Definitionen

© Fraunhofer IPA

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (KI) stattet Maschinen mit Fähigkeiten aus, die mit intelligentem, menschlichem Verhalten vergleichbar sind. Unter dem Oberbegriff KI werden Problemlösungsmethoden, darunter Logik und Planungsverfahren, für die menschliche Intelligenz erforderlich wäre, zusammengefasst. Die wohl bekannteste sowie meist beforschte und angewandte Methode ist dabei das Machine Learning.

Was ist Maschinelles Lernen?

Maschinelles Lernen oder Machine Learning (ML) befähigt Maschinen und Roboter, aus Erfahrung Wissen zu generieren, mit dem sie Probleme lösen können. Der Schlüssel dafür sind Daten, wobei der Ansatz der traditionellen Datenverarbeitung umgewandelt wird. Bisher war es nötig, ein Programm für einen Computer zu schreiben, das mithilfe von Eingabedaten Ausgaben erzeugt. Mithilfe von Machine Learning soll sich ein Computer nun selbst programmieren: Aus eingegebenen Trainingsdaten lernen Maschinen eigenständig Muster und Gesetzmäßigkeiten abzuleiten und schließlich sogar unbekannte Daten korrekt auszuwerten. Hierfür erhält er Eingabedaten, je nach Machine-Learning-Methode auch Ausgabedaten, und erstellt darauf basierend automatisch das erforderliche Programm. Für diese Art von Lernen gibt es wiederum verschiedene Verfahren, wobei Deep Learning das am häufigsten verwendete ist.

Was ist Deep Learning?

Deep Learning (DL) nutzt tiefe künstliche neuronale Netze, um Erkenntnisse aus Daten zu gewinnen. Die Arbeitsweise künstlicher neuronaler Netze orientiert sich an den Vorgängen im menschlichen Gehirn, wo jede Nervenzelle (Neuron) mit durchschnittlich 10 000 anderen Neuronen verbunden ist. Bei künstlichen neuronalen Netzen sind die Neuronen in Schichten angeordnet, Verbindungen liegen zwischen Neuronen der direkt aufeinanderfolgenden Schichten vor. Für ein gutes Training des Netzes muss es eine Vielzahl an Eingabedaten und zunächst die richtige Ausgabeinformation erhalten. Dabei wird ein Optimierungsproblem gelöst, bei welchem der Fehler zwischen den vorgegebenen Ausgabedaten und dem vom Netz generierten Ausgaben schrittweise reduziert wird. So trainiert es, die Muster der Daten nachzuvollziehen und später auch bei unbekannten Datensätzen auf das richtige Ergebnis zu kommen.