Bei künstlicher Intelligenz (KI) und maschinellem Lernen (ML) handelt es sich um zwei Arten intelligenter Softwarelösungen, die sich darauf auswirken, wie die Technologien der Vergangenheit, Gegenwart und Zukunft darauf ausgelegt werden, menschliche 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. Maschinelles Lernen. Deep Learning. Obwohl diese Begriffe zunehmend Mainstream werden, fühlen sie sich für viele Menschen immer noch wie das Thema eines Science-Fiction-Films an. Vereinfachen wir die Dinge und versuchen wir es mit einer einzeiligen Definition der einzelnen Begriffe:
Die Idee von künstlicher Intelligenz stammt aus den 1950er Jahren mit der Einführung von Rechentechniken 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.
Regelbasierte Entscheidungen arbeiteten in einfacheren Situationen mit klaren Variablen. Sogar Computer-simuliertes Schach basiert auf einer Reihe regelbasierter Entscheidungen, die Variablen wie welche Teile auf dem Brett sind, in welchen Positionen sie sich befinden und wessen Zug gerade ist, umfassen. Das Problem ist, dass all diese Situationen eine gewisse Kontrolle erfordern. An einem bestimmten Punkt funktionierte Fähigkeit, Entscheidungen zu treffen, die einfach auf Variablen und wenn/dann-Regeln basierten, nicht mehr.
Der Trick bestand also darin, zu imitieren, WIE Menschen lernen.
Maschinelles Lernen wurde in den 1980er-Jahren mit der Idee eingeführt, dass ein Algorithmus große Datenmengen verarbeiten könnte und dann beginnen würde, Schlussfolgerungen basierend auf den Ergebnissen zu ziehen, 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 erstellen, z.B. wenn ein Konto etwas zu ungewöhnlichen Stunden oder in Filialen an einem anderen geografischen Standort kauft.
Ein solcher Prozess erforderte große Datensätze, um Muster zu identifizieren. Während Datensätze mit eindeutigen alphanumerischen Zeichen, Datenformaten und Syntax dem betreffenden Algorithmus helfen können, schaffen andere weniger greifbare Aufgaben wie die Identifizierung von Gesichtern 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 funktioniert, indem Informationen in miteinander verbundene Beziehungen aufgeschlüsselt werden - im Wesentlichen Abzüge basierend auf einer Reihe von Beobachtungen machen. 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 es einen Satz sieht, der sagt: "Autos sind schnell", können sie die Worte "Autos" und "sind" 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 hat vielleicht Linien, die auf Geschwindigkeit hinweisen, und es könnte wissen, wie die Buchstaben F und A zusammenarbeiten. Dabei handelt es sich um einzelne Punkte, wie z. B. "Erkenne ich diesen Buchstaben und weiß ich, wie er klingt?" Aber wenn sie zusammengesetzt werden, ist das Gehirn des Kindes in der Lage, eine Entscheidung darüber zu treffen, wie es funktioniert und den Satz zu lesen. Und das wiederum wird es darin bestärken, das Wort "schnell" zu sagen, wenn das Kind es das nächste Mal sieht.
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 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.