Arti­fi­ci­al Intel­li­gence, Machi­ne Learning, Deep Learning und Natu­ral Lan­guage Pro­ces­sing — Als Nicht-Ent­wick­ler schal­tet man schnell ab, wenn das heut­zu­ta­ge all­ge­gen­wär­ti­ge Buz­zword-Bin­go rund um das The­ma künst­li­che Intel­li­genz beginnt. Die Begrif­fe wer­den ger­ne infla­tio­när, syn­onym oder sogar falsch ver­wen­det. Um etwas Licht ins Dun­kel zu brin­gen und einen erfolg­rei­chen Umgang mit Anwen­dun­gen künst­li­cher Intel­li­genz zu ermög­li­chen, möch­ten wir ein­mal mit den rele­van­ten Begrif­fen auf­räu­men.

Damit begin­nen wir am bes­ten ganz vor­ne — also, alles auf Anfang:

 

Was ist Künstliche Intelligenz?

 

Künst­li­che Intel­li­genz (auch: KI, Arti­fi­ci­al Intel­li­gence, AI) dient als Ober­be­griff für alle For­schungs­be­rei­che, die sich damit beschäf­ti­gen, wie Maschi­nen eine Leis­tung mensch­li­cher Intel­li­genz erbrin­gen kön­nen.

Oft fal­len auch die Begrif­fe star­ke und schwa­che künst­li­che Intel­li­genz zur wei­te­ren Kate­go­ri­sie­rung: Wäh­rend die (aktu­ell anwend­ba­re) schwa­che künst­li­che Intel­li­genz eine effi­zi­en­te Simu­la­ti­on ein­zel­ner, mensch­li­cher Fähig­kei­ten ermög­licht, kann die (noch rea­li­täts­fer­ne) star­ke künst­li­che Intel­li­genz so eigen­stän­dig den­ken, ver­knüp­fen und han­deln wie der Mensch.

 

Was ist Machine Learning?

 

Machi­ne Learning (auch: Maschi­nel­les Ler­nen, ML) wird oft syn­onym mit dem Begriff Künst­li­che Intel­li­genz genutzt wie ver­stan­den, ist der KI tat­säch­lich aber als Unter­be­griff zuzu­ord­nen.

Der Teil­be­reich ML zeich­net sich durch die Fähig­keit des selb­stän­di­gen Ler­nens aus und bedeu­tet damit nicht nur eine Imi­ta­ti­on von Pro­zes­sen (bzw. Intel­li­genz), son­dern aus Erfah­run­gen Wis­sen zu gene­rie­ren.

Im Fal­le des Machi­ne Learnings meint das ein Ler­nen von sta­tis­ti­schen Mus­tern aus mög­lichst reprä­sen­ta­ti­ven, his­to­ri­schen Daten. Dadurch kön­nen heu­te Pro­zes­se (teil-) auto­ma­ti­siert und somit opti­miert wer­den, die bis­lang kom­plett manu­ell durch­ge­führt wer­den muss­ten.

Unterschied Künstliche Intelligenz Machine Learning

Bei­spiels­wei­se braucht ein moder­nes, auf Machi­ne Learning basie­ren­des Bil­der­ken­nungs­sys­tem für eine zuver­läs­si­ge Bil­der­ken­nung nur Bei­spie­le, die zuvor mit der rich­ti­gen Ant­wort getaggt wur­den. Aus die­sen reprä­sen­ta­ti­ven Daten kann der Machi­ne Learning Algo­rith­mus ler­nen, spe­zi­fi­sche Objek­te zu unter­schei­den. Da es zu kom­pli­ziert wäre, all­ge­mein­gül­ti­ge Wenn-Dann-Regeln auf Pix­ele­be­ne zu schrei­ben, die das Aus­se­hen eines Objekts genau defi­nie­ren, wür­de ein regel­ba­sier­tes Exper­ten­sys­tem wahr­schein­lich nie die­sel­be Per­for­mance errei­chen.

