18.12.2017

Als zum Beispiel Google DeepMind’s AlphaGo den Meister im Brettspiel “Go”, Lee Se-Dol, besiegte, wurden die Begriffe AI, Machine Learning und Deep Learning immer wieder in den Medien genannt, um Google DeepMind zu beschreiben. Alle drei Technologien haben dazu beigetragen, dass AlphaGo Lee Se-Dol besiegen konnte; dennoch unterscheiden sie sich.

Der einfachste Weg um ihre Beziehung zueinander darzustellen ist ein konzentrischer Kreis. Dabei ist AI die erste und größte Idee, danach folgte Machine Learning und zu guter Letzt treibt Deep Learning die Entwicklung von AI und Machine Learning weiter voran.

Artificial Intelligence ist bereits Teil der menschlichen Vorstellung seit Computerspezialisten den Begriff auf der Dartmouth Conference 1956 das erste Mal vorstellten und somit das Gebiet der AI geboren haben. Seitdem wird prophezeit, dass AI der Schlüssel zur neuen und besseren Zukunft der Menscheit ist. 

In den letzten Jahren ist AI nahezu explodiert, besonders seit 2015. Das liegt an der weiten Verfügbarkeit von GPUs. Sie ermöglichen eine schnelle, günstige und starke parallele Verarbeitung. Ebenso spielt die Kombination aus unendlich großen Speicher und Datenmengen eine große Rolle.

Erfahren Sie hier wie sich eine einfache Idee von Computerspezialisten bis hin zu dem Boom in 2012 entwickelt hat. Aus diesem Boom sind Anwendungen entstanden, die jeden Tag von hundert Millionen Menschen genutzt werden.

Artificial Intelligence - Maschinen weisen menschliche Intelligenz auf

Computerprogramme die Dame spielten sind eines der frühesten Beispiel für Artificial Intelligence. Auf der Dartmouth Konferenz im Sommer 1956 war es die Idee der AI Pioniere eine komplexe Maschine zu konstruieren, die mit Hilfe der neu entstehenden Computer, die gleiche Intelligenz wie ein Mensch besitzt. Bei diesem Konzept spricht man von der “General AI”: Maschinen, die all unsere Sinne haben, unsere Vernunft und so denken wie wir. 

Was heute schon davon umgesetzt werden kann ist ein Konzept der “begrenzten AI”. Technologien die in der Lage sind spezifische Aufgaben genauso gut oder besser als Menschen zu lösen. Ein Beispiel dafür ist die Gesichtserkennung von Facebook oder die Bildklassifizierung bei Pinterest.

Die Technologien zeigen Aspekte von menschlicher Intelligenz. Doch wie funktioniert das und woher kommt die Intelligenz? Hier kommt Machine Learning ins Spiel.

Machine Learning - Ein Ansatz um Artificial Intelligence zu erreichen

Machine Learning ist im Grunde ein Verfahren das einen Algorithmus nutzt um Daten zu analysieren, von den Daten zu lernen und darüber eine Aussage oder Vorhersage zu treffen. Anders als Software die von Hand programmiert wurde und durch spezielle Anweisungen Aufgaben erfüllte, wird die Maschine durch den Gebrauch von großen Datenmengen und Algorithmen trainiert. Dies ermöglicht ihr zu lernen, wie eine Aufgabe ausgeführt werden muss.

Die Idee zu Machine Learning entstammt der frühen AI Experten. Der Algorithmus hat sich in den letzten Jahren weiterentwickelt, unter anderem umfasst er Entscheidungsbäume, induzierte Logikprogramme, Clustering, Verstärkungslernen und Bayes’sche Netze. Doch keiner erreichte das Ziel einer “General AI” und auch “begrenzte AI” war mit frühen Machine Learning Ansätzen nur schwer zu erreichen.

Es stellte sich heraus, dass eines der besten Anwendungsgebiete für Machine Learning das Programm ComputerVision war. Dennoch wurde eine Großteil an manuellen Programmierung benötigt, damit das Machine Learning funktionieren konnte. Programmierer schrieben Classifiers wie Edge Detection Filters. Das Programm konnte nun herausfinden, wo Objekte anfingen und wo sie endeten, die Form eines Objekts und die Buchstaben STOP erkennen. Daraus entwickelte sich ein Algorithmus der Bilder erkannte und lernte, was ein Stopschild ist. Soweit eine gute Idee, doch an Tagen, an denen es beispielsweise sehr neblig war oder Bäume das Schild teilweise bedeckten, konnte der Algorithmus nur selten das Schild identifizieren. Dies war der Grund warum ComputerVision und Bilderkennung bis dato kaum Beachtung fanden. Erst heute machen die richtigen Lern-Algorithmen den Unterschied. 

