Künstliche Intelligenz, Machine Learning, Deep Learning - diese Begriffe spielen in unserem Alltag eine immer wichtigere Rolle. Die Technologien werden in vielen Bereichen eingesetzt, ohne dass wir sie bemerken. Man findet sie unter anderem in Smartphones, in Webshops, in Streamingdiensten sowie im Edge Computing, zum Beispiel in Produktionshallen. Sie erleichtern sowohl Unternehmen als auch Privatpersonen das Leben. Dabei bezeichnet Künstliche Intelligenz eine Technologie, welche menschliche oder menschenähnliche und somit intelligente Verhaltensweisen zeigt. Machine Learning und Deep Learning sind dabei wichtige Teile der Künstlichen Intelligenz. Leider werden diese zwei Begriffe fälschlicherweise oft synonym verwendet. Daher möchten wir in diesem Artikel die beiden Begriffe erklären und den Unterschied aufzeigen.
- Machine Learning
- Deep Learning
- Zusammenhang: Künstliche Intelligenz, Machine Learning und Deep Learning
Machine Learning
Machine Learning ist ein Teilbereich der Künstlichen Intelligenz, welcher sich auf die Nachahmung des menschlichen Lernens durch die Verwendung von Daten und Algorithmen spezialisiert. Der Begriff wurde im Jahr 1959 von Arthur Samuel, einem Mitarbeiter der IBM, geprägt.
Beim Machine Learning wird ein Algorithmus trainiert, um Daten nach bestimmten Kriterien auszuwerten, sodass gewünschte Ergebnisse geliefert werden. Dabei unterscheidet man mehrere Lern-Methoden:
-
Überwachtes Lernen
Beim überwachten Lernen (engl. supervised learning) lernt der Algorithmus anhand von Eingaben und dazugehörigen Ausgaben, Zusammenhänge zu erstellen. Nach mehreren Durchgängen kann es auf diese Weise neuen unbekannten Eingaben die richtigen Ausgaben zuordnen. Hierzu wird eine Vielzahl an bewerteten Daten benötigt, was einen hohen menschlichen Aufwand erfordert. Ein Beispiel hierfür ist die Prognosen Erstellung:
Dem Algorithmus werden Daten geliefert, zum Beispiel die Eckdaten eines Hauses wie die Personenanzahl, sowie die dazugehörige, vom Menschen vordefinierte, Ausgabe, zum Beispiel der jährliche Stromverbrauch. Der Algorithmus findet nun Kriterien anhand derer er die Eingaben mit den Ausgaben verbinden kann. Mithilfe dieser Kriterien können nun mit unbekannten Daten richtige Vorhersagen zu dem Stromerbrauch eines Hauses gemacht werden.
-
Unüberwachtes Lernen
Beim unüberwachten Lernen (engl. unsupervised learning) bekommt der Algorithmus Datensätze ohne eine passende Ausgabe und muss eigenständig Kriterien finden, nach denen er die Daten beurteilt und auswertet. Die Ausgaben werden somit nicht mehr vom Menschen vordefiniert. Auf diese Weise können Muster gefunden werden, die für den Menschen unsichtbar wären, oder Kriterien ausgesucht werden, die schwer zu definieren sind. Ein Beispiel für das unüberwachte Lernen sind Empfehlungssysteme:
Der Algorithmus untersucht das Kaufverhalten von vielen verschiedenen Kunden und findet dabei Zusammenhänge heraus, zum Beispiel "Ein Kunde, der einen PC kauft, kauft meist auch einen Monitor". Auf diese Weise kann es zukünftigen Kunden zielgenaue Empfehlungen vorschlagen.
-
Teilüberwachtes Lernen
Das teilüberwachte Lernen (engl. semi-supervised learning) ist eine Verbindung der ersten beiden Methoden. Dem Algorithmus werden sowohl beschriftete als auch unbeschriftete Daten zur Verfügung gestellt. Somit lernt der Algorithmus anhand des geringen beschrifteten Datensatzes schneller die unbeschrifteten Daten richtig auszuwerten. Somit wird der menschliche Aufwand für die Erstellung gelabelter Daten gering gehalten, während gleichzeitig das Training schnell vollendet wird. Das teilüberwachte Lernen wird beispielsweise in der Bildkategorisierung eingesetzt.
