Wodurch sich KI, Machine Learning und Deep Learning unterscheiden

Kevin Hofer

4.6.2018

Künstliche Intelligenz wird heute häufig in einem Atemzug mit Machine Learning genannt. Machine Learning ist zwar ein Teilgebiet von Künstlicher Intelligenz, synonym lassen sich die Begriffe aber nicht verwenden. Gleiches gilt für Deep Learning. Ein Abgrenzungsversuch.

Ich sollte mir mal wieder die Haare schneiden. Dafür müsste ich aber einen Termin beim Coiffeur machen. Bei meiner Haareschneiderin kann ich leider keine Termine online machen. Ich müsste sie also telefonisch kontaktieren. Telefonieren mag ich aber überhaupt nicht. Zum Glück kann ich Google den Auftrag geben, mir einen Termin zu vereinbaren.

Dieses Beispiel zeigt sehr gut, was KI ist. Künstliche Intelligenz ist der Überbegriff, wenn wir über Intelligenz bei Maschinen sprechen. Wir können künstlichen Intelligenzen im Alltag begegnen, wie das Beispiel des Google Assistenten zeigt. KI soll logisch schlussfolgern können, die Fähigkeit zur Wissensrepräsentation haben, planen, navigieren, Sprache verarbeiten, die Welt wahrnehmen, in ihr interagieren und auch über emotionale Intelligenz und Moral verfügen.

Machine Learning ist ein Teilgebiet von Künstlicher Intelligenz und Deep Learning wiederum ein Teilgebiet von Machine Learning. Doch was hat es mit diesen beiden Begriffen auf sich?

Noch mehr über KI liest du im folgenden Artikel.

Machine Learning

Ein Beispiel für Machine Learning ist die Empfehlungsengine von Netflix. Sie ist ein integraler Bestandteil des Streaming-Dienstes. Auf Basis deiner Vorlieben und Bewertungen empfiehlt dir Netflix entsprechende Filme, Serien und Dokus.

Beim Machine Learning wird ein System mit Daten und dazugehörigen Informationen gefüttert. Strassenverkehr zum Beispiel: Ich möchte wissen, wie viele Fahrzeuge an einem Nachmittag vor meinem Haus durchfahren. Zudem würde ich sie gerne nach Fahrzeugtyp sortieren. Ich könnte sie zählen, was aber viel zu aufwändig wäre.

Also füttere ich ein Machine-Learning-System mit visuellen Daten zu verschiedensten Fahrzeugen (Auto, Fahrrad, Motorrad). Dabei gebe ich dem System Informationen zu den Eigenschaften dieser Fahrzeuge. Also, dass ein Fahrrad im Normalfall zwei Räder hat, Pedale und einen Lenker. Es lernt, sie anhand optischer Eigenheiten auseinanderzuhalten. Nachdem ich es mit den mir zur Verfügung stehenden Daten gespeist habe, lasse ich es die Strasse observieren. So treffen auch immer wieder neue Daten auf das System, das diese aufnimmt und mit den vorhandenen abgleicht. So erhalte ich Auskunft über die Art und Anzahl des Verkehrs vor meinem Haus.

Beim Machine Learning kann das System also Vorhersagen auf Basis von bekannten Daten machen. Das System benötigt zwar einiges an Daten, damit es lernt, aber weniger als ein Deep-Learning-System. Machine Learning eignet sich deshalb auch für einfachere Systeme. Die meisten Daten müssen aber im Vornherein manuell eingegeben werden. Eine Aufgabe wird unterteilt und in ihren Einzelteilen gelöst. Es dauert relativ lange, bis ich weiss, ob das System genau genug arbeitet, die Testphase ist entsprechend lang. Das System ist leicht nachvollziehbar, da die Regeln von Menschenhand gemacht wurden.

Deep Learning

Ein Beispiel für Deep Learning ist das automatische Einfärben von Schwarz-Weiss-Fotos. Das Deep-Learning-System lernt anhand von Farbmustern, die üblicherweise auf Fotos zu finden sind. Etwa, dass der Himmel meist blau ist und Wolken häufig weiss-grau. Dieses Wissen überträgt es dann auf weitere Schwarz-Weiss-Fotos.

Im Gegensatz zum herkömmlichen Machine Learning können Systeme beim Deep Learning auch von selbst lernen. Beim nicht überwachten Deep Learning etwa werden Daten zwar noch von Menschenhand eingespeist, aber das System verarbeitet diese selbst. Das funktioniert mit künstlichen neuronalen Netzwerken.

Zurück zum Beispiel der Fahrzeugzählung. Dieses Mal werden dem System visuelle Daten ohne weitere Informationen zur Verfügung gestellt. Diese Bilder teilt das System in grobe Pixel auf (z.B. 28×28). Die Informationen lässt es durch das künstliche neuronale Netzwerk laufen, damit das System lernt, die verschiedenen Fahrzeugtypen zu unterscheiden. Nachdem es das gelernt hat, lassen wir neue Daten – die tatsächliche Verkehrszählung – auf das System los. Diese erkennt es nun korrekt.

Wie das Ganze im Detail funktioniert, ist sehr komplex. Damit setze ich mich zurzeit auseinander und schreibe demnächst einen Artikel darüber.

Deep-Learning-Systeme denken und lernen durch künstliche neuronale Netzwerke wie wir Menschen. Die Performance nimmt zu, je mehr Daten zur Verfügung stehen. Und davon braucht es einige – viel mehr als beim Machine Learning. Das Teilgebiet von Machine Learning bietet dafür bessere Skalierbarkeit als andere ML-Systeme. Das hat seinen Preis: Deep Learning erfordert einiges an Rechenpower, weshalb es eher bei komplexen Systemen Anwendung findet. Probleme werden in ihrer Ganzheit erfasst. Das System entscheidet selbst, von was es etwas lernt. Bis die Systeme gelernt haben, dauert es zwar länger als bei anderen ML-Systemen, dafür wird weniger Zeit fürs Testen benötigt.

Zusammenfassung

Kurz und knapp lässt sich sagen, dass KI ein Konzept ist und Machine Learning ein möglicher Weg, KI zu erreichen. KI ist sozusagen das Gefäss. Dabei handeln und denken intelligente Maschinen wie Menschen. Durch Machine Learning lernt ein System durch Programmierung. Beim Deep Learning lernt kann das System auch eigenständig lernen.

Oder anders ausgedrückt: Alles Machine Learning ist KI, aber nicht alle KI ist Machine Learning. Analog dazu ist alles Deep Learning Machine Learning, aber nicht alles Machine Learning ist Deep Learning. Und zu guter Letzt: Alles Deep Learning ist KI, aber nicht alle KI ist Deep Learning.

Klingt verwirrend, ist aber eigentlich ganz einfach.

Kevin Hofer

Senior Editor

kevin.hofer@digitecgalaxus.ch

Technologie und Gesellschaft faszinieren mich. Die beiden zu kombinieren und aus unterschiedlichen Blickwinkeln zu betrachten, ist meine Leidenschaft.

Diese Beiträge könnten dich auch interessieren