KI versus maschinelles Lernen – was ist der Unterschied?
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind Begriffe, die oft synonym verwendet werden. Warum das so ist und worin sie sich unterscheiden.
Beide Technologien, sowohl KI als auch ML, haben ihre Wurzeln in der Informatik und sind eng miteinander verknüpft. Dennoch unterscheiden sie sich in einigen wesentlichen Punkten.
Ganz allgemein: KI bezeichnet das übergeordnete Konzept intelligenter Systeme. Also Maschinen, die menschenähnliches Denken und Verhalten simulieren.
ML hingegen ist ein Teilbereich der KI, der es Systemen ermöglicht, aus Daten zu lernen. Ohne explizit programmiert zu werden.
Die Welt der künstlichen Intelligenz
Das Ziel künstlicher Intelligenz ist es also, Computer-Systeme zu schaffen, die menschenähnliches Denken nachahmen. Der Begriff setzt sich zusammen aus «künstlich» und «Intelligenz», wobei damit nichts weiter als «intelligente Maschinen» gemeint sind.
Diese intelligenten Systeme müssen nicht vorprogrammiert sein. Vielmehr nutzen sie Algorithmen zur selbständigen Problemlösung.
Dazu gehören auch Machine-Learning-Algorithmen wie das «Reinforcement Learning» oder neuronale Netzwerke. Schon heute findet man KI-Anwendungen in den verschiedensten Bereichen: von Siri über Googles AlphaGo bis hin zu digitalen Sprachassistenten.
Die verschiedenen Arten der künstlichen Intelligenz
Je nach Fähigkeiten und Konzept kann man KI in drei Typen unterteilen. Es gibt die schwache KI, allgemeine KI und starke KI.
Schwache und allgemeine KI sind jene KI-Typen, die uns aktuell am häufigsten begegnen. Und sich in oben genannten Anwendungen und Software-Arten, die wir alle kennen, befinden.
Die Zukunft gehört jedoch der starken KI, von welcher man annimmt, dass sie intelligenter sein wird als der Mensch. Eine starke KI kann selbstständig Aufgabenstellungen definieren und sich hierfür selbstständig das nötige Wissen erarbeiten.
Maschinelles Lernen
Maschinelles Lernen hingegen beschäftigt sich mit dem Extrahieren von Wissen aus Daten. Es ermöglicht Computer-Systemen, Vorhersagen oder Entscheidungen auf Basis historischer Daten zu treffen.
Und das, ohne explizit programmiert worden zu sein. Ein ML-Modell nutzt eine grosse Menge strukturierter und halb strukturierter Daten, um genaue Ergebnisse zu liefern oder Vorhersagen zu machen: Beispiele hierfür sind Online-Empfehlungssysteme oder Googles Suchalgorithmen.
Einschränkend muss allerdings gesagt werden, dass ML nur in spezifischen Bereichen funktioniert: Wenn ein Modell zum Erkennen von Hundebildern entwickelt wurde, dann kann es auch nur Hunde erkennen. Zeigt man ihm ein Katzenbild, bleibt es sprichwörtlich stumm.
