Machine Learning und Künstliche Intelligenz - Sind das eigentlich Synonyme?
December 21, 2020
5 min
Machine Learning
In diesem Artikel haben wir einen kurzen Überblick über den Begriff der Künstlichen Intelligenz (KI) und wie es zu diesem kam gegeben. Doch spricht oder hört man heutzutage von KI fallen viele andere Begriffe, die zum Bereich der KI gehören. Hierzu zählen vor allem die Begriffe Machine Learning, Deep Learning und Künstliche Neuornale Netze. Diese werden fast immer genannt, wenn jemand über das Mysterium KI spricht. Eine klare Abtrennung der einzelnen Begriffe fällt meist jedoch schwer. Ist Machine Learning das gleiche wie Deep Learning? Was für Arten des Machine Learning gibt es? Und warum heißt es eigentlich Deep Learning? In diesem Artikel gehen wir zunächst auf den Begriff Machine Learning ein und grenzen diesen vom Begriff der KI ab.
Unterschied zwischen Künstlicher Intelligenz und Machine Learning
Die Einordnung und das Zusammenspiel von Machine Learning (ML) und KI lassen sich am einfachsten bildlich darstellen.
Das Bild verdeutlicht, dass die Felder Künstliche Intelligenz, Machine Learning und Deep Learning in dieser Reihenfolge einander umschließen. KI ist der Oberbegriff, zudem alles gehört was in irgendeiner Form mit KI zu tun hat. Hierzu zählt unter anderem Machine Learning. Während Machine Learning und Künstliche Intelligenz häufig als Synonyme verwendet werden, zeigt das Bild, dass dies nicht korrekt ist. Machine Learning ist nur ein Teil von Künstlicher Intelligenz. Hier haben wir erläutert, dass KI zum Ziel hat Maschinen dazu zu befähigen intelligent zu handeln und sie so in die Lage zu versetzen Aufgaben zu lösen, die bisher nur von Menschen ausgeführt werden konnten. Obwohl diese Definition in einem Satz zusammenfasst was KI ist, lässt sie auch Platz für Spielraum. Wie Maschinen dazu befähigt werden intelligent zu handeln wird nicht definiert, sondern bleibt offen. Dies bedeutet, dass sich die Versuche intelligente Maschinen zu erschaffen im Laufe der Zeit ändern können. Beispielhaft kann man hierfür die Entwicklung von Software anführen, die Spiele wie Schach meistern kann. Während vor 60 Jahren Maschinen als intelligent galten, die in der Lage waren Checkers (eine Variante des klassischen Damespiels) zu spielen [1], würde das reine Spielen von Schach oder Dame heute nicht mehr als intelligent gelten, da Schach heute auf vielen Betriebssystemen eine Standardinstallation ist. 1997 konnte der von IBM entwickelte Computer Deep Blue den damaligen Schachweltmeister Garri Kasparow besiegen [2]. Um dies zu bewerkstelligen wurde Deep Blue mit tausenden gespielten Partien Schach trainiert, um zu erlernen welche Züge wann am Besten ausgeführt werden. Dies ist ein klassisches Anwendungsfeld von Supervised Learning, worauf wir hier näher drauf eingehen. Im Jahr 1997 galt die Fähigkeit von Maschinen den Schachweltmeister in Schach zu besiegen als intelligent. 2017 (Vollversion 2018) veröffentliche DeepMind, ein Tochterunternehmen von Google, ein Paper, indem es die Entwicklung von AlphaZero beschreibt [3]. AlphaZero wurde entwickelt, um die Spiele Schach, Go und Shōgi zu meistern. Im Gegensatz zu Deep Blue wurde AlphaZero jedoch nicht auf gespielten Schachpartien trainiert, sondern lediglich mit den Spielregeln der drei Spiele ausgestattet. Trainiert wurde das Programm, indem es die drei Spiele gegen sich selber spielte und hierdurch erlernte diese so zu spielen, dass es andere Programme besiegen konnte, die bis dahin als Beste in diesem Bereich galten. Diese Art des Lernen wird als Reinforcement Learning (bestärkendes Lernen) bezeichnet, was wir hier weiter erklären. An der Entwicklung der Fähigkeiten von Computern Spiele wie Schach zu spielen und Menschen darin zuschlagen, zeigt sich wie unterschiedlich der Begriff der Künstlichen Intelligenz im Laufe der Zeit wahrgenommen werden kann. Dinge die vor 60 Jahren von Maschinen gelöst werden konnten und als intelligent galten, werden heute als normal vorausgesetzt. Gleichzeitig werden Programme wie AlphaZero wahrscheinlich in weiteren 60 Jahren ebenfalls lange überholt sein und durch bessere Programme ersetzt werden. Während der Begriff der Künstlichen Intelligenz also sehr vage ist und sich die Definition, was im Zusammenhang mit Maschinen als intelligent gilt, immer wieder ändern kann, ist der Begriff Machine Learning klar definiert.
