Verstehen von Künstlicher Intelligenz und Maschinellem Lernen

Künstliche Intelligenz und maschinelles Lernen sind Trendbegriffe in der Technologiewelt, die oft – und fälschlicherweise – synonym verwendet werden.

Auf der Basisebene stammt künstliche Intelligenz (KI) direkt aus der Informatik, während maschinelles Lernen (ML) ein Teilbereich der künstlichen Intelligenz ist, was es doppelt von der übergeordneten Disziplin der Informatik entfernt macht. Die beiden überschneiden sich, sind aber nicht dasselbe.

Zusammengefasst ist KI ein Bestandteil der Informatik, der sich mit Computersystemen befasst, die Aufgaben mit ähnlicher, gleicher oder überlegener Intelligenz im Vergleich zu einem Menschen ausführen (z. B. Entscheidungsfindung, Objektklassifizierung und -erkennung, Spracherkennung und -übersetzung). ML hingegen konzentriert sich auf das Studium von Algorithmen, statistischen Modellen und Mustererkennung, die Computersysteme verwenden, um Aufgaben ohne explizite Anweisungen (Programmierung) auszuführen. Dies ermöglicht es Maschinen, selbstständig zu lernen und sich kontinuierlich aus vergangenen Erfahrungen zu verbessern.

Dieser Artikel wird die Unterschiede und Gemeinsamkeiten zwischen künstlicher Intelligenz und maschinellem Lernen behandeln, was jede Disziplin unabhängig voneinander tut und ihre Parallelen zueinander.

Die Hierarchie von künstlicher Intelligenz und maschinellem Lernen

Wie bereits erwähnt, sind KI und ML von Natur aus miteinander verwandt, aber nicht synonym. Im Wesentlichen ist jedes maschinelle Lernen künstliche Intelligenz, aber nicht jede künstliche Intelligenz ist maschinelles Lernen.

Beide Begriffe existieren innerhalb des übergeordneten Begriffs der Informatik (CS), wobei KI die übergeordnete Disziplin von ML ist. Für eine vereinfachte Visualisierung werfen Sie einen Blick auf dieses Diagramm:

Mit diesem Wissen im Hinterkopf gibt es einige wesentliche Unterschiede zwischen künstlicher Intelligenz und maschinellem Lernen, die besprochen werden müssen, bevor man versteht, wie die beiden zusammen funktionieren.

Hintergrund und Funktionen der künstlichen Intelligenz

Künstliche Intelligenz gibt es seit Jahrhunderten, wurde aber erst im 20. Jahrhundert realisierbar – und nahm in den 1950er Jahren wirklich Fahrt auf. Als der Informatiker Alan Turing den Turing-Test entwickelte, schuf er den ersten Test der Maschinenintelligenz im Vergleich zu einem menschlichen Gegenüber.

Danach sah jedes Jahrzehnt Fortschritte in der KI, von Industrierobotern in der Automobilindustrie bis hin zu interaktiven Computerprogrammen, die mit Menschen kommunizieren konnten (d. h. die erste Inkarnation von Chatbots), Sci-Fi-Film-Darstellungen von vermenschlichten Robotern und Sprachassistenten in Smartphones, die mit Natural Language Processing (NLP) Fähigkeiten programmiert sind.

All diese Fortschritte führten dazu, dass KI in unserem Leben alltäglich wurde, so sehr, dass wir oft übersehen, dass viele unserer täglichen Prozesse von künstlicher Intelligenz angetrieben werden.

Anwendungsfälle der künstlichen Intelligenz

Wenn wir uns einige greifbare Anwendungen der KI genauer ansehen, wird es einfacher zu verstehen, wie einige Anwendungen der künstlichen Intelligenz mit maschinellem Lernen überlappen und einfacher, Unterschiede zwischen den beiden zu unterscheiden.

