Tin robot in front of laptop looking at books

Um von den Vorteilen künstlicher Intelligenz zu profitieren, muss man sich mit den Möglichkeiten und Arten in der Anwendung auseinandersetzen. Daher möchten wir uns heute mit den Trend-Themen KI, Machine Learning und Deep Learning auseinandersetzen. KI-Experten Adrian Reh und Jonas Reichenbach haben dabei mit ihrer Expertise unterstützt.

Was ist künstliche Intelligenz?

Künstliche Intelligenz ist „die Wissenschaft und die Technologie, um intelligente Maschinen zu bauen“, so John McCarthy, der den Begriff „Artificial Intelligence“ 1955 definierte. Was genau künstliche Intelligenz heutzutage ist, darüber lässt sich oft streiten. Grob gesagt handelt es sich um das Entwickeln von Computeranwendungen bzw. Maschinen, die eine menschenähnliche Intelligenz imitieren bzw. Aufgaben erledigen können, die eigentlich menschliche Intelligenz erfordern.

Beispiele: Spracherkennung, Bilderkennung, das Fällen von Entscheidungen, Übersetzung von Texten und Sprache, etc.

Obwohl das Konzept bereits seit den 50er Jahren (und früher) existiert, konnte sich KI insbesondere in den letzten Jahren massiv verbreiten und entwickeln. Das liegt vor allem daran, dass die technischen Möglichkeiten zur Verarbeitung vieler Datensätze in relativ kurzer Zeit enorm gewachsen sind. KI ersetzt dabei das teils mühsame manuelle Einstellen von beispielsweise „If-Then“-Regeln bzw. können diese anders weiterentwickelt werden.

If-Then: Eine Ansammlung von Regeln (wenn/dann), die eine bestimmte Verhaltensweise bzw. Aktion für klar definierte Fälle vorgeben (nur wenn ein User ein Double-Opt-In hat, dann erhält er Marketing-E-Mails) . Diese werden von einer Person definiert und einprogrammiert. Je nach Anzahl der Regeln kann dies relativ simple, aber auch sehr komplexe Programmierungen erfordern und ist entsprechend natürlich fehleranfällig.

Anstatt sehr klare, geradlinige Regeln zu erstellen (Hat der Kunde einen Double-Opt-In oder nicht?), wird bei KI hingegen eher abgewägt, was sich als Handlung eignet. So könnte man KI einsetzen, um zu ermitteln, ob ein Kunde basierend auf seinem und dem (vergangenen) Verhalten ähnlicher Kundentypen eher an Thema Y oder an Thema X interessiert ist.

Machine Learning

Machine Learning, also „lernende Maschinen“ ist ein Teilbereich künstlicher Intelligenz . KI beinhaltet dabei nicht nur lernende Maschinen/Software, sondern beschäftigt sich auch damit, lernende Elemente mit menschenähnlichen Komponenten zu umrahmen, etwa in der Robotik.

Eine Besonderheit im Machine Learning ist die Fähigkeit der Maschine, ihr Verhalten bzw. ihre Prozesse zu verändern, basierend auf den Daten, die sie verarbeitet. Dabei handelt es sich um einen dynamischen Regelsatz, nach dem Entscheidungen getroffen werden. Anstatt feste Regeln zu befolgen, wie etwa im obigen If-Then-Beispiel, können in Abhängigkeit zu den Inputdaten neue Regeln entstehen.

Grundsätzlich gilt: Je mehr Daten zur Verfügung stehen, desto besser kann das System aus ihnen lernen. Machine Learning Model (Abb.: Machine Learning Model, Reh und Reichenbach, ec4u, 2019)

Das Konzept wurde bereits 1959 von Arthur Samuel wie folgt beschrieben: „Ein Studienfeld, das Computern die Fähigkeit gibt, zu lernen, ohne explizit programmiert zu sein.“ Machine Learning bedeutet also, dass der Computer Dinge „erlernen“ kann, für die er nicht spezifisch programmiert wurde. Es müssen also keine „If-Then“-Regeln erstellt werden.

Das „Lernen“ basiert dabei auf Optimierungen, die ein bestimmtes, klares Ziel verfolgen. Diese Ziele werden auch als „Objective Function“ bezeichnet und können unterschiedlicher Natur sein (z.B. Vermeidung von Fehlern).

