Cognitive Computing, AI, ML

Was Sie über KI wissen müssen

Katherine Noyes ist US-Korrespondentin des IDG News Service in Boston.
Simon verantwortet auf Computerwoche online redaktionell leitend überwiegend alle Themen rund um IT-Sicherheit, Risiko-Management, Compliance und Datenschutz. Er entwickelt darüber hinaus innovative Darstellungsformate, beschäftigt sich besonders gerne mit Datenanalyse und -visualisierung und steht für Reportagen und Interviews vor der Kamera. Außerdem betreut der studierte Media Producer den täglichen Früh-Newsletter der Computerwoche. Aufgaben in der Traffic- und Keyword-Analyse, dem Content Management sowie die inoffizielle Funktion "redaktioneller Fußballexperte" runden sein Profil ab.
Geht es um Fachbegriffe aus dem Universum der Künstlichen Intelligenz, kommt manch einer durcheinander. Wir schaffen Abhilfe.

Nichtssagende Buzzwords sind in der IT-Welt weit verbreitet - erschwerend hinzukommt, dass kaum zwei Experten unter einem Begriff exakt dasselbe verstehen, wie wir in unserer Web-TV-Rubrik "Bereit, wenn Sie es sind - das Buzzword-Verhör" schon oft feststellen durften…

Das ist im Bereich der Künstlichen Intelligenz, des Cognitive Computing und der denkenden Roboter ein wenig anders - hier ist die Bedeutung zumeist klar, nicht jedoch der passende Begriff selbst. Manchmal bedeuten zwei Begriffe dasselbe - oder kennen Sie einen Unterschied zwischen maschineller Intelligenz und künstlicher Intelligenz? Wie verhält es sich mit Machine Learning und Deep Learning? Wir klären auf.

Oberbegriff KI / AI

"Künstliche Intelligenz" (KI) respektive der englische Ausdruck "Artificial Intelligenz" (AI) bezieht sich auf "eine breite Palette von Methoden, Algorithmen und Technologien, um Software so smart zu machen, dass sie auf Außenstehende wie eine menschliche Intelligenz wirkt", beschreibt es Lynne Parker, Leiterin der Abteilung Information and Intelligent Systems der amerikanischen National Science Foundation. Mit anderen Worten: Machine Learning (ML), maschinelles Sehen (Computer Vision), Natural Language Processing, Robotik und alle weiteren verwandten Themen sind Teil von KI/AI.

Maschinelle Intelligenz = KI

"Einige Leute werden zwischen Maschineller und Künstlicher Intelligenz einen Unterschied ausmachen, es gibt aber keine einheitliche Meinung, dass die beiden Ausdrücke verschiedene Bedeutungen haben", so Parker. Die Verwendung der beiden Begriffe sei regional unterschiedlich - "maschinelle Intelligenz" gehe mehr auf klassische Ingenieursarbeit zurück, die vor allem in Europa vorzufinden sei, erklärt Thomas Dietterich, Professor an der Oregon State University und Vorsitzender der Gesellschaft zur Förderung Künstlicher Intelligenz AAAI. "Künstliche Intelligenz" habe hingegen eine Art "Science-Fiction-Anstrich" und sei in den USA verbreiteter. In Kanada sei beispielsweise auch der Begriff "Computational Intelligence" üblich.

Machine Learning als Allerweltswort

Als Teil von KI beschreibt der Begriff Machine Learning (ML) eine breite Palette von Algorithmen und Methoden, um die Leistungsfähigkeit von Software mit wachsenden Datenmengen zu verbessern. Hier geht es sowohl um neuronale Netze als auch um Deep Learning - beide Begriffe spielen später noch eine Rolle.

"Grundsätzlich geht es beim Machine Learning darum, aus Datenmengen Entwicklungen abzulesen oder Kategorien wiederzuerkennen, in denen sich die Daten einordnen lassen. Sobald die Software dann mit neuen Daten in Berührung kommt, kann sie so passende Entscheidungen treffen", erklärt Parker.

Als Beispiel dient die Gesichtserkennung. "Ich weiß nicht, wie es genau funktioniert, dass ich das Gesicht meiner Frau wiedererkenne", meint Dietterich. "Das macht es so schwierig, einen Computer genau darauf zu programmieren." Das maschinelle Lernen arbeitet deshalb mit Beispielen. "Es geht mehr um Input-Output als ums Coding", sagt der AAAI-Chef.

