Grundlagen

Sind Künstliche Intelligenz und Machine Learning dasselbe?

Roboter überreicht einer Frau eine Blume
© pexels.com/Pavil Danilyuk

„Nein, Künstliche Intelligenz und maschinelles Lernen sind nicht dasselbe, aber sie sind eng miteinander verwandt. Maschinelles Lernen ist die Methode, mit der ein Computer so trainiert wird, dass er aus seinen Eingaben lernt, ohne dass er für jeden Sachverhalt explizit programmiert werden muss. Maschinelles Lernen hilft einem Computer, künstliche Intelligenz zu erreichen.“

(Copeland, o. D.)

Abb. 1.1: Leistungsbestandteile der Künstlichen Intelligenz (KI)

Leistungsbestandteile der Künstlichen Intelligenz
Quelle: in Anlehnung an Kreutzer & Sirrenberg, 2019, S. 4

Was ist Künstliche Intelligenz?

Copeland (o. D.) bezeichnet „ … Künstliche Intelligenz (KI) … [als] die Fähigkeit eines digitalen Computers oder eines computergesteuerten Roboters, Aufgaben auszuführen, die üblicherweise mit intelligenten Wesen in Verbindung gebracht werden.“

Diese Definition sagt nichts darüber aus, ob KI oder deren Anwendungen der menschlichen Intelligenz ähnlich oder dieser gleichgestellt sind (Gethmann et al., 2022).

Zu den Verhaltensweisen, die intelligenten Lebewesen im Allgemeinen zugerechnet werden, gehören lt. Getmann et al.:

  • Wahrnehmen: sehen, hören, fühlen, schmecken, etc.
  • Lernen, Wissen, Begründen: denken, verstehen, planen, etc.
  • Kommunizieren: schreiben, sprechen, etc.
  • Handeln

Verschiedene Teilbereiche der KI können diesen menschlichen Fähigkeiten zugeordnet werden – siehe modellhafte Darstellung in der „Landscape of AI“ (Gethmann et al., 2022):

Abb. 1.2: Landkarte der KI

Landkarte der Künstlichen Intelligenz
Quelle: in Anlehnung an Humm, 2020, zitiert nach Gethmann et al, 2022, S.17

Wahrnehmen – Computer Vision

Computer Vision ist ein Teilgebiet der KI und befasst sich mit dem maschinellen Abgleichen (Erkennen) und Verarbeiten von Bildmaterial (Stand- und Bewegtbild). „Computer Vision kombiniert Kameras, Edge- oder Cloud-Computing, Software und künstliche Intelligenz (KI), um Systemen das ,Sehen‘ und Erkennen von Objekten in Datenform zu ermöglichen.“ (Ahmad, o. D.). Daten können anhand von Fotos, Scans, Videos oder multidimensional (nach vielfachen Kritereien auswertbare Daten) ausgelesen werden, so Ahmad. Bekannte Anwendungsbereiche sind die automatische Erkennung von Krankheiten (z.B. Krebs) anhand bildgebender Verfahren wie Ultraschall, Röntgen, MRT oder CTG (Gethmann et al., 2022).

Kommunizieren – Natural Language Processing (NLP) und Information Retrieval

Beim Natural Language Processing (NLP) wird natürliche Sprache von Computersystemen verarbeitet. Digitale Assistenten erkennen menschliche Sprache und führen sprachgenerierte Befehle aus, erklären Gethmann et al.

Anders als bei NLP, wo Informationen aus natürlichem Text extrahiert werden, wird bei Spracherkennung (Speech Recognition) die gesprochene Sprache in Text umgewandelt. Auf dem Gebiet des maschinellen Textverstehens kommen Unsupervised Learning (ML lernt auf Basis von Rohdaten ohne von Menschen vorab trainiert werden zu müssen), Pre-Training (ein System wird trainiert ohne dass im Vorhinein feststeht, welche Aufgaben später erfüllt werden sollen; der Vorteil ist die schnellere Problemlösung bei neuen Aufgaben da das System lernerprobt ist und der Lernprozess später nicht bei Null beginnt) und Transfer Training (ein auf eine Aufgabe trainiertes System wird auf die Ausführung anderer Aufgaben angepasst) zum Einsatz (Henkelmann, 2019).