Deep Learning

Deep Learning ist eine Unterart von Machine Learning. Damit sind vor allem „Deep Artificial Neural Networks“ gemeint, ein Begriff, den der ein oder andere eventuell schon mal in einem Tech-Krimi gehört hat.

Neural Networks

Neural Networks sind Algorithmen, die eher lose auf den Aufbau des menschlichen Gehirns basieren und entwickelt werden, um Muster in riesigen Datensätzen zu erkennen und darauf basierend Aufgaben zu erfüllen. Sie können besonders beim Clustern oder Klassifizieren von Dingen verwendet werden.

Die Aufgaben der Neural Networks sind für uns Menschen häufig offensichtlich zu lösen, für einen Computer allerdings eine große Herausforderung. Wie bei allen Machine Learning Methoden gilt auch hier: Je mehr Daten den Algorithmen dabei zur Verfügung stehen, desto genauer können Cluster (z.B. in Form von Anomalien) oder Klassifizierungen (Gesichtserkennung) erfolgen.

Mit einem sogenannten „NN“ (Neural Network) können menschliche oder tierische Lernverhalten simuliert werden. Auch wenn NNs potenziell komplexe, menschliche Problemlösungen simulieren könnten, werden sie vorwiegend für sehr klare, spezifische Aufgaben genutzt, etwa zur Spracherkennung, für medizinische Diagnosen, oder um echte Menschen in Video- und Brettspielen zu besiegen.

Eines der berühmtesten KI-Beispiele für Deep Learning: Googles Alpha GO spielte gegen einen der besten GO-Player Lee Sedol und gewann mit Spielzügen, die so kreativ und unvorhersehbar waren, als hätte Lee Sedol gegen einen Menschen gespielt.

„Ich dachte, dass AlphaGO eine sehr hochperformative Maschine sei, die einfach kalkuliert, welcher Spielzug der beste Zug in der Situation sei, basierend auf den vorher gesammelten Daten. Aber als ich den Spielzug gesehen habe, war ich erstaunt, wie kreativ er war, so wie er eigentlich nur von Menschen gespielt werden könnte. Das ist ja das eigentlich Schöne an GO.“

(Übersetzung von Lee Sedols Kommentar durch YouTube-Nutzer JB KIM)

Ein Beispiel für die Verwendung von Machine Deep Learning findet sich im Deep Reinforcement Learning, das bei AlphaGO eingesetzt wurde.

Reinforcement Learning

Ist ein Ansatz, der generell im Machine Learning und für alle Algorithmen angewandt werden kann. Dabei erhält ein System ein Ziel, das relativ komplex ist und über viele Schritte hinweg erreicht werden kann/muss. Das kann beispielsweise das Gewinnen eines Spiels sein. Das „Reinforcement“ also „Verstärken“ besteht darin, dass der Algorithmus quasi für falsche Entscheidungen bestraft und für richtige Entscheidungen belohnt wird. Im einfachsten Sinn, also auch ohne den Einsatz von neuronalen Netzen, kann ein „Interpreter“, z.B. ein Mensch, entscheiden, ob die Entscheidungen letzten Endes korrekt waren.

Wie diese Entwicklung über die verschiedenen Schritte hinweg aussehen kann und warum diese nicht immer geradlinig ist, kann man sehr amüsant an diesem Beispiel sehen:

Im Fall von GO wurden hingegen stattdessen weitere neuronale Netze verwendet, die gegeneinander gespielt haben und so immer besser wurden. Setzt man KI auf diese Art und Weise ein, können natürlich Ergebnisse entstehen, die vom Menschen gar nicht mehr antizipiert werden können und teilweise auch die Fähigkeiten von Menschen in (sehr spezifischen) Teilbereichen übertreffen.


Wollen Sie KI einsetzen, um Unternehmensdaten effizient zu nutzen, Kundenreisen zu gestalten oder Prozesse zu optimieren? Unsere Berater unterstützen Sie dabei.


Adrian RehAdrian Reh ist seit 2017 Data Science Consultant bei der ec4u und beschäftigt sich mit Data Science, Machine Learning, Predictive Analytics und Scikit-learn.

Kontakt: LinkedIn / Xing

 

 

 

Jonas Reichenbach

Jonas Reichenbach ist seit 2017 Data Consultantbei der ec4u. Er hat einen M.Sc. in Information Management undeinen B.Sc. in Wirtschaftsingenieurwesen.

Kontakt: Linkedin


Print Friendly, PDF & Email
0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.