AI vs. maschinelles Lernen vs. Deep Learning

Artificial Intelligence, maschinelles Lernen und Deep Learning stehen in einer Wechselbeziehung zueinander, basieren aber auf unterschiedlichen Abstraktionsebenen. Eines haben sie jedoch gemeinsam: In sämtlichen Anwendungsbereichen – z. B. selbstfahrende Autos oder Computerprogramme, mit denen Ärzte die Wahrscheinlichkeit eines Schlaganfalls bestimmen können – werden immer mehr Big Data und Rechenleistung gebraucht, um aussagekräftige Ergebnisse zu liefern.

Artificial Intelligence

Unter Artificial Intelligence (AI) versteht man die Theorie und Entwicklung von Maschinen, die menschliche Intelligenz nachahmen, um bestimmte Aufgaben durchzuführen. AI versucht menschliche Intelligenz in Anwendungen, Systemen oder Prozessen teilweise oder vollständig zu replizieren. Beispiele für AI-Systeme sind Spracherkennung, visuelle Wahrnehmung und Sprachübersetzung. Maschinelles Lernen und Deep Learning sind Unterdisziplinen von AI.

Maschinelles Lernen und Deep Learning

Maschinelles Lernen (ML) ist eine Unterdisziplin von AI, die mithilfe künstlicher neuronaler Netze (Artificial Neural Networks, ANN) nachahmt, wie Menschen Entscheidungen treffen. Maschinelles Lernen erlaubt Computern – selbständig, ohne entsprechend programmiert zu sein – aus großen Datensätzen zu lernen. ML wird eingesetzt, um Trends in großen Datenmengen und statistischen Modellen zu erkennen.

Deep Learning (DL) – einer von mehreren Ansätzen des maschinellen Lernens – geht noch einen Schritt weiter. Deep Learning nutzt tiefgehende neuronale Netze, um Muster aus riesigen Datenmengen abzuleiten. Bei neuronalen Netzen handelt es sich um Algorithmen, die der biologischen Struktur des menschlichen Gehirns nachgebildet sind und sich jeweils auf eine bestimmte Ebene einer Aufgabe konzentrieren, um zu lernen. Beispiele hierfür sind das Empfehlungssystem von Netflix und ein von Forschern des MIT entwickelter Algorithmus, der äußerst schnell künftige Verhaltensweisen vorhersagen kann.

Um die Unterschiede zwischen den einzelnen Technologien besser zu verstehen, schauen wir uns am besten an, wie sich ein Computer trainieren lässt, um das Bild einer Katze zu erkennen.

• Bei der Artificial Intelligence müsste ein Programmierer den gesamten Code schreiben, den der Computer braucht, um eine Katze zu erkennen.
• Beim maschinellen Lernen müssten Programmierer dem System beibringen, wie es lernt, eine Katze zu unterscheiden, z. B. indem so lange Bilder eingespielt und deren Analysen korrigiert werden, bis der Computer die gewünschten Ergebnisse liefert.
• Deep Learning würde die Aufgabe in unterschiedliche Ebenen aufteilen – auf einer Ebene würde der Algorithmus lernen, die Augen zu erkennen, auf einer andere die allgemeine Gestalt, etc. Die verbundenen Ebenen ermöglichen dann maschinelles Lernen.

Maschinelles Lernen und Deep Learning machen AI intelligenter und erschwinglicher.

AI, ML und DL in der Cloud

Dank der Fortschritte im Bereich der Cloud-Technologien werden AI, ML und DL immer erschwinglicher. Cloud AI-Serviceprovider wie Amazon Machine Learning, Microsoft Azure und Google Cloud AI bieten gemeinsame Ressourcen (Netzwerke, Rechenleistung, Speicher, Festplatten), die kosteneffizient, benutzerfreundlich und skalierbar sind.

Mit Cloud-basierten integrierten Technologieplattformen – wie IaaS, PaaS, SaaS und iPaaS – können sogar kleine und mittlere Unternehmen von Big Data-Speicher und Analysen profitieren. AI-APIs, ML-Algorithmen, Deep Learning, Gesichtserkennung, Datenvisualisierung, Computer Vision und Natural Language Processing-Techniken sind integriert und die Datenverarbeitung erfolgt remote in einem Datencenter. Ein spezielles Training im Bereich Datenwissenschaften ist nicht erforderlich.

Diese verbesserten Big Data-Integrationslösungen und -plattformen treiben die Entwicklung von AI, ML und DL weiter voran.

Artificial Intelligence und Talend

Moderne, leistungsstarke AI-basierte Geschäftsanwendungen brauchen relevante, zuverlässige und hochwertige Daten. Man kann nicht das eine ohne das andere haben. Während Big Data und Rechenleistung immer mehr zunehmen und sich Technologien ständig weiterentwickeln, kommen wir einer umfassenden AI – und damit der autonomen Empfindung – jeden Tag ein Stück näher.