Return to site

Künstliche Intelligenz - Terminologie

Was versteht man unter KI, Machine Learning & Co.?

· KI Allgemein

Motivation

Wie in vielen Bereichen wird Neulingen auch im Bereich Künstliche Intelligenz der Einstieg durch eine überwältigende Zahl an Fachbegriffen erschwert. Im Zuge des aktuellen Aufschwungs und des damit einhergehenden erhöhten Interesses haben sich gewisse Buzzwords etabliert, die oftmals fälschlich bzw. zu allgemein verwendet werden. In diesem Artikel wollen wir ein wenig Klarheit in den Begriffsdschungel der Künstlichen Intelligenz bringen, um unseren Lesern den Einstieg in diesen spannenden Bereich zu erleichtern und sachliche Diskussionen in Organisationen zu ermöglichen.

Die wichtigsten Begriffe

Künstliche Intelligenz (KI) bezeichnet ein Teilgebiet der Informatik, welches sich zum Ziel gesetzt hat, intelligente Systeme zu erschaffen. Laut Russell & Norvig (1995) wird Intelligenz hierbei als die Fähigkeit  _rationale Aktionen_ durchzuführen verstanden. Neben der Informatik werden dabei u.a. Konzepte der Mathematik, Psychologie, Neurologie, Linguistik und Philosophie einbezogen. Unterschieden wird grundsätzlich zwischen Teilgebieten und Methoden der Künstlichen Intelligenz. Als die wichtigsten Teilgebiete können wissensbasierte Systeme (Expertensysteme), Mustererkennung und Robotik angesehen werden. Zu den Methoden künstlicher Intelligenz lässt sich neben klassischen Problemen wie Suchen (mithilfe von Suchalgorithmen), Planen (das Ableiten von Aktionsfolgen aus Problembeschreibungen) und Logischem Schließen (Ableitung von Regeln aus Daten) auch das Maschinelle Lernen zählen.

Somit stellt Maschinelles Lernen (ML), auch wenn oft synonym verwendet, lediglich eine konkrete Methode der Künstlichen Intelligenz dar. Mit Hilfe maschineller Lernverfahren soll es intelligenten Systemen ermöglicht werden Muster in Daten zu erkennen. Aus diesen Mustern können wiederum Wissen und Handlungen abgeleitet werden, indem Vorhersagen für bisher unbekannte Datenpunkte auf Basis der gewonnene Erkenntnisse getroffen werden. Algorithmen des Maschinellen Lernen unterscheiden sich grundsätzlich nach ihrem jeweiligen Ansatz. Als wichtigste Ansätze können hierbei überwachtes, unüberwachtes und bestärkendes Lernen angesehen werden. In praktischer Hinsicht bedient sich Maschinelles Lernen neben symbolischen Ansätzen (z.B. Regelableitung) häufig statistischer Methoden.

In den letzten Jahren ist im Bereich dieser Methoden insbesondere der Begriff Deep Learning in aller Munde. Allgemein versteht man hierunter die Entwicklung sogenannter Neuronaler Netze, einer Gruppe von Algorithmen des Maschinellen Lernens. Die gebildeten Modelle können dabei besonders komplex (daher der Begriff tief) gestaltet werden, basierend auf den größeren verfügbaren Datenmengen (Big Data) und Fortschritten im Bereich der Hardware-Entwicklung. Auch wenn der Begriff momentan stellvertretend für den Aufschwung der Künstlichen Intelligenz verwendet wird, stellt er somit nur einen Teilbereich des Maschinellen Lernens dar. Vielversprechende Anwendungsgebiete der Deep Learning-Methoden stellen insbesondere Bild-, Sprach- und Texterkennung dar.

Eng verwandt mit dem Maschinellen Lernen ist das Gebiet Data Mining, welches ähnliche Methoden verfolgt, jedoch mit anderen Zielsetzungen. Maschinelles Lernen zielt hauptsächlich darauf ab, auf Basis in Daten entdeckter Muster Vorhersagen für neue Datenpunkte zu treffen. Data Mining hingegen verfolgt zumeist das Ziel, neue Einblicke in komplexe Datensätze zu gewinnen. Der Fokus liegt somit mehr auf dem Verstehen von Daten als auf der Generierung von Vorhersagen. Hierbei können neben maschinellen Lernverfahren auch klassische statistische Methoden zum Einsatz kommen.

Data Science (im deutschen auch Datenwissenschaft) beschäftigt sich wie Maschinelles Lernen und Data Mining mit der Generierung von Wissen aus Daten. Im Allgemeinen wird unter Data Science jedoch ein breiter gefasstes, interdisziplinäres Arbeits- und Forschungsgebiet verstanden, das insbesondere auch spezifische Kenntnisse von betriebswirtschaftlichen Zusammenhängen und Abläufen einbezieht. Hierin besteht auch der größte Unterschied zu Data Mining. Zusammengefasst befasst sich Data Science mit der Lösung konkreter Geschäftsprobleme mittels Methoden aus den Bereichen Maschinelles Lernen und Statistik. Oftmals werden für die Implementierung der Lösungen in Informationssystemen auch Kenntnisse der Programmierung erforderlich.

Wie Data Science hat auch Business Intelligence (dt. Geschäftsanalytik) die Aufgabe, Entscheidungsprozesse in Unternehmen durch aus Daten gewonnene Erkenntnisse zu unterstützen. Dabei liegt der Fokus jedoch zumeist auf der deskriptiven Datenanalyse (descriptive data analytics), d.h. der datengetriebenen Beschreibung von Ist-Zuständen, sowie der grundsätzlichen Bereitstellung von Daten für tiefergehende Analyse. Hierin liegt ein grundlegender Unterschied zum Bereich Data Science, welcher sich auch statistischer Lernverfahren bedient, um Vorhersagen über die Zukunft zu treffen (predictive data analytics) und Handlungsempfehlungen automatisiert abzuleiten (prescriptive data analytics).

Ausblick

Die angeführte Sammlung an Begriffen entspricht natürlich nur einer momentanen Bestandsaufnahme. Das Forschungsfeld Künstliche Intelligenz entwickelt sich in hohem Tempo weiter, was mit einer immer größeren Flut an Fachwörtern und Buzzwords einhergeht. Um unsere Leser auf dem aktuellsten Stand zu halten und ihnen den besten Service zu bieten, freuen wir uns daher über Anmerkungen und Fragen zu unseren Artikeln. Kontaktieren Sie uns am besten direkt über unser Kontaktformular.

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly