Basiswissen: KI vs. Maschinelles Lernen vs. Deep Learning

Die Verkündigung (Leonardo da Vinci)

Über KI zu sprechen, wird zunehmend komplexer, da sie oft neben (oder sogar austauschbar mit) den Begriffen maschinelles Lernen (ML) und Deep Learning (DL) verwendet wird. Warum werden diese Begriffe relativ austauschbar verwendet, und was sind die Unterschiede?

Kurz und bündig: DL ist eine Teilmenge von ML, die ihrerseits eine Teilmenge von AI ist (diese Grafik hilft, diese Nuance zu erklären):

Quelle: https://www.dataiku.com/

Und für ein noch tieferes Verständnis ein wenig Geschichte.

Von Geschäftsregeln zum maschinellen Lernen
Vor dem Beginn des maschinellen Lernens in den 80er Jahren waren die Regeln für Geschäftsentscheidungen meist handkodierte Anweisungssätze, die auf dem Wissen von Wirtschaftsexperten basierten. Beim maschinellen Lernen werden diese Regeln aus den zuvor gesammelten Daten abgeleitet – die Geschäftsexpertise spielt eine Rolle (und ist tatsächlich erforderlich) für den Feature-Engineering-Teil.

Im Grunde muss der Geschäftsexperte bestimmen, welche Faktoren die Ergebnisse, die Sie vorhersagen wollen, beeinflussen können, und der Algorithmus wählt automatisch die optimale Art und Weise aus, diese Faktoren zu kombinieren. Mit anderen Worten, Sie “trainieren” ein Modell. Die Schlüsselfrage lautet: Was ist die beste Regel, die ich auf der Grundlage meiner Daten erstellen kann, um mein Geschäftsproblem zu lösen?

Was sind nun die Besonderheiten des Deep Learnings?
Ein DL-Algorithmus ist in der Lage, verborgene Muster aus den Daten selbst zu lernen, sie miteinander zu kombinieren und viel effizientere Entscheidungsregeln zu erstellen. Deshalb kann er mit Problemen umgehen, die ein menschliches Gehirn nicht verstehen könnte – der ganze Wert des Deep Learnings liegt in dieser Fähigkeit zur automatischen Mustererkennung. Das bedeutet, dass es mit komplexeren Problemen umgehen kann, z.B. mit dem Verständnis von Konzepten in Bildern, Videos, Texten, Tönen, Zeitreihen und allen anderen unstrukturierten Daten, die Ihnen einfallen.

Aber betrachten Sie das tiefe Lernen nicht als ein Modelllernen an sich. Sie benötigen nach wie vor ordnungsgemäß gekennzeichnete Daten, eine Bewertung der Modellergebnisse und natürlich eine Bewertung des geschäftlichen Nutzens, den sie bringen werden! Tatsächlich ist der Mangel an präzise gekennzeichneten Daten einer der Hauptgründe dafür, dass DL in einigen Geschäftsfällen enttäuschende Ergebnisse liefern kann.

ML vs. DL. Quelle: https://www.dataiku.com/

Natürlich bedeutet der Umgang mit komplexeren Daten auch komplexere Algorithmen. Und um allgemein genug komplexe Muster aus komplexen Daten zu extrahieren, benötigen Sie viele, typischerweise Millionen von beschrifteten Bildern für eine Klassifikationsaufgabe.

Da das Merkmal-Engineering automatisch von der Maschine durchgeführt wird, ist die Interpretation für einen Menschen nicht offensichtlich, und DL-“Black-Box”-Entscheidungsregeln können von Geschäftsanalytikern abgelehnt werden. Tatsächlich ist die Interpretierbarkeit von DL-Modellen eine der größten Herausforderungen der heutigen DL-Forschung.

ML vs. DL
Das bedeutet: Werfen Sie nicht alle Ihre klassischen ML-Modelle aus dem Fenster! Bei den meisten klassischen datenbezogenen Problemen leisten ML-Ansätze immer noch einen besseren Job als DL, da sie keine unstrukturierten Daten beinhalten. Hier ist zum Beispiel eine einfache Illustration: Ich möchte von Manhattan nach Brooklyn/Boston/Paris gehen: zu Fuß, Auto, Zug, Flugzeug?

Es läuft auf einen einfachen Kompromiss zwischen Kosten und Zeitaufwand hinaus (Kosten > Zeit für den Modellentwurf, Zeitaufwand > Genauigkeit). Ein Flug von Manhattan nach Brooklyn ist das Äquivalent zur Verwendung eines DL-Modells für ein “einfaches” Problem (d.h. es ist überhaupt nicht effizient).

Wo KI und Data Science hineinpassen
Was ist dann mit AI bzw. KI? Nun… wir wissen es nicht wirklich. Ist es ein schickeres Wort für DL? Manche behaupten, sie hätten in den 50er Jahren KI gemacht. Aber die meisten von ihnen haben etwas mit Automatisierung und der Entwicklung von Computersystemen zu tun, die mehr wie Menschen als wie traditionelle Maschinen denken oder lernen. Und wenn dies der Fall ist, dann ist zumindest ein tiefes Lernen sicherlich ein großer Schritt in Richtung dieses Ziels.

Die KI ist auch deshalb komplex zu definieren, weil sie sich auf die verbraucherorientierte KI (denken Sie an selbstfahrende Autos oder Haushaltsgeräte), aber auch auf die Unternehmens-KI beziehen kann. Unternehmens-KI ist die Fähigkeit, die KI-Methodik in den Kern der Geschäftspraktiken einer Organisation sowie in ihre Data-Governance-Strategie einzubetten. Dies bedeutet, dass die Arbeit der Mitarbeiter aller Teams und Disziplinen mit KI für innovativere Abläufe, Prozesse, Produkte und vieles mehr verbessert werden kann.

Wenn es um die Definition der Datenwissenschaft geht, die häufig mit maschinellem Lernen in einen Topf geworfen wird, wird sie als ein Bereich beschrieben, der Prozesse, wissenschaftliche Methoden, Algorithmen und Systeme verwendet, um Wissen und Einsichten über strukturierte und unstrukturierte Daten zu gewinnen. Darüber hinaus sind die Definitionen der Datenwissenschaft je nach Funktion und Rolle des Unternehmens sehr unterschiedlich – verschiedene Personen innerhalb einer Organisation haben möglicherweise maßgeschneiderte Definitionen dafür, was gute Datenwissenschaft ausmacht. Für Datenverantwortliche könnte es sich um greifbare geschäftliche Auswirkungen handeln, während sie für Leute wie Datenwissenschaftler oder Ingenieure detaillierter und nuancierter sein könnten – wie die Qualität oder Genauigkeit des Modells.

Unabhängig davon, ob wir Datenwissenschaft, KI, maschinelles Lernen oder tiefgehendes Lernen definieren, ein roter Faden ist, dass jedes der vier Segmente von Menschen angetrieben sein sollte. Diese Human-in-the-Loop-Intelligenz ist der Schlüssel zu einer wirklich verantwortungsvollen und transparenten KI. Obwohl die KI auf dem Höhepunkt des Hype ist und Aufmerksamkeit und Enthusiasmus in den Raum der Datenwissenschaft bringt, ist es für Organisationen wichtig, sich weiterzubilden und eine verantwortungsvolle Mission und Vision für die Implementierung der KI zu entwickeln, um den Anschein einer echten Wirkung zu haben.

Gefunden auf: Dataiku

Übersetzung: DeepL