Deep Learning - Die Technik um Machine Learning zu implementieren

Das Heraussuchen von Katzenbildern auf YouTube war eine der ersten erfolgreichen Demonstrationen von Deep Learning.

Artificial Neural Networks wird von der Biologie und den Abläufen unseres Gehirns inspiriert. Doch im Gegensatz zum Gehirn, in dem Neuronen sich mit jedem beliebigen Neuron in einer bestimmten physischen Entfernung verbinden kann, kann das neuronale Netzwerk dies nur über separate Ebenen, Verbindungen und Richtungen der Datenausbreitung.

Nehmen Sie beispielsweise ein Bild und zerschneiden Sie es in einen Haufen Teile. Diese werden in die erste Ebene des neuronalen Netzwerks erfasst. In dieser ersten Ebene geben individuelle Neuronen die Daten an die zweite Ebene weiter. In der zweiten Ebene wird dieser Prozess wiederholt bis ein finales Ergebnis produziert wird.

Jedes Neuron weist seiner Eingabe eine Bewertung zu, ob dies korrekt oder falsch ist hängt im wesentlichen von der Aufgabe ab, die ausgeführt werden soll. Das finale Ergebnis wird dann durch die gesamten Bewertungen bestimmt. Denken Sie zurück an das Stopschild-Beispiel. Eigenschaften eines Stopschild-Bildes werden zerschnitten und von unterschiedlichen Neuronen geprüft - die achteckige Form, die rote Farbe, die markanten Buchstaben, die Größe. Die Aufgabe der Neuronen ist es herauszufinden, ob es ein Stopschild ist oder nicht. Das neuronale Netzwerk gibt eine Wahrscheinlichkeits-Vektor aus, welcher sich auf die Bewertungen beruft. Im Beispiel mit dem Stopschild könnte das System zu dem Entschluss kommen, dass es zu 86 Prozent ein Stopschild ist, zu sieben Prozent eine Geschwindigkeitsanzeige, zu fünf Prozent ein Objekt das im Baum steckt und immer so weiter. Der Netzwerk-Architekt gibt dem System dann die Rückmeldung, was richtig ist und was nicht.

Neuronale Netzwerke gibt es bereits seit den Anfängen von AI, das Problem war, dass sie sehr rechenintensiv und dadurch praktisch nicht umzusetzen waren. Eine kleine Forschungsgruppe der Universität von Toronto, unter der Leitung von Geoffrey Hinton, arbeitet weiter an dem Konzept doch erst mit der Entwicklung der GPUs konnten sie die Funktion beweisen.

Nimmt man noch einmal das Beispiel Stopschild. Das System wird zu Beginn oft die falsche Antwort auswerfen, denn es braucht Training. Wahrscheinlich muss das System hunderttausende oder Millionen Bilder sehen, bis die Bewertung so ausgereift ist, dass das Ergebnis immer richtig ist.

Das Deep Learning hatte seinen Durchbruch mit dem Informatiker Andrew Ng. Er vergrößerte das neuronale Netzwerk, steigerte die Ebenen und Neuronen und ließ dann eine große Menge an Daten in das System einspielen um es zu trainieren. Das “Deep” in Deep Learning steht also für die große Anzahl an Ebenen. 

Heutzutage ist die Bilderkennung durch trainierte Maschinen bei einigen Szenarien schon besser als der Mensch. Ein Einsatzgebiet ist etwa die Identifikation von Indikatoren für Krebs im Blut oder Tumore auf MRT-Aufnahmen. Auch Google’s AlphaGo hat das Brettspiel gelernt, indem es das neuronale Netzwerk trainiert und immer wieder gegen sich selbst spielte.

Dank Deep Learning hat AI eine erfolgreiche Zukunft

Deep Learning ermöglicht viele praktische Anwendungen von Machine Learning und Erweiterungen des Felds der AI. Deep Learning bewältigt nahezu alle Aufgaben, so dass jegliche Art von maschineller Assistenz möglich erscheint.  

Autonome Fahrzeuge, präventives Gesundheitswesen, Filmempfehlungen Artificial Intelligence ist die Gegenwart und die Zukunft. Mit Hilfe von Deep Learning kann AI zu der Science Fiction werden, die Sie sich bisher nur vorgestellt haben. 

Wollen auch Sie vom Einsatz von Artificial Intelligence, Machine Learning und Deep Learning profitieren, sprechen Sie uns an, unsere Experten beraten Sie gerne.