AI, Machine Learning und Deep Learning: Was ist der Unterschied?

Moderne intelligente Software basiert auf diversen neuen Technologien. Was aber ist der Unterschied zwischen Artificial Intelligence (AI), Machine Learning und Deep Learning? Was hat es mit Big Data auf sich? Und was macht eigentlich ein Data Scientist? In diesem Beitrag erklären wir, was hinter den Begriffen steckt, wie sie zusammenhängen und wie sie in Unternehmen eingesetzt werden können.

Artificial Intelligence

Artificial Intelligence, auch Künstliche Intelligenz oder KI, ist genau das, was der Begriff sagt: Eine Intelligenz, wie wir sie von Menschen und Tieren kennen, künstlich mit Computern nachgebildet. Klingt simpel, ist aber ein hoch­komplexes Thema. Noch immer sind sich Wissenschaftler und Philosophen nicht einig, was Intelligenz konkret ist - geschweige denn, wie man eine künstliche Form erschaffen kann.

Allgemeine Intelligenz zu replizieren liegt noch in weiter Ferne. Aber sie lässt sich in verschiedene Teilbereiche zerlegen. Denken, Problemlösen, Planen, Lernen, Sprechen, Sehen: all das sind Ausprägungen von Intelligenz. Und für jede dieser Ausprägungen gibt es ein entsprechendes Pendant innerhalb von AI, um so menschliche Fähigkeiten in einen Computer zu integrieren.

Machine Learning

Ein wichtiger - und der wahrscheinlich bekannteste - Bereich innerhalb von AI ist Machine Learning (deutsch: maschinelles Lernen). Hierbei geht es darum, die Lernfähigkeit des Menschen zu imitieren. Als Menschen lernen wir ständig aus Situationen in unserem täglichen Leben. Ein Beispiel: Wenn ein Kind eine Katze sieht und die Eltern „Katze“ sagen und dies auch bei anderen Katzen immer wieder wiederholen, wird das Kind mit der Zeit lernen, Katzen zu erkennen.

Machine Learning funktioniert auf ganz ähnliche Weise. Das System wird mit zahlreichen Beispielen von Katzenbildern und der Beschreibung „Katze“ gefüttert. Während des Trainings lernt das System, was all diese Bilder gemeinsam haben. Zeigen Sie dem System danach das Bild einer Katze, die es noch nicht gesehen hat, wird es die Katze auch auf diesem Bild erkennen.

Zugegeben, die Erkennung von Katzen wird für die meisten Unternehmen wohl eher wenig interessant sein. Aber natürlich kann Machine Learning auch für viele weitere Dinge eingesetzt werden, z.B. zur Entwicklung eines Prognosemodells, das die Wahrscheinlichkeit eines (Folge-) Kaufs ermittelt. Damit lassen sich potenzielle Kunden nach der Wahrscheinlichkeit einstufen, dass sie wieder kaufen werden. Eine wertvolle Information für den Vertrieb, die helfen kann, die Erfolgsquote von Verkaufsgesprächen zu steigern.

Deep Learning

Ein wichtiger Teil von Machine Learning sind (künstliche) neuronale Netze, welche der Funktionsweise des menschlichen Gehirns nachempfunden sind. Das Gehirn besteht aus einem Netzwerk von miteinander verbundenen Neuronen, den Gehirnzellen, die sich gegenseitig elektrische Impulse übermitteln. Analog dazu besteht ein künstliches neuronales Netzwerk aus künstlichen Neuronen, die Eingaben von anderen Neuronen empfangen und Ausgaben an andere Neuronen weitergeben können.

