KI vs. Machine Learning

Bei künstlicher Intelligenz (KI) und maschinellem Lernen (ML) handelt es sich um zwei Arten von intelligenten Softwarelösungen, die sich darauf auswirken, wie die Technologie der Vergangenheit, Gegenwart und Zukunft darauf ausgelegt wird, menschlichere Eigenschaften zu imitieren.

Im Wesentlichen handelt es sich bei künstlicher Intelligenz um eine technologische Lösung, ein System oder eine Maschine, die menschliches Denken nachahmen soll, um Aufgaben auszuführen. Dabei soll sie sich iterativ mithilfe der Daten, die sie erfasst, verbessern.

Maschinelles Lernen ist eine Unterkategorie der KI, die sich auf die Erstellung eines Softwaresystems konzentriert, das mithilfe der Daten, die es verarbeitet, lernt oder die Leistung verbessert. Das bedeutet, dass jede Lösung für maschinelles Lernen auch eine KI-Lösung ist. Aber nicht bei allen KI-Lösungen handelt es sich auch um maschinelles Lernen.

Künstliche Intelligenz vs. maschinelles Lernen vs. Deep Learning

Künstliche Intelligenz. Maschinelles Lernen. Deep Learning. Obwohl diese Begriffe zunehmend Mainstream werden, fühlen sich viele Menschen immer noch wie das Thema eines Science-Fiction-Films. Vereinfachen wir die Dinge und versuchen Sie die einzeilige Definition jedes Begriffs:

• Künstliche Intelligenz (KI): Computeraktionen, die menschliche Entscheidungsfindung basierend auf erlernten Erfahrungen und Daten nachahmen.
• Maschinelles Lernen (ML): Prozesse, mit denen Computer Schlussfolgerungen aus Daten ableiten können. ML ist eine Teilmenge von KI, mit der Computer außerhalb ihrer Programmierung lernen können.
• Deep Learning: Prozesse, mit denen Computer sehr komplexe Probleme lösen können. Deep Learning ist eine Teilmenge von ML, die Berechnungen in mehrschichtigen neuronalen Netzwerken möglich macht.

Geschichte der KI

Die Idee von künstlicher Intelligenz stammt aus den 1950er Jahren mit der Einführung von Computertechniken und -fähigkeiten in Maschinen. Das Ziel war einfach: über die Verwendung eines Computers als Berechnungsmittel hinauszugehen und die Entscheidungsfindung tatsächlich voranzutreiben.

Dies bedeutete, dass Computer über die Berechnung von Entscheidungen auf der Grundlage bestehender Daten hinausgehen mussten; sie mussten vorwärts gehen und dabei verschiedene Optionen für eine bessere Berechnung der Ableitung genauer betrachten. Wie dies praktisch erreicht wird, erfordert jedoch jahrzehntelange Forschung und Innovation. Eine einfache Form der künstlichen Intelligenz ist das Erstellen regelbasierter oder spezialisierter Systeme. Das Aufkommen einer erhöhten Rechenleistung ab den 1980er Jahren bedeutete jedoch, dass maschinelles Lernen die Möglichkeiten der KI verändern würde.

Die Entwicklung des maschinellen Lernens

Regelbasierte Entscheidungen arbeiteten in einfacheren Situationen mit klaren Variablen. Sogar computer-simulierte Schach basiert auf einer Reihe regelbasierter Entscheidungen, die Variablen wie welche Teile auf dem Board sind, in welchen Positionen sie sich befinden und deren Wendung sie ist. Das Problem ist, dass alle diese Situationen eine gewisse Kontrolle erfordern. An einem bestimmten Punkt ist die Fähigkeit, Entscheidungen zu treffen, die einfach auf Variablen basieren, und ob/oder wann Regeln nicht funktionieren.

Der Trick war also, zu mimisieren, wie Menschen gelernt haben.

Maschinelles Lernen wurde in den 1980er Jahren mit der Idee eingeführt, dass ein Algorithmus große Datenmengen verarbeiten könnte, und beginnt dann, Schlussfolgerungen basierend auf den Ergebnissen zu bestimmen, die er erhielt. Beispiel: Wenn einem maschinellen Lernalgorithmus ein großes Volumen an Kreditkartentransaktionen mit If/then-Regeln zum Kennzeichnen von Betrugsfällen zugeführt wurde, kann es dann beginnen, sekundäre Faktoren zu identifizieren, die ein Muster erstellt haben, z.B. wenn ein Konto etwas zu ungewöhnlichen Stunden oder in Filialen an einem anderen geografischen Standort kauft.

Ein solcher Prozess erforderte große Datasets, um Muster zu identifizieren. Während Datasets mit eindeutigen alphanumerischen Zeichen, Datenformaten und Syntax dem betreffenden Algorithmus helfen können, haben andere weniger greifbare Aufgaben wie die Identifizierung von Flächen auf einem Bild Probleme.

In den 2000er Jahren machte die Technologie einen weiteren Schritt nach vorne, und die Lösung hierfür war die Schaffung einer Lernmethode, die das menschliche Gehirn nachahmt.

Deep Learning im Vergleich zu maschinellem Lernen

Deep Learning funktioniert, indem Informationen in miteinander verbundene Beziehungen aufgeschlüsselt werden - im Wesentlichen Abzüge basierend auf einer Reihe von Beobachtungen. Durch die Verwaltung der Daten und der durch maschinelles Lernen abgeleiteten Muster erstellt Deep Learning eine Reihe von Referenzen für die Entscheidungsfindung. Wie bei standardmäßigem maschinellem Lernen, je größer der Datensatz für das Lernen ist, desto verfeinerter sind die Deep Learning-Ergebnisse.

Eine einfache Möglichkeit, Deep Learning zu erklären, besteht darin, dass unerwartete Kontexthinweise in den Entscheidungsprozess aufgenommen werden können. Überlegen Sie, wie ein junges Kind zu lesen lernt. Wenn sie einen Satz sehen, der sagt: "Cars go fast", können sie die Worte "Autos" und "go" erkennen, aber nicht "schnell". Allerdings können sie mit einigen Gedanken den gesamten Satz aufgrund von Kontexthinweisen ableiten. "Schnell" ist ein Wort, das sie wahrscheinlich bereits in Bezug auf Autos gehört haben werden, die Abbildung kann Linien anzeigen, die auf Geschwindigkeit hinweisen, und sie können wissen, wie die Buchstaben F und A zusammenarbeiten. Dies sind jedes einzelne Element, wie z.B. "Kann ich diesen Brief erkennen und wissen, wie er klingt?" Aber wenn das Gehirn zusammengestellt ist, kann es eine Entscheidung darüber treffen, wie es funktioniert und den Satz lesen. Und das wiederum verstärkt, wie man das Wort "schnell" sagt, wenn sie es das nächste Mal sehen.

So funktioniert Deep Learning - indem es verschiedene Elemente aufbricht, um Entscheidungen über sie zu treffen, und dann prüft, wie sie miteinander verbunden sind, um ein Endergebnis zu erzielen.

KI-Software

Künstliche Intelligenz-Software kann Entscheidungsfindung und Automatisierung basierend auf maschinellem Lernen und Deep Learning nutzen, um die Effizienz eines Unternehmens zu steigern. Von der Vorhersagemodellierung über die Berichterstellung bis hin zur Prozessautomatisierung - künstliche Intelligenz kann die Funktionsweise eines Unternehmens transformieren und so Effizienz und Genauigkeit verbessern. Oracle Cloud Infrastructure (OCI) bildet die Grundlage für ein cloudbasiertes Datenmanagement auf Basis von KI und ML.