Robotik

Obwohl Menschen fälschlicherweise annehmen, dass sich künstliche Intelligenz ausschließlich in der Robotik manifestiert, ist es dennoch wahr, dass Robotik ein wichtiger Teilbereich der KI ist. Einige Beispiele für KI-gesteuerte Roboter finden sich im Einzelhandel und im medizinischen Bereich. Im Einzelhandel werden Roboter eingesetzt, um Regale aufzufüllen, Inventar zu machen und einem menschlichen Manager über ihre Ergebnisse zu berichten. In der Medizin werden Roboter eingesetzt, um Chirurgen bei der Durchführung hochrangiger Operationen wie Herzoperationen für einen weniger invasiven Ansatz zu unterstützen.

Bildungstechnologie

Edtech, kurz für Bildungstechnologie, bringt KI in den Vordergrund für Fortschritte in Klassenzimmern und für Schüler und Lehrer. Von SMART-Boards bis hin zu intelligenten Tutor-Assistenten-Bots für Kinder mit Lernschwierigkeiten oder für diejenigen, die einfach zusätzliche Hilfe benötigen, wirkt KI als positive Kraft, um Schüler auf Erfolgskurs zu halten.

Chatbots

Chatbots werden auf fast jeder Website verwendet, die wir besuchen. Ob sie für den Kundenservice und die Beantwortung grundlegender FAQs zu einem Produkt oder einer Dienstleistung oder zur Bereitstellung von Kaufempfehlungen auf einer E-Commerce-Website verwendet werden, man kann keinen Tag verbringen, ohne einem zu begegnen. Chatbots können sogar als persönliche Assistenten fungieren, indem sie helfen, Erinnerungen an Kalendereinträge und Termine zu setzen sowie bei der Planung von Meetings zu helfen.

Hintergrund und Funktionen des maschinellen Lernens

Die Wurzeln des maschinellen Lernens lassen sich auf eine ähnliche Zeitlinie wie die der KI zurückverfolgen, aber das liegt daran, dass ML nicht existieren könnte, ohne dass künstliche Intelligenz zuerst existiert. Dennoch gibt es einige wichtige Daten in der Geschichte des ML, die spezifisch für seine eigene Zeitlinie sind.

1949 arbeitete der Informatiker Arthur Samuel an IBMs erstem gespeicherten Programmcomputer, dem 701. Zehn Jahre später schloss er die Entwicklung eines Computer-Damespielprogramms ab – das erste, das unabhängig lernte, wie man ein Spiel spielt, indem es einen maschinellen Lernalgorithmus namens Alpha-Beta-Schnitt verwendete. Er entwickelte auch eine Bewertungsfunktion, die die Gewinnchancen für jeden Spieler basierend auf der Brettposition der Damespielsteine auf beiden Seiten maß. Es berücksichtigte die Anzahl der verbleibenden Steine, wie viele Könige jeder Spieler hatte und die Anzahl der Damespielsteine, die kurz davor standen, zuerst "gekrönt" zu werden.

Samuel entwarf weitere Methoden, um seinem Damespielprogramm zu helfen, sich zu verbessern, einschließlich Techniken des Auswendiglernens. Auswendiglernen ist im Wesentlichen der Kern des maschinellen Lernens; es ist eine Lerntechnik, die vollständig auf Wiederholung und Auswendiglernen basiert. Der Zweck des Auswendiglernens besteht darin, dass je mehr eine Person (oder in diesem Fall ein maschinelles Lernprogramm) etwas studiert und auswendig lernt, desto höher ist die Wahrscheinlichkeit, dass die Person (oder das Programm) sich an das Gelernte erinnert. Somit führt der Konsum zu Erinnerung und Verständnis, was den Weg für den Aufbau und die Verbesserung dessen ebnet, was gelernt wurde.