Wofür steht Machine Learning?
Wie oben bereits erwähnt ist ML ein Teilgebiet der KI und lässt sich konkreter definieren. Wie schon bei der Definition der KI, wollen wir auf akzeptierte Definitionen zurückgreifen, auf denen wir dann aufbauen:
- Machine Learning ist der Teil der Künstlichen Intelligenz, der untersucht, wie Computeragenten ihre Wahrnehmung, ihr Wissen, Denken oder Handeln auf der Grundlage von Erfahrungen oder Daten verbessern können [4].
- Machine Learning ist eine Anwendung der Künstlichen Intelligenz, die Systeme in die Lage versetzt, automatisch aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Der Schwerpunkt des maschinellen Lernens liegt auf der Entwicklung von Computerprogrammen, die auf Daten zugreifen und sie nutzen können, um selbst zu lernen [5].
Diese beiden Definitionen besagen im Kern das gleiche und beschreiben sehr gut was Machine Learning ist und wie es grundsätzlich funktioniert. Zunächst wird auch in diesen Definitionen darauf eingegangen, dass ML ein Teil oder eine Anwendung der KI ist und die beiden Begriffe keine Synonyme sind. Das Ziel von ML ist, dass Computerprogramme oder auch Agenten, von denen manchmal gesprochen wird, auf Basis von Erfahrungen und Daten lernen, um ihr Verhalten zu verbessern. Die beiden Begriffe Erfahrungen und Daten sind hierfür essenziell. Klassische ML-Anwendungen benötigen eine Vielzahl von Daten, um trainiert werden zu können. Bspw. benötige Deep Blue die Ergebnisse tausender gespielter Partien Schach. Um ein gutes Programm trainieren zu können, reichen jedoch nicht nur die Ergebnisse aus, sondern alle Spielzüge, die zu diesem Ergebnis geführt haben, werden benötigt. Durch die Kombination der Ergebnisse und der einzelnen Spielzüge konnte Deep Blue erfolgreich trainiert werden. Grundsätzlich gilt für ML-Programme: Je mehr Daten zur Verfügung stehen, desto besser kann das Programm trainiert werden. Die zweite Definition beschreibt ebenfalls einen zentralen Punkt von Machine Learning und zeigt gleichzeitig den Unterschied zwischen Machine Learning und klassischer Programmierung, auch explizite Programmierung genannt, dargestellt in der folgenden Abbildung.
Das Bild stellt den oben beschriebenen Ablauf von ML dar. Um ein ML-Modell erfolgreich trainieren zu können benötigt man die Daten (durchgeführten Spielzüge des Schachspiels) und den Ausgang (Ergebnis des Schachspiels). Hiermit kann das Modell trainiert und so ein ML-Programm erzeugt werden. Wenn wir in diesem Zusammenhang von Programm sprechen, meinen wir einen Algorithmus. Im Kontext ML gibt es verschiedene Algorithmen, die verwendet werden können, um ein Modell zu trainieren. Bspw. Decision Trees, Support Vector Machines oder Künstliche Neuronale Netze. Auf die einzelnen Algorithmen gehen wir in anderen Artikeln explizit ein. Die sogenannte Architektur der Algorithmen ist vor dem Training festgelegt. Während des Trainings werden dann die einzelnen Gewichte angepasst. Was für Gewichte das sind und wie diese angepasst werden, erläutern wir später. Das ML-Programm wird also nicht explizit programmiert, sondern erlernt aus den Mustern der Daten, was es tun muss, um sich zu verbessern. In der klassischen Programmierung werden die gleichen Elemente verwendet, jedoch in einer anderen „Reihenfolge“ angeordnet. Um ein Programm ausführen zu können werden als Eingang Daten benötigt und das fertige Programm selbst. Der Unterschied zu ML bzgl. der Daten ist, dass hier keine Daten zum Training benötigt werden, sondern nur Daten zum ausführen des Programms. Für das Programm selbst wurde vorher explizit programmiert, was es ausführen soll, je nachdem welche Daten es erhält. Aus dem Programm wird dann als Ausgang das Ergebnis des durchlaufenen Programms ausgegeben.
Nun wissen wir wo der Unterschied zwischen Künstlicher Intelligenz und Machine Learning ist. Im nächsten Artikel gehen wir auf die verschiedenen Arten von ML (Supervised, Unsupervised und Reinforcement Learning) ein.
Kommentare