Was ist der Unterschied zwischen maschinellem Lernen und Deep Learning?

Künstliche Intelligenz ist heutzutage allgegenwärtig, aber die Grundlagen der Funktionsweise dieser einflussreichen neuen Technologie können verwirrend sein. Zwei der wichtigsten Bereiche der KI-Entwicklung sind das „Maschinelle Lernen“ und sein Unterbereich „Deep Learning“. Hier ist eine kurze Erklärung dieser beiden wichtigen Disziplinen und wie sie zur Entwicklung der Automatisierung beitragen.

Erstens: Was ist KI?

Es lohnt sich, uns daran zu erinnern, was KI eigentlich ist. Befürworter künstlicher Intelligenz sagen, sie hoffen, eines Tages eine Maschine erschaffen, die „denken“ kann für sich selbst. Das menschliche Gehirn ist ein großartiges Instrument, das in der Lage ist, Berechnungen anzustellen die die Kapazität aller derzeit existierenden Maschinen bei weitem übersteigt. Softwareentwickler, die an der Entwicklung von KI beteiligt sind, hoffen , irgendwann eine Maschine zu bauen, die alles kann, was ein Mensch intellektuell zu leisten kann, ihn aber auch übertreffen kann.

Weiterlesen: KI ist mit vielen Begriffen verbunden. Wir haben ein Glossar mit allem, was Sie wissen müssen

Derzeit sind die Anwendungen von KI in Unternehmen und Regierungen weitgehend sind prädiktive Algorithmen, die Art, die Schlage Deinen nächsten Song vor auf Spotify oder versuchen , Ihnen ein ähnliches Produkt zu verkaufen wie Ihr letzte Woche bei Amazon gekauft. KI-Evangelisten glauben jedoch, dass die Technologie irgendwann in der Lage sein wird, zu schlussfolgern und Entscheidungen zu treffen die weit komplizierter sind. Hier kommen ML und DL in Spiel.

Maschinelles Lernen, erklärt

Maschinelles Lernen (ML) ist eine breite Kategorie der künstlichen Intelligenz, die sich auf den Prozess bezieht, durch den Softwareprogrammen „beigebracht“ wird, wie sie Vorhersagen oder „Entscheidungen“ treffen. Ein IBM-Ingenieur, Jeff Crume, erklärt Maschinelles Lernen als „sehr ausgefeilte Form der statistischen Analyse“. Laut Crume ermöglicht diese Analyse Maschinen, „Vorhersagen oder Entscheidungen auf der Basis von Daten zu treffen. Je mehr Informationen in das System eingespeist werden, desto „umso präziser die Vorhersagen können wir erstellen“, sagt er.

Im Gegensatz zur allgemeinen Programmierung, bei der eine Maschine entwickelt, um eine ganz bestimmte Aufgabe zu erfüllenBeim maschinellen Lernen geht es darum, einen Algorithmus zu trainieren, damit dieser selbst Muster in Daten erkennt. Wie bereits erwähnt, umfasst das maschinelle Lernen eine breite Palette von Aktivitäten.

Deep learning, erklärt

Tiefes Lernen ist Maschinelles Lernen. Es ist eine der zuvor erwähnten Unterkategorien des maschinellen Lernens, die wie andere Formen des ML darauf konzentriert ist, der KI das „Denken beizubringen“. Anders als andere Formen des maschinellen Lernens versucht DL , den großen Teil ihrer Arbeit den Algorithmen überlassen zu können. DL wird durch mathematische Modelle angetrieben, die als künstliche neuronale Netze (KNN) bekannt sind. Diese Netze versuchen die Prozesse nachzubilden, die natürlich im menschlichen Gehirn ablaufen – Dinge wie Entscheidungsfindung und Mustererkennung .

Der Hauptunterschied zwischen ML und DL

Einer der größten Unterschiede zwischen Deep Learning und anderen Formen des maschinellen Lernens ist das Maß an „Überwachung“, das einer Maschine bereitgestellt wird. Bei weniger komplizierten Formen des maschinellen Lernens ist der Computer wahrscheinlich in folgende Aktivitäten verwickelt: Überwachtes Lernen– ein Prozess, bei dem ein Mensch der Maschine hilft, Muster in beschrifteten, strukturierten Daten zu erkennen und so ihre Fähigkeit zu verbessern, prädiktive Analysen durchzuführen.

Maschinelles Lernen verlässt sich auf riesige Mengen von „Trainingsdaten“. Solche Daten werden oft von Menschen durch Datenbeschriftung zusammengestellt (viele dieser Menschen werden nicht sehr gut bezahlt). Durch diesen Prozess wird ein Trainingsdatensatz erstellt, der dann in den KI-Algorithmus eingespeist und damit er das Erkennen von Mustern beigebracht werden kann. Wenn ein Unternehmen beispielsweise einen Algorithmus trainiert um eine bestimmte Automarke auf Fotos erkennen, würde es den Algorithmus mit großen Sätzen von Fotos dieses Automodells füttern, die von menschlichem Personal manuell beschriftet wurden. Außerdem wird ein „Testdatensatz“ erstellt, um die Genauigkeit der Vorhersagefähigkeiten der Maschine zu messen, nachdem sie trainiert wurde.