Verbreitete ML-Spielarten sind laut Parker künstliche neuronale Netze, Support Vector Machines, Entscheidungsbäume, Bayessche Netze, Nächste-Nachbarn-Klassifikationen, Selbstorganisierende Karten, Fallbasiertes Schließen, Instance-based learning, das Hidden Markov Model und verschiedene Arten der Regressionsanalyse. Wer zu den einzelnen Begriffen mehr wissen möchte, findet ausführliche Informationen über die hinterlegten Wikipedia-Links.

Neuronale Netze vs. Deep Learning

Künstliche neuronale Netze stellen einen besonderen ML-Typ dar, der auf der Funktionsweise des menschlichen Gehirns basiert - auch wenn die wirkliche Vergleichbarkeit laut Parker äußerst gering ist. Es gibt verschiedene Arten neuronaler Netzen - im Wesentlichen basieren aber alle auf einem System von Knotenpunkten, die über unterschiedlich schwere Leitungen miteinander verbunden sind. Die Knotenpunkte werden auch "Neuronen" genannt und sind in mehreren Schichten angeordnet - darunter eine Eingabeschicht, über die Daten in das System gelangen, und eine Ausgabeschicht, über welche die Antworten erfolgen. Zusätzlich findet sich eine oder mehrere versteckte Schichten, auf denen das eigentliche Lernen stattfindet. Typischerweise lernen neuronale Netze durch Gewichtsveränderungen der Querverbindungen zwischen den Knotenpunkten, so Parker.

Neuronale Netze arbeiten wie das menschliche Gehirn - viele Knotenpunkte (Neruonen), dazwischen unendlich viele Leiterbahnen, die an Gewicht zulegen, je mehr Daten verbeitet werden.
Neuronale Netze arbeiten wie das menschliche Gehirn - viele Knotenpunkte (Neruonen), dazwischen unendlich viele Leiterbahnen, die an Gewicht zulegen, je mehr Daten verbeitet werden.
Foto: vitstudio - www.shutterstock.com

Der Begriff "Deep Learning" bezieht sich nun auf ein "tiefes neuronales Netz", nämlich eines, das eine sehr große Anzahl Neuronen in verschiedenen versteckten Schichten umfasst. Ein "flaches" neuronales Netz hingegen besteht in der Regel nur aus einem oder zwei versteckten Schichten.

Parker erklärt: "Die Idee hinter dem Deep Learning ist nicht neu, ist aber in jüngster Zeit populär geworden, weil wir heute sehr große Datenmengen besitzen und zudem schnelle Prozessoren, die erfolgreiche Lösungen für schwierige Probleme ermöglichen".

Cognitive Computing - es ist kompliziert

Cognitive Computing ist ein weiterer Unterbereich der KI/AI - ist aber nicht ganz so "einfach" zu definieren. Es ist sogar recht kontrovers.

Cognitive Computing bezieht sich laut Parker "auf Computing, das sich mit dem Begründen und dem Verstehen auf einem höheren Level beschäftigt - häufig auf eine Weise, die dem menschlichen Bewusstsein ähnelt - oder zumindest diesem nachempfunden ist." Es dreht sich typischerweise mehr um symbolische und konzeptionelle Informationen als um reine Daten- und Sensorenströme - mit dem Ziel, hochqualifizierte Entscheidungen in komplexen Sachverhalten zu treffen.

Kognitive Systeme setzen eine Vielzahl von Machine-Learning-Techniken ein, sie stellen selbst aber per se keine solche dar. Stattdessen ließen sie sich als "Komplett-Architektur aus verschiedenen KI-Subsystemen, die ineinander greifen" bezeichnen, sagt Parker. "Es handelt sich daher um einen Unterbereich von KI, der sich um kognitives Verhalten kümmert, das wir mit dem Begriff ‚Denken‘ verbinden würden als Gegenteil bloßer Wahrnehmung und motorischer Kontrolle", bringt es Dietterich auf den Punkt.

Ob Cognitive Computing aber tatsächlich ein KI-Bereich oder nur ein beliebtes Buzzword ist, ist nicht abschließend geklärt. "Cognitive ist Marketingquatsch", wettert beispielsweise Gartner-Analyst Tom Austin. "Es impliziert, dass Maschinen denken. Das ist doch Unsinn."