‹ back to overview
Der Unterschied zwischen Künstlicher Intelligenz, Maschinelles Learning und Deep Learning

Der Unterschied zwischen Künstlicher Intelligenz, Maschinelles Learning und Deep Learning

Die zunehmende Verbreitung von autonomen Fahrzeugen, der Verarbeitung natürlicher Sprache, vorausschauender Wartung und sogar Schach-Robotern hat einen eigenen Jargon geprägt. Die Begriffe Künstliche Intelligenz (KI), Maschinelles Lernen (ML) und Deep Learning (DL) sind den Menschen, die im Field Service Bereich arbeiten, ziemlich vertraut. Die Technologien, die dahinterstecken, ermöglichen die Automatisierung des Field Service. Sie sind die treibenden Kräfte hinter der Field Service Software. Aber was genau unterscheidet sie voneinander?

Alles ist möglich

Stellen Sie sich die Evolution der Künstlichen Intelligenz einfach wie einen Schirm vor. Maschinelles Lernen und Deep Learning sind beide unter dem Schirm der Künstlichen Intelligenz angesiedelt - und zwar genau in dieser Reihenfolge. Ohne Künstliche Intelligenz gäbe es kein Maschinelles Lernen. Und Deep Learning hat seinen Ursprung im Maschinellen Lernen. Trotzdem wäre es durchaus logisch, den Schirm einfach umzudrehen. Denn für Deep Learning sind nach oben keine Grenzen gesetzt.

Der Unterschied zwischen den drei Arten von Intelligenz und Lernen lässt sich ganz einfach verstehen, wenn man sie mit den seit Langem vertrauten Prozessen des Trainings und der Ausbildung vergleicht.

➔ Künstliche Intelligenz ähnelt dem Vorgang, einem Schüler genau die Information zu vermitteln, die er lernen soll.
➔ Maschinelle Intelligenz funktioniert ähnlich wie wenn man einem Schüler ein Buch in die Hand drückt, damit er sich den Lernstoff selbst erarbeitet.
➔ Der Vorgang des Deep Learning entspricht dem des Maschinellen Lernens. Der Unterschied: In diesem Fall ist der Schüler in der Lage, aus seinen Fehlern zu lernen und sich kontinuierlich zu verbessern.

Im Fall von Künstlicher Intelligenz, Maschinellem Lernen und Deep Learning sind die Schüler Maschinen und die Lehrbücher Daten. Bei der Künstlichen Intelligenz wird die Maschine mit einem endlosen Strom an Daten gefüttert. Beim Maschinellen Lernen und bei Deep Learning hingegen nutzt die Maschine externe Quellen wie das Internet oder Sensoren usw. Im Folgenden wollen wir die drei Ausprägungen etwas genauer erläutern. 

Künstliche Intelligenz

Der Begriff Künstliche Intelligenz bezeichnet Maschinen, die menschliche kognitive Fertigkeiten wie das Lösen von Problemen oder andere Fähigkeiten nachahmen, die Sprache, Sprechen und strategisches Denken voraussetzen. KI-Anwendungen versetzen Maschinen in die Lage, bestimmte menschliche Aufgaben genauso gut oder sogar besser auszuführen. Im Zeitalter von Big Data wird KI immer wichtiger. Mit einer unbegrenzten Zahl an Datenpunkten und der konstanten Generierung neuer Daten wird es für den Menschen bald nicht mehr möglich sein, diese zu sichten, zu ordnen, zu analysieren, zu bewerten und logische Schlüsse daraus zu ziehen. Und das bei alltäglichen Aufgaben wie der Vereinbarung von Terminen, der Suche nach Software-Fehlern und Maschinenstörungen oder dem Organisieren von Mitarbeitern oder freiberuflich tätigen Technikern. Tatsächlich setzen heute viele erfolgreiche Field Service Provider bereits stark auf KI, um all diese Aufgaben effizient zu bewältigen. 

Maschinelles Lernen

Maschinelles Lernen ist in der Künstlichen Intelligenz der nächste logische Schritt. Zwei Erkenntnisse haben ML vorangetrieben: die Vorstellung, dass Maschinen das Lernen lernen können und das Internet. Maschinen etwas beizubringen, ist ein mühsames Unterfangen. Wenn man ihnen jedoch Zugang zur grenzenlosen Datenfülle des Internets verschafft, können sie selbst lernen - und das hat zahllose neue Perspektiven eröffnet. Wie etwa Deep Learning.

Deep Learning

Deep Learning unterscheidet sich vom Maschinellen Lernen, indem es Maschinen in die Lage versetzt, über die verfügbaren Daten hinaus zu lernen. Das beinhaltet die Fähigkeit, Informationen zu analysieren und zu bewerten, um logische Schlüsse zu ziehen, Lösungswege auszuwählen und aus Fehlern zu lernen. Je mehr Daten eine Maschine also empfängt, desto grösser ist ihre Lernfähigkeit und desto "intelligenter" kann sie werden. Obwohl es die künstlichen neuronalen Netze, die die Grundlage dieser Technologien bilden, bereits seit den 1950er Jahren gibt, haben erst die bahnbrechenden Entwicklungen des letzten Jahrzehnts die Lernkurve stark verbessert. Die am meisten verbreiteten modernen Applikationen sind Stimm- und Bilderkennung. Das Niveau der Datenanalyse ermöglicht jedoch viele vorausschauende Applikationen, wie enorme Verbesserungen in der vorausschauenden Wartung, sicherere autonome Fahrzeuge, die Vorhersage von Krankheiten oder Rückfällen.

Wohin geht die Reise?

Betrachtet man die Fortschritte, die Künstliche Intelligenz seit den Anfängen in den 1950er Jahren bis heute gemacht hat, kann man in den Entwicklungen und Anwendungen eine deutliche Steigerung erkennen. In den letzten zehn Jahren hat sich mehr getan als in den 50 Jahren zuvor. Jetzt, wo mehr und mehr Unternehmen sich der digitalen Transformation stellen und ihre Prozesse automatisieren, werden wir in diesem Bereich noch mehr Innovationen sehen, die den wachsenden Bedarf decken sollen. Die Möglichkeiten sind schier unbegrenzt.

Lesen Sie in diesem White Paper, wie Sie Ihren Field Service modernisieren:

New call-to-action

Autor: Leo Andrade, Product Owner, Coresystems  

hidden image