Beim DL hingegen ist eine Maschine nimmt an einem Prozess teil, der „unüberwachtes Lernen“ genannt wird.” Beim unüberwachten Lernen verwendet eine Maschine ihr neuronales Netzwerk um Muster in sogenannten unstrukturierte oder „rohe“ Daten— also Daten, die noch nicht beschriftet oder in einer Datenbank organisiert wurden. Unternehmen können automatisierte Algorithmen nutzen, um Unmengen unorganisierter Daten zu durchforsten und so große Mengen menschlicher Arbeit zu vermeiden.

Wie neuronale Netze funktionieren

ANNs bestehen aus sogenannten „Knoten“. Laut MIT, ein neuronales Netzwerk kann „Tausende oder sogar Millionen“ von Knoten haben. Diese Knoten können etwas kompliziert sein, aber die Kurzerklärung lautet so, dass sie – wie die Knoten im menschlichen Gehirn – Informationen weiterleiten und verarbeiten. In einem neuronalen Netzwerk sind Knoten in einer organisierten Form angeordnet, die als „Schichten bezeichnet wird. „Deep Learning Netzwerke verfügen also über mehrere Schichten von Knoten. Informationen bewegen sich durch das Netzwerk und interagieren mit ihren verschiedenen Umgebungen, was zum Entscheidungsprozess der Maschine beiträgt, wenn sie einer menschlichen Eingabeaufforderung unterworfen wird.

Ein weiteres Schlüsselkonzept bei neuronalen Netzwerken ist das „Gewicht“, das ein Kommentator vergleicht zu den Synapsen im menschlichen Gehirn. Gewichte, die nur numerische Werte sind, werden über das neuronale Netzwerk einer KI verteilt und helfen dabei das Endergebnis der Endausgabe dieses KI-Systems zu bestimmen. Gewichte sind Informationseingaben, die dabei helfen, ein neuronales Netzwerk zu kalibrieren, damit es Entscheidungen treffen kann. MITs Deep Dive über neuronale Netze erklärt es so:

Ein Knoten weist jeder seiner eingehenden Verbindungen eine Zahl zu, die als „Gewicht“ bezeichnet wird. Wenn das Netzwerk aktiv ist, empfängt der Knoten für jede seiner Verbindungen ein anderes Datenelement – eine andere Zahl – und multipliziert es mit dem zugehörigen Gewicht. Anschließend addiert er die resultierenden Produkte und ergibt ing einer einzelnen Zahl. Liegt diese Zahl unter einem Schwellenwert, gibt der Knoten keine Daten an die nächste Schicht weiter. Wenn die Zahl den Schwellenwert überschreitet, „feuert der Knoten“, was in heutigen neuronalen Netzen im Allgemeinen bedeutet, dass die Zahl – die Summe der gewichteten Eingaben – über alle ausgehenden Verbindungen gesendet wird.

Kurz gesagt: Neuronale Netze sind so strukturiert, dass sie einem Algorithmus dabei helfen, eigene Schlussfolgerungen aus den ihm zugeführten Daten zu ziehen. Basierend auf seiner Programmierung kann der Algorithmus hilfreiche Zusammenhänge in großen Datenmengen erkennen und Menschen dabei helfen, auf Grundlage seiner Analyse eigene Schlussfolgerungen zu ziehen.

Warum ist maschinelles Lernen für die KI-Entwicklung wichtig?

Maschinelles Lernen und Deep Learning helfen dabei, Maschinen zu trainieren, um Vorhersage- und Interpretationsaufgaben auszuführen, die bisher ausschließlich in der Domäne des Menschen lagen. Dies kann viele Vorteile haben, aber der offensichtliche Nachteil besteht darin, dass diese Maschinen unweigerlich für schändliche und nicht nur hilfreiche Zwecke verwendet werden können (und, seien wir ehrlich, auch werden) – beispielsweise für Regierungs- und Strafverfolgungsbehörden. d private Überwachungssysteme und die fortgesetzte Automatisierung von Militär- und Verteidigungsaktivitäten. Aber sie sind natürlich auch nützlich für Verbrauchervorschläge oder Codierung und im besten Zustand für die medizinische und gesundheitsbezogene Forschung. Wie bei jedem anderen Werkzeug hängt es weit davon ab, wer sie nutzt ob künstliche Intelligenz gute oder schlechte Auswirkungen auf die Welt hat.

Eine Version dieses Artikels erschien ursprünglich auf Gizmodo.