Auch sind sol­che regel­ba­sier­ten Sys­te­me im Gegen­satz zu Machi­ne Learning Algo­rith­men nicht über­trag­bar. Ein Sys­tem, das anhand von manu­ell geschrie­be­nen Regeln deut­sche Tex­te klas­si­fi­ziert, ist für chi­ne­si­sche Tex­te wahr­schein­lich nicht anwend­bar. Lie­gen aller­dings Daten für Deutsch und Chi­ne­sisch vor, bestehen gute Chan­cen, dass nach einer sprach­spe­zi­fi­schen Vor­ver­ar­bei­tung der glei­che Machi­ne Learning Algo­rith­mus ver­wen­det wer­den kann, um die gewünsch­te Klas­si­fi­ka­ti­on von deut­schen als auch chi­ne­si­schen Tex­ten zu ler­nen.

Als Fol­ge des­sen erfor­dert ein regel­ba­sier­tes Exper­ten­sys­tem bei kom­ple­xen Pro­ble­men initi­al eine lan­ge und kost­spie­li­ge Ent­wick­lungs­zeit. Die ent­ste­hen­den Sys­te­me sind dar­auf­hin eben­so kom­plex, wie das ursprüng­li­che Pro­blem, was auch die Pfle­ge und Wei­ter­ent­wick­lung auf­wän­dig macht. Ein auf Machi­ne Learning basie­ren­des Sys­tem hat hin­ge­gen typi­scher­wei­se deut­lich weni­ger Code, da die Logik nicht expli­zit nie­der­ge­schrie­ben wer­den muss, und schafft damit Kos­ten- wie Per­for­mance-Vor­tei­le.

 

Wenn davon aus­zu­ge­hen ist, dass zukünf­ti­ge Ent­schei­dun­gen auf Basis der Erkennt­nis­se his­to­ri­scher Daten getrof­fen wer­den kön­nen, bie­tet sich Machi­ne Learning als Werk­zeug zur (Teil-)Automatisierung von Pro­zes­sen an — gesetzt den Fall, dass zu dem kon­kre­ten Pro­blem ent­we­der bereits Daten vor­lie­gen oder ein­fach erstellt wer­den kön­nen.

 

Was ist Deep Learning?

 

Deep Learning (auch: DL, Tief­ge­hen­des Ler­nen) wie­der­um ist ein Teil­be­reich des Machi­ne Learning. Hier “spin­nen” ent­spre­chen­de Sys­te­me das durch ML Gelern­te wei­ter: Sie agie­ren und opti­mie­ren sich auf Basis von gro­ßen Men­gen his­to­ri­scher Daten eigen­stän­dig, also ohne, dass Vor­kennt­nis­se ein­pro­gram­miert wer­den muss­ten.

Mög­lich wird das durch die an den neu­ro­na­len Net­zen des mensch­li­chen Gehirns inspi­rier­te Funk­ti­ons­wei­se: Durch  sei­nen viel­schich­ti­gen (ergo tie­fer­ge­hen­den) Auf­bau lernt das Sys­tem aus rele­van­ten Trai­nings­da­ten grund­le­gen­de Mus­ter und lei­tet selb­stän­dig kom­ple­xe­re Mus­ter ab. Dabei kön­nen die Deep-Learning-Model­le so kom­plex wer­den, dass weder steu­er- noch nach­voll­zieh­bar ist, was genau eigent­lich erlernt wird. Und auch DL ist auf die Pro­blem­stel­lun­gen der ein­ge­spiel­ten Daten begrenzt, kann unter den rich­ti­gen Bedin­gun­gen aber wesent­lich bes­se­re Ergeb­nis­se lie­fern, als ein­fa­che­re ML Algo­rith­men.

Unwahr­schein­lich gro­ße Daten­men­gen, die nach sol­chen Mus­tern unter­sucht wer­den kön­nen, sind Vor­aus­set­zung für das tief­ge­hen­de Ler­nen. Anwen­dung fin­det DL heut­zu­ta­ge daher typi­scher­wei­se in der Gesichts-, Objekt- oder Sprach­er­ken­nung.

