisches Beispiel ist die Bilderkennung: Nachdem ein Machine Learning Algorithmus mit einer genügend grossen Anzahl Referenzbilder trainiert hat, ist er in der Lage bestimmte Dinge wie z.B. menschliche Gesichter in Bildern zu erkennen. Ein solcher Algorithmus gehört zur Kategorie des Supervised Machine Learning. Um das Funktionieren des Algorithmus zu gewährleisten, ist ein möglichst grosser Referenz-Datensatz nötig (z.B. Bilder, bei denen bekannt ist, ob und wo sich menschliche Gesichter darauf befinden).

Nicht alle Machine Learning Algorithmen brauchen eine solchen Referenz-Datensatz. Bei Algorithmen, die nach dem Prinzip des Reinforcement Learning funktionieren, wird nach dem generieren eines Resultats, dieses anhand von bestimmten Kriterien bewertet und der Algorithmus lernt somit während er im Einsatz ist. Ein Beispiel dafür sind die Video-Vorschläge auf Youtube: Je mehr der vorgeschlagenen Videos ein Nutzer anklickt desto besser waren die Vorschläge. Der Algorithmus erkennt so die Vorlieben des Nutzers und trägt dazu bei, dass dieser möglichst viel Zeit auf der Video-Plattform verbringt.

Machine Learning ohne Referenzwerte

Schliesslich gibt es noch den Bereich des Unsupervised Learning. Diese Kategorie von Algorithmen arbeitet gänzlich ohne Referenzwerte und versucht meist Daten zu sortieren. Dabei wird nach Ähnlichkeiten in verschiedenen Datensätzen gesucht und diese dann in Kategorien eingeteilt. Mit solchen Algorithmen können Datensätze auch intelligent komprimiert werden, sodass nur Eigenschaften behalten werden, anhand von denen man die Datensätze auch tatsächlich unterscheiden kann.

Es ist eine Eigenheit all dieser Machine Learning Algorithmen, dass selbst der Programmierer nicht ohne weiteres erklären kann, warum der Algorithmus für eine bestimmte Aufgabenstellung ein bestimmtes Resultat ausgibt. Dies ist der elementare Unterschied zu herkömmlichen deterministischen Algorithmen und zeigt die Eigendynamik von Machine Learning Algorithmen

In vielen spezialisierten Bereichen gibt es unterdessen Machine Learning Algorithmen, die einem herkömmlichen Programm oder der Arbeit eines Menschen weit überlegen sind. Letzteres ist in erster Linie damit zu begründen, dass ein Computer viel schneller viel grössere Datenmengen verarbeiten kann als ein Mensch.

AI aber nicht Machine Learning

Nach all diesen Beispielen stellt sich die Frage, welche kommerziell interessanten Produkte es gibt, die man AI, nicht aber dem Machine Learning zuordnen kann?

Tatsächlich ist es so, dass nicht in jedem Fall eine klare Grenze gezogen werden kann bei diesen Gebieten. Je allgemeiner und interdisziplinärer ein Algorithmus ist, desto eher wird er dem Gebiet der künstlichen Intelligenz zugeordnet: So kann es vorkommen, dass ein AI Algorithmus argumentieren oder moralische Entscheidungen fällen muss und sich dafür an Forschungsresultaten der Psychologie, Linguistik oder Philosophie orientiert.

Ein Beispiel für ein AI-Themengebiet, das üblicherweise nicht zu Machine Learning gezählt wird, ist das Natural Language Processing also der Bereich der Spracherkennung und -generierung. In diesem Bereich gibt es einsetzbare Produkte und es ist zu erwarten, dass mittelfristig weitere Fortschritte erzielt werden, die beispielsweise automatisierte Kunden-Hotlines ermöglichen werden.

Schlussendlich hängt es stark vom Anwendungsgebiet ab, ob ein reiner Machine Learning Algorithmus oder ein polyvalenteres Produkt verwendet werden sollte. Gerne helfen wir Ihnen mit unserem Fachwissen eine massgeschneiderte Lösung für Ihre Problemstellung zu finden.

mlit-ategra-admin

Leave a Reply

Your email address will not be published. Required fields are marked *