Künstliche Intelligenz, maschinelles Lernen und tiefes Lernen sind heute ein wesentlicher Bestandteil vieler Unternehmen. Oft werden diese Begriffe als Synonyme verwendet.
Künstliche Intelligenz macht große Fortschritte - von Erfolgen auf dem Gebiet unbemannter Fahrzeuge und der Fähigkeit, eine Person in Spielen wie
Poker und Go zu schlagen, bis hin zum automatisierten Kundenservice. Künstliche Intelligenz ist eine fortschrittliche Technologie, die bereit ist, das Geschäft zu revolutionieren.
Oft werden die Begriffe künstliche Intelligenz, maschinelles Lernen und tiefes Lernen willkürlich als austauschbar verwendet, aber tatsächlich gibt es Unterschiede zwischen ihnen. Wie genau sich diese Begriffe unterscheiden, wird später beschrieben.
Künstliche Intelligenz (KI)
Künstliche Intelligenz ist ein umfassendes Konzept für fortschrittliche Maschinenintelligenz. 1956 wurde diese Technologie auf einer Konferenz über künstliche Intelligenz in Dartmouth wie folgt beschrieben: „Jeder Aspekt des Lernens oder jedes andere Merkmal der Intelligenz kann im Prinzip so genau beschrieben werden, dass eine Maschine sie nachahmen kann.“
Künstliche Intelligenz kann sich auf alles beziehen - von Computerprogrammen zum Schachspielen bis hin zu Spracherkennungssystemen wie beispielsweise dem
Amazon Alexa- Sprachassistenten, der Sprache wahrnehmen und Fragen beantworten kann. Im Allgemeinen können künstliche Intelligenzsysteme in drei Gruppen unterteilt werden: begrenzte künstliche Intelligenz (schmale KI), allgemeine künstliche Intelligenz (AGI) und superintelligente künstliche Intelligenz.
Das
Deep Blue- Programm von IBM, das 1996 Garry Kasparov im Schach besiegte, oder das DeepMind
AlphaGo- Programm von Google, das 2016 den Weltmeister Guo Li Sedol besiegte, sind Beispiele für begrenzte künstliche Intelligenz, die ein bestimmtes Problem lösen können. Dies ist der Hauptunterschied zur Allgemeinen Künstlichen Intelligenz (AGI), die der menschlichen Intelligenz ebenbürtig ist und viele verschiedene Aufgaben ausführen kann.
Supramentale künstliche Intelligenz ist einen Schritt über dem Menschen.
Nick Bostrom beschreibt es folgendermaßen: Es ist "eine Intelligenz, die in fast allen Bereichen, einschließlich wissenschaftlicher Kreativität, allgemeiner Weisheit und sozialer Fähigkeiten, viel schlauer ist als das beste menschliche Gehirn." Mit anderen Worten, dann werden Autos viel schlauer als wir.
Maschinelles Lernen
Maschinelles Lernen ist einer der Bereiche der künstlichen Intelligenz. Das Grundprinzip ist, dass Maschinen Daten empfangen und daraus „lernen“. Derzeit ist es das vielversprechendste Tool für Unternehmen, das auf künstlicher Intelligenz basiert. Mit maschinellen Lernsystemen können Sie das während des Trainings gewonnene Wissen schnell auf große Datenmengen anwenden und so Aufgaben wie Gesichtserkennung, Spracherkennung, Objekterkennung, Übersetzung und viele andere Aufgaben erfüllen. Im Gegensatz zu Programmen mit manuell codierten Anweisungen zum Ausführen bestimmter Aufgaben kann das System beim maschinellen Lernen lernen, wie Muster unabhängig erkannt und Vorhersagen getroffen werden.
Während beide Programme - sowohl Deep Blue als auch DeepMind - Beispiele für die Verwendung künstlicher Intelligenz sind, wurde Deep Blue auf einem vorprogrammierten Regelwerk aufgebaut, sodass es nichts mit maschinellem Lernen zu tun hat. Auf der anderen Seite ist DeepMind ein Beispiel für maschinelles Lernen: Das Programm schlug den Weltmeister in Go, indem es sich auf einen großen Datensatz von Zügen trainierte, die von erfahrenen Spielern ausgeführt wurden.
Ist Ihr Unternehmen daran interessiert
, maschinelles Lernen in Ihre Strategie zu integrieren? Amazon, Baidu, Google, IBM, Microsoft und andere bieten bereits Plattformen für maschinelles Lernen an, die Unternehmen nutzen können.
Tiefes Lernen
Deep Learning ist eine Teilmenge des maschinellen Lernens. Es verwendet einige Methoden des maschinellen Lernens, um reale Probleme mithilfe neuronaler Netze zu lösen, die menschliche Entscheidungen nachahmen können. Deep Learning kann teuer sein und erfordert enorme Mengen an Trainingsdaten. Dies liegt an der Tatsache, dass eine große Anzahl von Parametern für Trainingsalgorithmen konfiguriert werden muss, um Fehlalarme zu vermeiden. Zum Beispiel kann der Deep-Learning-Algorithmus angewiesen werden, zu „lernen“, wie eine Katze aussieht. Um ein Training zu erstellen, ist eine große Anzahl von Bildern erforderlich, um zu lernen, zwischen den kleinsten Details zu unterscheiden, die eine Katze beispielsweise von einem Geparden, einem Panther oder einem Fuchs unterscheiden.
Wie oben erwähnt, wurde im März 2016 ein großer Sieg erzielt, als das AlphaGo DeepMind-Programm den Weltmeister Guo Li Sedol in 4 von 5 Spielen mit Deep Learning besiegte. Laut Google kombinierte das Deep-Learning-System die "
Monte-Carlo-Methode zur Suche nach einem Baum mit tiefen neuronalen Netzen, die mit einem Lehrer in professionellen Spielen trainiert wurden, und verstärkte das Lernen in Spielen mit sich selbst".
Deep Learning hat auch Geschäftsanwendungen. Sie können eine große Datenmenge aufnehmen - Millionen von Bildern - und mit deren Hilfe bestimmte Merkmale identifizieren. Textsuche, Betrugserkennung, Spamerkennung, Handschrifterkennung, Bildsuche, Spracherkennung, Übersetzung - all diese Aufgaben können mit Deep Learning erledigt werden. Beispielsweise haben die Deep-Learning-Netzwerke von Google viele "regelbasierte Systeme, die manuelle Arbeit erfordern" ersetzt.
Es ist erwähnenswert, dass tiefes Lernen ziemlich „voreingenommen“ sein kann. Als beispielsweise das Gesichtserkennungssystem von Google zum ersten Mal eingesetzt wurde, wurden viele schwarze Gesichter als Gorillas markiert. "Dies ist ein Beispiel dafür, was passiert, wenn Sie keine Afroamerikaner in Ihrem Trainingsset haben", sagte Anu Tewary, Principal Data Scientist bei Mint at Intuit. "Wenn Sie keine Afroamerikaner haben, die an dem System arbeiten, wenn Sie keine Afroamerikaner haben, die das System testen, dann wird Ihr System, wenn es auf Afroamerikaner trifft, nicht wissen, wie es sich verhalten soll."
Es gibt eine Meinung, dass das
Thema Deep Learning stark gehyped ist .
Sundown AI bietet beispielsweise automatisierte Kundeninteraktionen mithilfe einer Kombination aus Algorithmen für maschinelles Lernen und Richtliniengraphen ohne tiefes Lernen.
Der ursprüngliche Artikel lautet "
Die Unterschiede zwischen KI, maschinellem Lernen und tiefem Lernen verstehen ".