 

Das macht Machi­ne Learning und Deep Learning zu Werk­zeu­gen zur Auto­ma­ti­sie­rung von Sys­te­men. Werk­zeu­ge, die auch wir für die Ent­wick­lung unse­rer Pro­duk­te nut­zen — zumin­dest das Machi­ne Learning. Um das fina­le Zusam­men­spiel zu ver­deut­li­chen, ist eine Ein­ord­nung unse­rer Tech­no­lo­gi­en in das Gesamt­bild sinn­voll.

 

Was ist Natural Language Processing?

 

Als Kom­bi­na­ti­on von Lin­gu­is­tik und künst­li­cher Intel­li­genz geht es beim Natu­ral Lan­guage Pro­ces­sing (auch: NLP) um die maschi­nel­le Ver­ar­bei­tung natür­li­cher Spra­che.

NLP wie­der­um ist ein Ober­be­griff für die bei­den Tech­no­lo­gi­en Natu­ral Lan­guage Under­stan­ding (auch: NLU) und Natu­ral Lan­guage Gene­ra­ti­on (auch: NLG, Auto­ma­ti­sche Text­ge­ne­rie­rung), also für das Ver­ste­hen und das auto­ma­ti­sche Gene­rie­ren natür­lich sprach­li­cher Tex­te.

Oder kurz: Text zu Daten und Daten zu Text.

Verhältnis Künstliche Intelligenz Linguistik NLP NLU NLG

Wir nut­zen Machi­ne Learning qua­si in all unse­ren seman­ti­schen Anwen­dun­gen zum auto­ma­ti­sier­ten Ver­ste­hen von Inhal­ten, bei­spiels­wei­se zur Kate­go­ri­sie­rung von Tex­ten, zum Clus­te­ring von News-Arti­keln oder zum Ver­ste­hen der Ein­ga­be des Nut­zers bei Chat­bots. Auch bei unse­rer für mys­imp­le­show ent­wi­ckel­ten Exp­lai­ner Engi­ne nut­zen wir Machi­ne Learning, um pas­sen­de Visua­li­sie­run­gen für die rele­van­ten Key­wor­ds vor­zu­schla­gen. Bei der auto­ma­ti­schen Text­ge­ne­rie­rung mit unse­rer SaaS-Lösung textengine.io unter­stützt Machi­ne Learning den User mit einer auto­ma­ti­schen, lin­gu­is­ti­schen Ana­ly­se der von ihm geschrie­be­nen Tem­pla­tes.

 

Um es schluss­end­lich noch ein­mal zusam­men­zu­fas­sen: Künst­li­che Intel­li­genz ist als Ober­be­griff zu sehen. Machi­ne Learning und Deep Learning sind dem­nach Teil­be­rei­che der künst­li­chen Intel­li­genz, die Metho­den zur Auto­ma­ti­sie­rung von Pro­zes­sen beschrei­ben. Die­se wer­den für das Natu­ral Lan­guage Pro­ces­sing, der Kom­bi­na­ti­on von künst­li­cher Intel­li­genz mit der Lin­gu­is­tik und damit zur maschi­nel­len Ver­ar­bei­tung der mensch­li­chen Spra­che, genutzt.

 

Über Ret­res­co | @retresco

Bereits seit 2008 ent­wi­ckelt Ret­res­co füh­ren­de KI-Lösun­gen im Bereich Con­tent Auto­ma­ti­on. In den letz­ten Jah­ren hat sich das Unter­neh­men zuneh­mend zu einem der welt­weit füh­ren­den Anbie­ter in der auto­ma­ti­schen Text­ge­ne­rie­rung (Natu­ral Lan­guage Gene­ra­ti­on) ent­wi­ckelt und dut­zen­de Pro­jek­te für Kun­den aus den Berei­chen Medi­en, E-Com­mer­ce und Finanz­dienst­leis­tun­gen umge­setzt.

 

Ansprech­part­ner

Fran­ca Ding | @francacharlotte
Mar­ke­ting Koor­di­na­to­rin, Ret­res­co GmbH
+49 (0)30 555 781 999
franca.ding@retresco.de