Beim Vorgang des Information Retrieval (Informationsrückgewinnung) werden unstrukturierte Daten aus einer großen Datenmenge von einer Maschine ausgewertet. Nach diesem Prinzip funktionieren Suchmaschinen wie Google oder Bing, die Suchbegriffe im Internet abfragen (Ryte GmbH, o. D.).

Lernen – Machine-Learning

Machine Learning (ML) umfasst im Allgemeinen Methoden zur Erkennung von Zusammenhängen in Datensätzen und trifft auf deren Basis Aussagen (Murphy, 2012, zitiert nach Gethmann et al., 2022).

ML ist eine Anwendung von KI, bei der Algorithmen lernen ohne explizit programmiert zu werden. Beim Lernprozess wird Information aus vorhandenen Daten automatisch extrahiert, mit dem Ziel, Prognosen für neue, unsichtbare Daten zu erhalten. Der Mensch legt für die Entscheidungsfindung der Maschine keine Regeln fest. Der Algorithmus lernt beim überwachten Lernen (der zweite Ansatz des maschinellen Lernens ist das unüberwachte Lernen) mithilfe von Trainingsdaten (Inputdaten) Informationen zu klassifizieren bzw. zu strukturieren. Zur automatischen Erkennung von z.B. Spam E-Mails werden dem Algorithmus Beispiele für Spam- und Nicht-Spam E-Mails gezeigt. Anhand von bestimmten, gelernten Merkmalen trifft die Maschine ohne menschliches Zutun Vorhersagen für die Klassifizierung von Spam-Nachrichten (Klein, o. D.).

Ein mathematisches Verfahren zum Erkennen von Mustern in Datensätzen ist „Data Mining“. Ein Beispiel dafür ist das Clustern von Kundendaten (Gethmann et al., 2022).

Wissen – Knowledge Representation

„Knowledge Representation [(KR) oder Knowledge Representation Reasoning (KRR)] ist das KI-Teilgebiet, welches sich mit der expliziten Modellierung von Wissen beschäftigt. Ein Beispiel ist der Google Knowledge Graph, die Informationsquelle für Infoboxen, welche passend zu Google Suchanfragen angezeigt werden.“

(Gethmann et al., 2022, S. 16)

Wissensbasierte Systeme (WBS) oder Knowledage Based Systems (KBS) verwalten von Menschen modelliertes Wissen auf eine Weise, die sowohl von Menschen als auch Maschinen gelesen werden kann. Menschliches Expertenwissen dient als Wissensbasis für ein Expertensystem, das, mit einer Inferenzmaschine ausgestattet, regelbasiert vorhandenes Wissen interpretiert und eigene Schlussfolgerungen ableitet. Dabei entscheidet die Inferenzmaschine darüber in welcher Form oder Reihenfolge Regeln zur Problemlösung herangezogen werden. Zu bekannten Verfahren zählen Ontologien, Logische Programmiersprachen (siehe Abb. 1.2, Informationen in Rechtecken) und Wissensgraphen (z.B. der Google Knowledge Graph, Facebook Graph, Microsoft Graph) / Semantische Netze (Gethmann et al., 2022).

Denken – Probabilistic Reasoning [h2]

Logische Programmierung bildet die Grundlage für KI und maschinelles Lernen. Sie basiert auf einer Programmierweise, die großteils auf einer formalen Logik und einem deklarativen Regelwerk aufgebaut ist. Progammiergebnisse werden anhand von mathematischen Gleichungen und anderer Methoden durch induktiv logische (Verfahren zur automatisierten Erzeugung logischer Programme aus Beispielen) und objekt-orientierte Programmierung erzielt (Kinter, 2022). Ein klassischer Anwendungsbereich für logische Programmierung sind Berechnungen zur Risikobewertung in der Versicherungsbranche.

