KI-Definition: 6 Fachbegriffe der Künstlichen Intelligenz erklärt

| Autor / Redakteur: mit Material von Intel / Sebastian Gerstl

Definition Neuronale Netzwerke und Deep Learning

Schematische Darstellung eines neuronalen Netzes: die Kreise stellen Neuronen, die Pfeile Verbindungen dar.
Schematische Darstellung eines neuronalen Netzes: die Kreise stellen Neuronen, die Pfeile Verbindungen dar. (Bild: Intel)

Neuronale Netze ('Neural Networks') und tiefes Lernen ('Deep Learning') sind sehr eng miteinander verbunden und werden oft austauschbar verwendet. Aber es gibt einen Unterschied. Vereinfacht ausgedrückt ist Deep Learning eine spezifische Methode des maschinellen Lernens, die in erster Linie auf dem Einsatz neuronaler Netze beruht.

"Beim traditionellen, überwachten maschinellen Lernen erfordern Systeme, dass ein Experte sein Fachwissen nutzt, um die Informationen (sogenannte Features) in den Eingabedaten zu spezifizieren, die am besten zu einem gut geschulten System führen", schrieb ein Team von Intels KI-Ingenieuren und Datenwissenschaftlern in einem kürzlich erschienenen Blogeintrag. Im zuvor erwähnten Blindheitsverhütungsbeispiel würde das bedeuten, die Farben, Formen und Muster anzugeben, die ein gesundes Auge von einem störenden trennen.

Deep Learning ist anders. "Anstatt die Merkmale in unseren Daten zu spezifizieren, von denen wir glauben, dass sie zur besten Klassifizierungsgenauigkeit führen", fuhren sie fort, "lassen wir die Maschine diese Informationen selbst finden. Oft ist es in der Lage, das Problem so zu betrachten, wie es sich selbst ein Experte nicht hätte vorstellen können."

Mit anderen Worten, Aiers Augengesundheits-Screener "sieht" vielleicht gar nicht wie ein menschlicher Kliniker, obwohl es noch genauer ist. Das ist es, was tiefes Lernen so mächtig macht - bei genügend guten Daten kann es zur Lösung von Problemen mit beispielloser Geschicklichkeit und Präzision eingesetzt werden.

Das Neural Network - technisch gesehen ein "künstliches neuronales Netz", da es darauf basiert, wie wir denken, dass das Gehirn funktioniert - liefert die Mathematik, die es funktioniert. Google bietet ein Tool, mit dem Sie mit einem neuronalen Netzwerk in Ihrem Browser spielen können, und bietet auch eine vereinfachte Definition: "Zuerst wird eine Sammlung von Software `Neuronen' erstellt und miteinander verbunden, die es ihnen ermöglicht, Nachrichten an einander zu senden. Als nächstes wird das Netzwerk aufgefordert, ein Problem zu lösen, das es immer wieder zu lösen versucht, indem es die Verbindungen, die zum Erfolg führen, stärkt und die, die zum Scheitern führen, verringert."

Das neuronale Netzwerk erlaubt es dem Programm, ein Problem in immer kleinere - und damit einfachere und einfachere - Blöcke zu zerlegen. "Deep" in deep learning beschreibt die Verwendung eines vielschichtigen neuronalen Netzwerks. Mit mehr Schichten wird das Programm verfeinert in dem, was es kategorisieren kann und dabei genauer - es benötigt nur immer mehr Daten und immer mehr Rechenleistung.

Die Konzepte klingen komplex, aber wenn es um den eigentlichen Code geht, ist es eigentlich ziemlich einfach. "Es ist keine Magie - es ist Mathematik", sagte Dubey –"einfach ausgedrückt, Matrix-Multiplikation".

Definition Training und Inferenz

Zum Abschluss muss noch auf die begriffe Training und Inferenz eingegangen werden. Training ist der Teil des maschinellen Lernens, in dem Sie Ihren Algorithmus erstellen und ihn mit Daten gestalten, um das zu tun, was Sie wollen. Das ist der schwierige Teil. "Training ist der Prozess, bei dem unser System Muster in Daten findet", schrieb das Intel KI-Team im zuvor erwähnten Blogbeitrag. "Während des Trainings leiten wir die Daten durch das neuronale Netz, korrigieren sie nach jeder Probe und iterieren, bis die beste Netzwerkparametrisierung erreicht ist. Nachdem das Netzwerk trainiert wurde, kann die resultierende Architektur für Inferenzen genutzt werden."

Im Falle von Aier's Eye Screener, zum Beispiel, ging es beim Training darum, die Bilder von Augen, die als gesund oder nicht gesund gekennzeichnet sind, zu füttern.

Schließlich ist da noch der Begriff der Inferenz, der sich lexikalisch folgendermaßen definiert: "Die Handlung oder der Prozess der Ableitung logischer Schlussfolgerungen aus bekannten oder angenommenen Prämissen." In der Software-Analogie ist Training das Schreiben des Programms, während Inferenz selbiges benutzt.

"Inferenz ist der Prozess der Verwendung des trainierten Modells, um Vorhersagen über Daten zu machen, die wir vorher nicht gesehen haben", heißt es im Intel-Blogeintrag. Hier tritt die Funktion auf, die ein Verbraucher sehen könnte - Aiers Kamera, die die Gesundheit Ihrer Augen beurteilt, Bing, der Ihre Fragen beantwortet, oder eine Drohne, die sich automatisch um ein Hindernis herum bewegt.

Machine Learning - Chancen und Risiken durch künstliche Intelligenz

Machine Learning - Chancen und Risiken durch künstliche Intelligenz

02.04.18 - Maschinelles Lernen - Was vor ein paar Jahren noch nach Zukunftsvisionen und Stoff für Science-Fiction Filme klang, ist heute bereits Realität. Wie weit die intelligenten Roboter sind, und welche Chancen und Risiken sich durch sie ergeben, erfahren Sie hier. lesen

Machine-Learning-Tipps – Fatale Fehler in der KI-Anwendung vermeiden

Machine-Learning-Tipps – Fatale Fehler in der KI-Anwendung vermeiden

19.03.18 - In naher Zukunft werden Unternehmen viele Millionen investieren und Menschen werden Machine-Learning-Lösungen entwickeln und einsetzen. Doch neue Technologien führen oft zu neuen Fehlerquellen und Möglichkeiten für Cyberangriffe. lesen

Inhalt des Artikels:

Kommentar zu diesem Artikel abgeben
Sehr nutzbare Erklaerung. Vielen Dank.  lesen
posted am 22.05.2018 um 14:56 von Unregistriert


Mitdiskutieren
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45313186 / KI/Machine Learning)