Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?

Anfängerinnen und Anfängern ist nicht ganz klar, was künstliche Intelligenz von maschinellem Lernen unterscheidet. Hier möchte ich das verwirrende Knäuel der verschiedenen Begriffe auflösen.

Künstliche Intelligenz

„Künstliche Intelligenz“ (KI) – auf Englisch „Artificial Intelligence“ (AI) – ist der Oberbegriff für alle Ansätze dem Menschen zugeschriebene intelligente Handlungen künstlich zu reproduzieren. Der Begriff „Künstliche Intelligenz“ findet nicht nur bei elektronischen Verfahren Anwendung, sondern auch bei beispielsweise mechanischen Automaten. Insofern beschreibt der Begriff ein Konzept, vermeidet dabei aber die Details.

Machine Learning

„Machine Learning” hingegen ist ein Teilgebiet der Forschung um die künstliche Intelligenz. Maschinelles Lernen besteht aus statistischen Techniken, die üblicherweise einer Software ermöglichen, aus einer Fülle von Daten Erkenntnisse zu gewinnen. Somit ist Machine Learning eine konkrete Anwendung innerhalb des Forschungsgebiets der künstlichen Intelligenz.

Auf den Punkt lässt sich die Unterscheidung auf folgende Weise bringen:

Spricht jemand von künstlicher Intelligenz, besteht der Ansatz zur Problemlösung häufig daraus, eine zuvor definierte Menge von Regeln auf einen Datensatz loszulassen und mit Zeit sowie Rechenleistung zu einem Ergebnis zu kommen („Brute Force“).

Der Ansatz mit Machine Learning hingegen besteht daraus, einem Modell so viele Daten wie möglich vorzulegen, so dass die Maschine die zugrundeliegenden Strukturen und Regeln selbst erkennt.

So kann man ein Modell mit 500.000 Patientendaten füttern, die einen Schlaganfall enthalten und 500.000 Patientendaten geben, die keinen Schlaganfall enthalten. Anschließend stellt man der Maschine eine Patientenakte vor und fragt, ob die Daten auf einen Schlaganfall hinweisen oder nicht. Im Idealfall kann das Modell mit einer bestimmten Wahrscheinlichkeit sagen, wie groß die Gefahr für einen Schlaganfall ist.

Machine Learning 2.0

Inzwischen gewinnt die Ansicht immer mehr Befürworter, dass maschinelles Lernen selbst einen Sammelbegriff darstellt. Unter dem Begriff lassen sich Techniken wie „Deep Learning“, „Natural Language Processing“, „künstliche neuronale Netze“ zusammenfassen. Bei diesen Techniken handelt es sich um Verfahren, die sich im Laufe ihrer Arbeit selbst optimieren. So erkennt beispielsweise eine Spracherkennung mit der Zeit die gesprochenen Worte immer besser. Diese Verfahren finden ihre Anwendung in den Fällen, in denen kein Algorithmus, keine offensichtlichen Regeln für die Bewältigung einer Aufgabe zur Verfügung stehen.

So stellt beispielsweise das Erkennen von handschriftlichen Zeichen einen Computer vor ein Problem. Jeder Mensch hat eine eigene Handschrift. Selbstverständlich haben alle Schreiberinnen und Schreiber etwa der lateinischen Schrift Gemeinsamkeiten in ihrer Schrift, aber diese Gemeinsamkeiten zu destillieren und in eine Maschine einzugeben, ist unmöglich. Mithilfe statistischer Techniken und einer großen Datenmenge lässt sich ein Programm so trainieren, dass es Wörter erkennt und die zugrundeliegenden Gemeinsamkeiten unter den verschiedenen Handschriften selbst erlernt.