Da maschinelles Lernen auf Algorithmen basiert, die Vorhersagen über die nächsten Schritte treffen, nutzte Samuel dies, um das ML-Programm zu trainieren, sich die Positionen zu merken, die es auf dem Damespielbrett gesehen hatte, sowie den Wert bestimmter Positionen (z. B. Nähe zur Krönung, Mitte vs. Ende des Brettes usw.). Um die Genauigkeit dieses Algorithmus weiter zu steigern, ließ Samuel es als fortgeschrittene Trainingstechnik gegen sich selbst spielen.

Das Computer-Damespielprogramm half, das maschinelle Lernen in den Vordergrund der fortgesetzten Erforschung der künstlichen Intelligenz zu katapultieren.

Anwendungsfälle des maschinellen Lernens

Wie bei der KI existieren auch Anwendungen des maschinellen Lernens derzeit – einschließlich solcher, die wir regelmäßig nutzen. Die folgende Liste ist nicht erschöpfend, gibt aber einen guten Überblick über einige aktuelle Einsatzmöglichkeiten von ML.

Selbstfahrende Fahrzeuge und GPS-Kartendaten

Autonome Autos sind ein Paradebeispiel für maschinelles Lernen in Aktion. ML-Algorithmen verwenden neuronale Netze, Computer Vision und KI, um die Art der Straße zu erkennen, auf der sie fahren, was bestimmte Straßenschilder bedeuten, ob es eine Ampel gibt, ob Fußgänger oder andere Autos auf der Straße sind und welche anderen zufälligen Hindernisse das selbstfahrende Fahrzeug möglicherweise in Kontakt kommen könnte.

Außerdem, jedes Mal, wenn Sie Ihr Telefon für GPS-Richtungen verwenden, ist maschinelles Lernen im Einsatz. Genau wie wir das Fahren durch Übung und das Befolgen derselben Route und Bewegungen lernen (z. B. eine Rechtskurve, eine Kehrtwende, ein Spurwechsel), lernt der ML-Algorithmus aus Routenmustern, um seine Genauigkeit in der Navigation und der Einhaltung von Verkehrsregeln zu verbessern.

GIF mit freundlicher Genehmigung von ZME Science via Chris Urmson

Gesichtserkennung

Maschinelles Lernen wird in allen Aspekten der Biometrie eingesetzt. Biometrische Authentifizierung ist eine Methode der Sicherheit und Identifikation basierend auf physischen Merkmalen (z. B. Ihre Augen, Fingerabdruck oder – Sie haben es erraten – Gesicht). Da ML-Algorithmen darauf trainiert sind, Objekte und Muster zu erkennen, zieht die Gesichtserkennung aus Computer Vision und ML, um Systemen zu helfen, physische Merkmale zu erkennen, um zu authentifizieren, dass die Person, die versucht, auf ein Gerät zuzugreifen, tatsächlich die Person ist, die es besitzt.

Zielgerichtete Werbung

Immer wenn Sie online sind und etwas nachschlagen, werden Daten über Ihre Suchbegriffe, Ihre demografischen Informationen, verwandte Suchinteressen und mehr erfasst. AI-Marketing verwendet maschinelle Lernalgorithmen, um Muster in Ihren Online-Gewohnheiten (sowie denen anderer) zu verfolgen und Annahmen über Ihre Kaufmuster, wer Sie sind und wie man Ihnen am besten Werbung schaltet, zu treffen. Wenn Sie zum Beispiel jemand sind, der wirklich auf Handtaschen steht, werden Sie wahrscheinlich eine Anzeige für Handtaschen auf Amazon erhalten.

Künstliche Intelligenz vs. maschinelles Lernen – der Spickzettel

Um die obigen Informationen kurz zusammenzufassen, hier ist ein Spickzettel, der Ihnen hilft, die grundlegenden Unterschiede zwischen KI und ML zu merken!

Möchten Sie mehr über künstliche Intelligenz und maschinelles Lernen erfahren? Schauen Sie sich unser umfangreiches Glossar der KI-Begriffe an.