In Zusammenhang mit probabilistischem Denken einer Maschine soll das „Complex Event Processing“ nicht unerwähnt bleiben. Bei dieser Prozessverarbeitung werden nahezu in Echtzeit mehrere Energieströme unmittelbar während dem Ablauf der Ereignisse verarbeitet und analysiert, gruppiert, abgefragt und Abhängigkeiten extrahiert (Luber & Litzel, 2020). Diese komplexe Mustererkennung kommt bei fortlaufenden Ereignissen wie Kreditkartenbuchungen und bei der Betrugserkennung zum Einsatz.

Handeln – Industrielle Fertigung & Robotik

„Das KI-Teilgebiet Planen beschäftigt sich mit der Optimierung von Handlungsschritten zur Erfüllung von Zielen, z.B. in der industriellen Fertigung. Agenten-Technologie wird eingesetzt bei komplexen KI-Anwendungen wie autonomem Fahren, die viele KI-Gebiete umfassen. Intelligente Agenten verbinden Komponenten für Computer Vision, Natural Language Processing, Machine Learning, Knowledge Representation etc. Bei der Robotik geht es um die Entwicklung von stationären oder mobilen Robotern sowie deren Programmierung.“

(Gethmann et al., 2022, S. 28)

Wissensbasierte KI und Machine Learning ergänzen einander

Beiden KI-Verfahren kommen in vielen unterschiedlichen Fachgebieten zum Einsatz und unterstützen dort, wo menschliches Expertenwissen an seine Grenzen stößt oder Assistenz beim Durchsuchen großer Datenmengen benötigt wird. Wissensnetze von wissensbasierter KI beinhalten spezifisches Faktenwissen, Machine Learning findet regelbasiert Lösungen für komplexe Sachverhalte und leitet eigenständig Schlussfolgerungen ab. Beispielsweise kann der Einsatz von Expertensystemen im medizinischen Bereich durch die schnelle Bereitstellung maschinengestützter Handlungsempfehlungen in kritischen Situationen erhöhte Sicherheit bieten. Anders als bei wissensbasierten Verfahren, wo Aussagen begründet werden können, liefern ML-Verfahren allerdings Ergebnisse, die oft nicht nachvollziehbar sind da sie wie eine Black Box funktionieren und Entscheidungsfindungen verzerrt („biased“) sind. Um dem entgegen zu wirken und Ergebnisse von ML greifbar zu machen, wird an der Entwicklung „Erklärbarer KI“ („Explainable AI“) geforscht. Explainable AI soll die Vorteile beider KI-Ansätze kombinieren (Gethmann et al., 2022).

Kreutzer (2019) betont, dass die Qualität der Ergebnisse und die Genauigkeit der getroffenen Aussagen grundlegend von der Qualität der Datenlage abhängt, die für die Entscheidungsfindung herangezogen wird. Da dies eine nicht unerhebliche Rolle spielt, sollen KI-Anwendungen auch Selbsteinschätzungen hinsichtlich des Genauigkeitsgrads ihrer Schlussfolgerungen liefern, um die Nachvollziehbarkeit von getroffenen Entscheidungen überprüfen zu können.

Einen weiteren Teilbereich des maschinellen Lernens stellt das Deep Learning dar.


Quellen:

Ahmad, S. (o. D.). Computer Vision. World of VR. Abgerufen am 6. Juli 2022, von https://worldofvr.de/computer-vision/

Copeland, B. J. (o. D.). Artificial Intelligence. Britannica. Abgerufen am 26. Juni 2022, von https://www.britannica.com/technology/artificial-intelligence

Gethmann, C. F. et al. (2022). Künstliche Intelligenz in der Forschung (Bd. 48) [E-Book]. Springer. https://doi.org/10.1007/978-3-662-63449-3

Henkelmann, C. (2019, Mai 31). ELMo, BERT und vierhörnige Einhörner. Heise Magazine, iX Special 2019. Abgerufen am 9. Juli 2022, von https://www.heise.de/select/ix/2019/13/1908108563605704189

Kinter, P. (2022, Jänner 17). Was ist Logische Programmierung. Alexander Thamm GmbH. Abgerufen am 9. Juli 2022, von https://www.alexanderthamm.com/de/data-science-glossar/logische-programmierung

Klein, B. (o. D.). Einführung in maschinelles Lernen mit Python. Python Kurs. Abgerufen am 9. Juli 2022, von https://www.python-kurs.eu/maschinelles_lernen_mit_python.php#Was-versteht-man-unter-Maschinellem-Lernen?