Die Neuronen in einem künstlichen neuronalen Netzwerk sind normalerweise in Schichten angeordnet. Es gibt eine Eingabeschicht, eine oder mehrere Zwischenschichten (versteckte Schichten) sowie eine Ausgabeschicht:

Verfügt das Netzwerk über eine große Anzahl von versteckten Schichten spricht man von Deep Learning. In den letzten zehn Jahren hat Deep Learning zu großen Fortschritten in der AI geführt, u.a. in Bereichen wie Objekterkennung, Spracherkennung, Qualitätssicherung, Betrugserkennung oder der medizinischen Diagnostik.

Deep Learning ist eine spezielle Technik im Rahmen des Machine Learnings (daneben gibt es noch weitere). Machine Learning wiederum ist eine Teilmenge von Artificial Intelligence.

Bildlich kann man sich das in etwa so vorstellen:

In diesem Kontext sind auch noch zwei weitere Begriffe relevant: Big Data und Data Science.

Big Data

Big Data beschreibt eine Datensammlung, die zu groß oder zu komplex ist, um sie mit einem herkömmlichen Datenbank­management­system zu verarbeiten, z.B. wenn im Rahmen von Machine Learning hunderttausende von Fotos analysiert werden sollen. Insbesondere Deep Learning eignet sich gut, um Big Data-Probleme zu bewältigen.

In der Praxis werden Big Data-Techniken eingesetzt, sobald das Machine Learning System aufgrund von Einschränkungen, wie zu geringer Speicher oder Prozessorleistung, nicht mehr auf einem Computer ausgeführt werden kann. Die Lösung besteht darin, die Deep Learning-Software auf Computerclustern in einem Rechenzentrum laufen zu lassen. Die Aufgabe wird so verteilt und parallel von mehreren Computern ausgeführt.

Data Science

Und was versteht man unter Data Science? Bei Data Science handelt es sich um ein interdisziplinäres Fachgebiet, das wissenschaftliche Methoden und Algorithmen einsetzt, um Wissen aus großen Datensammlungen zu gewinnen und Probleme in allen möglichen Anwendungsbereichen zu lösen.

Die Abbildung oben zeigt, dass Data Science große Überschneidungen mit AI und speziell mit Machine Learning hat. Dazu gehören der Bereich Big Data sowie Teile von Deep Learning. Data Science umfasst aber auch Aspekte, die über das Thema AI hinausgehen.

Was macht ein Data Scientist?

Welche Aspekte das genau sind, wird verständlicher, wenn man sich die Kompetenzen eines Data Scientist anschaut. Diese lassen sich in vier Bereiche unterteilen:

• AI: Kenntnisse über maschinelles Lernen und verwandte Techniken sowie über statistische Modelle und damit verbundene Mathematik.
• Informatik: Kenntnisse in Programmiersprachen wie Python und R, Datenbanken wie SQL und NoSQL und Cloud­Implementierungen.
• Branchen-/Fachwissen: Wissen über den geschäftlichen Kontext der Anwendungen, in denen AI Probleme löst.
• Kommunikation: die Fähigkeit, datengetriebene Erkenntnisse zu erklären und zu visualisieren.

Von Daten zu konkreten Aktionen

Unternehmen nutzen mit Business Intelligence (BI) schon seit langem Möglichkeiten, Erkenntnisse aus Daten zu gewinnen – in Form von Berichten oder interaktiven Dashboards. Diese Erkenntnisse beschränken sich in der Regel jedoch auf die Vergangenheit: Was ist passiert und warum? Zudem sind immer noch viele manuelle Prozesse erforderlich, bei denen die Benutzer Entscheidungen selbst treffen müssen.

Advanced Analytics und vor allem AI gehen noch um einiges weiter. Sie ermöglichen einen Blick in die Zukunft. Die Ergebnisse sind Prognosen (Was wird passieren?) und Empfehlungen (Was sollte ich tun?). Für die Ableitung konkreter Aktionen sind kaum noch manuelle Prozesse und Entscheidungen notwendig.

Die ausgereifteste Form der AI automatisiert auch diese letzten menschlichen Schritte und führt vollautomatisch Aktionen auf der Grundlage von Daten durch.