-
Bestärkendes Lernen
Beim bestärkenden Lernen (engl. reinforcement learning) wird der Algorithmus in einer Simulationsumgebung anhand von Versuch und Irrtum trainiert. Es werden keine Beispieldaten benötigt. Der Algorithmus interagiert mit seiner Umgebung und bekommt für seine Handlungen ein Feedback, also eine Bestrafung oder Belohnung. Da er versucht die Belohnungen zu maximieren, lernt er auf diese Weise, welche Aktion zu welchem Zeitpunkt die Richtige ist. Das bestärkende Lernen wird oft zum Trainieren von Künstlicher Intelligenz in Spielen oder im Bereich des autonomen Fahrens eingesetzt.
Deep Learning
Deep Learning ist ein Teilbereich des Machine Learning. Es zeichnet sich durch die Verwendung von künstlichen neuronalen Netzen mit mehr als 2 verborgenen Schichten aus. Der Begriff "deep" (engl. tief) bezieht sich dabei auf die Tiefe der vielen verborgenen Schichten. Deep Learning wird meist zur Verarbeitung sehr großer Mengen an unbeschrifteten Daten verwendet, kann aber auch problemlos beschriftete Daten auswerten.
Neuronale Netze sind eine Simulation des menschlichen Gehirns. Sie bestehen aus einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Jeder der Schichten ist mit der Vorherigen und der Nächsten verbunden und enthält künstliche Neuronen, welche die Daten verarbeiten und an die nächste Schicht weitergeben.
Durch die Verwendung der künstlichen neuronalen Netze ist Deep Learning in der Lage unstrukturierte Daten präzise zu verarbeiten, indem es eigenständig Strukturen in den Daten erkennt.
Deep Learning mit Intel® Deep Learning Boost
Die hohe benötigte Rechenleistung stellt ein Industrie Computer, wie die MAYFLOWER®-B17-LiQuid-vX, mit aktueller CPU und GPU Generation zur Verfügung. Mit Intel® Deep Learning Boost (Intel® DL Boost) wird die Leistung bei Deep Learning Aufgaben, wie KI Training und Inferenz, beschleunigt, ohne dass ein separater Zusatzbeschleuniger erforderlich ist. DL Boost umfasst dabei Funktionen bestimmter Befehlssatzarchitekturen (z.B. VNNI-Befehle auf der CPU, INT8/DP4-Befehle auf der GPU). Diese hardwarebasierte KI-Beschleunigung verbessert das Inferencing und Training der Workloads.
Unter den Intel® Prozessoren setzen sowohl skalierbare Xeon® CPUs mit Intel® DL Boost neue Maßstäbe für die KI-Leistung als auch aktuelle Intel® Core™-Prozessoren der 12. Generation mit zu 2,81x schnellerer Inferenz-Performance bei der GPU-Bildklassifizierung. KI-Entwickler profitieren bei Intel® Core™-Prozessoren der 12. Generation sowohl von Intel® Deep Learning Boost (Intel® DL Boost) als auch von der optimierten Inferenz durch das OpenVINO™ Toolkit zur Beschleunigung von KI-Inferenz-Workloads über CPU- und GPU-Kerne hinweg. Diese CPUs der 12. Gen. sind zum Beispiel im kompakten Embedded PC InoNet Concepion®-tXf-L-v3 verbaut.
Zusammenhang: Künstliche Intelligenz, Machine Learning und Deep Learning
Die Künstliche Intelligenz ist ein sehr weit gefasster Oberbegriff für menschliche oder menschenähnliche Verhaltensweisen bei Maschinen oder Programmen. Machine Learning ist ein Teilbereich dessen und fokussiert sich auf die Nachahmung des menschlichen Lernens und Deep Learning ist eine Sonderform des Machine Learnings, welche mithilfe von neuronalen Netzwerken sehr komplexe Analysen von unbeschrifteten Daten vornehmen kann.
Die folgende Graphik verdeutlicht noch einmal den Zusammenhang zwischen Künstlicher Intelligenz, Machine Learning und Deep Learning:
Erfahren Sie mehr über mögliche Anwendungen von künstlicher Intelligenz und Machine Learning dank unserer GenAI Server, die speziell für die Nutzung von On-Premise Large Language Models (LLMs) entwickelt wurden. Diese Server bieten Ihnen die Möglichkeit, die Leistungsfähigkeit generativer KI direkt vor Ort sicher zu nutzen, ohne sensible Daten in die Cloud zu übertragen. Profitieren Sie von den Vorteilen unserer On-Premise LLM-Lösungen, wie erhöhte Datensicherheit, NVIDIA® AI Kompatibilität und Anpassungsfähigkeit auf Ihre spezifischen Anwendungen.