Kreutzer, R. T. & Sirrenberg, M. (2019). Künstliche Intelligenz verstehen: Grundlagen – Use-Cases – unternehmenseigene KI-Journey (German Edition) (1. Aufl. 2019 Aufl.). Springer Gabler. https://doi.org/10.1007/978-3-658-25561-9

Luber, S. & Litzel, N. (2020, 9. März). Was ist Complex Event Processing? BigData-Insider. Abgerufen am 9. Juli 2022, von https://www.bigdata-insider.de/was-ist-complex-event-processing-a-900581/

Ryte GmbH. (o. D.). Information Retrieval einfach erklärt – Ryte Wiki. Abgerufen am 6. Juli 2022, von https://de.ryte.com/wiki/Information_Retrieval


Sind Künstliche Intelligenz und Machine Learning dasselbe in aller Kürze:

Sind Künstliche Intelligenz und Machine Learning dasselbe?

Nein, Künstliche Intelligenz und maschinelles Lernen sind nicht dasselbe, aber sie sind eng miteinander verwandt. Maschinelles Lernen ist die Methode, mit der ein Computer so trainiert wird, dass er aus seinen Eingaben lernt, ohne dass er für jeden Sachverhalt explizit programmiert werden muss. Maschinelles Lernen hilft einem Computer, künstliche Intelligenz zu erreichen.

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (KI) ist die Fähigkeit eines digitalen Computers oder eines computergesteuerten Roboters, Aufgaben auszuführen, die üblicherweise mit intelligenten Wesen in Verbindung gebracht werden. Dabei sagt die Definition nichts darüber aus, ob KI oder deren Anwendungen der menschlichen Intelligenz ähnlich oder dieser gleichgestellt sind.

Was ist Computer Vision?

Computer Vision ist ein Teilgebiet der Künstlichen Intelligenz und befasst sich mit dem maschinellen Abgleichen (Erkennen) und Verarbeiten von Bildmaterial (Stand- und Bewegtbild). Dabei werden Kameras, Edge- oder Cloud-Computing, Software und künstliche Intelligenz (KI) kombiniert, um Systemen das „Sehen“ und Erkennen von Objekten in Datenform zu ermöglichen. Bekannte Anwendungsbereiche sind die automatische Erkennung von Krankheiten (z.B. Krebs) anhand bildgebender Verfahren wie Ultraschall, Röntgen, MRT oder CTG.

Was ist Natural Language Processing?

Natural Language Processing (NLP) ist die Verarbeitung von natürlicher Sprache durch Computersysteme. Digitale Assistenten erkennen menschliche Sprache und führen sprachgenerierte Befehle aus. Beim maschinellen Textverstehen kommen Unsupervised Learning, Pre-Training und Transfer Training zum Einsatz. Beim Information Retrieval werden unstrukturierte Daten aus einer großen Datenmenge von einer Maschine ausgewertet, wie dies bei Suchmaschinen wie Google oder Bing der Fall ist.

Was ist Machine Learning?

Machine Learning (ML) umfasst im Allgemeinen Methoden zur Erkennung von Zusammenhängen in Datensätzen und trifft auf deren Basis Aussagen. Dabei ist ML eine Anwendung von KI, bei der Algorithmen lernen, ohne explizit programmiert zu werden. Der Algorithmus lernt beim überwachten Lernen, bei dem ihm Beispiele mit bekannten Ergebnissen gezeigt werden, oder beim unüberwachten Lernen, bei dem er selbstständig Zusammenhänge erkennt.

Similar Posts