Schwirrt euch auch manchmal der Kopf, wenn wieder einmal mit Begriffen geworfen wird, die so wissenschaftlich-technisch sind, dass man sie allein mit gesundem Menschenverstand nicht interpretieren kann? Ein solches Dickicht aus Begrifflichkeiten umrankt das Thema „Artificial Intelligence”, die künstliche Intelligenz. Da ist von „Deep Learning”, maschinellem Lernen, neuronalen Netzen und „Natural Language Processing” die Rede. Wir wollen daher versuchen, euch über die unterschiedlichen Bedeutungen ins Bild zu setzen, ohne dabei zu wissenschaftlich zu werden.

Alle im Zusammenhang mit der Erbringung von Intelligenzleistungen, die bislang dem Menschen vorbehalten waren, verwendeten Technologien finden sich unter dem Oberbegriff der AI wieder. AI ist demnach heutzutage nichts anderes als ein Sammelbegriff, den man verwendet, wenn man nicht zu sehr ins Detail gehen will.

Innerhalb der AI unterscheidet man die sogenannte starke von der schwachen AI. Die starke AI beschreibt dabei einen Zustand, in dem eine Maschine im Grunde zu allem fähig ist, wozu ein Mensch ebenfalls in der Lage wäre. Die starke AI ist es denn auch, die auf Filmemacher die größte Faszination ausübt. Tatsächlich ist das Konzept bislang nicht über die philosophische Ebene hinausgekommen.

Die schwache AI hingegen befasst sich damit, einzelne Fähigkeiten des Menschen auf Maschinen zu übertragen, etwa das Erkennen von Texten, Bildinhalten, das Spielen, die Spracherkennung und so weiter. Hier werden seit Jahren rasante Fortschritte gemacht.

„Machine Learning”, „Deep Learning”, „Natural Language Processing” (NLP) und „neuronale Netze” sind entsprechend lediglich Teilgebiete der AI, teilweise Teilgebiete innerhalb dieser Teilgebiete.

Maschinelles Lernen beschreibt mathematische Techniken, die einem System, also einer Maschine ermöglichen, selbständig Wissen aus Erfahrungen zu generieren.

NLP, das etwa mit „Verarbeitung natürlicher Sprache” übersetzt werden kann, ist ein ziemlich altes Forschungsgebiet innerhalb der Erforschung der Mensch-Maschine-Schnittstelle und kann erst seit einigen Jahren korrekt unter den Oberbegriff „maschinelles Lernen” subsumiert werden. In der Vergangenheit versuchte man die maschinelle Verarbeitung von geschriebener und gesprochener Sprache nämlich mit umfangreichsten Regel-Sets zu bewältigen. Deshalb konnte man auch kaum von nennenswertem Fortschritt berichten.

Erst die Methoden des maschinellen Lernens beschleunigten die Entwicklung des NLP, zu deren wichtigsten Aufgaben die optische Zeichenerkennung (OCR), Übersetzungen zwischen unterschiedlichen Sprachen, die automatische Beantwortung natürlichsprachlicher Fragen und die Spracherkennung selber zählen.

Heutzutage werden für Teilbereiche des NLP, vor allem für die Spracherkennung, die Methoden des „Deep Learning” verwendet.

„Deep Learning” ist ein Teilbereich des maschinellen Lernens und der Bereich, der unser Leben in den nächsten Jahren am stärksten umkrempeln wird.

Teilweise werden die Begriffe „Deep Learning” und künstliche neuronale Netze synonym verwendet. Egal, wie man zu dieser Begrifflichkeit steht, jedenfalls arbeitet „Deep Learning” mit künstlichen neuronalen Netzen, um zu besonders effizienten Lernerfolgen zu gelangen.

Es ist also nicht falsch, zu sagen, dass es sich bei „Deep Learning” um eine Lernmethode im Rahmen maschinellen Lernens handelt. Unter Verwendung neuronaler Netze versetzt sich die Maschine selbst in die Lage, Strukturen zu erkennen, diese Erkennung zu evaluieren und sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig zu verbessern.

Die neuronalen Netze sind zu diesem Zweck in mehrere Schichten geteilt. Diese könnt ihr euch wie einen Filter vorstellen, der vom Groben zum Feinen hin arbeitet und auf diese Weise die Wahrscheinlichkeit der Erkennung und Ausgabe eines korrekten Ergebnisses erhöht. Das menschliche Gehirn arbeitet ähnlich.

Im Grunde sind heutzutage stets Methoden des „Deep Learning” mit neuronalen Netzen gemeint, wenn von künstlicher Intelligenz die Rede ist. Der rasante Fortschritt, der in den letzten Jahren durch „Deep Learning” erreicht wurde, ist vor allem darauf zurückzuführen, dass es zum einen immer leistungsfähigere Hardware für die erforderlichen Rechenoperationen gibt, zum anderen aber auch immer größere Datenmengen unproblematisch für das initiale Training der neuronalen Netze zur Verfügung stehen.

Nach diesem initialen Training besteht das „Deep Learning” des Verfahrens darin, während der laufenden Anwendung stets dazuzulernen. Solche Systeme optimieren sich quasi selbst und ständig, wodurch die Erkennungsgenauigkeit und der Ergebnisnutzen immer größer wird.

Denn „Deep Learning” setzt auf statistische Datenanalyse und nicht auf einen deterministischen Algorithmus. Statistische Datenanalyse wird immer dann erforderlich, wenn keine klaren Regeln, etwa für die Bilderkennung oder ähnliche Anwendungen, verfügbar, vielleicht nicht einmal bekannt sind.

Eine solche Aufgabe könnte etwa darin bestehen, aus einem Pool von Bildern all jene zu ermitteln, auf denen Katzen abgebildet sind. Die Frage nach abgebildeten Tieren wäre ein Stück einfacher, aber „Deep Learning” soll ja was leisten.

Nun würden die Entwickler die Maschine mit sämtlichen verfügbaren Katzenbildern füttern; in Sommersituationen fotografiert, im Winter aufgenommen, bei Regen, Hitze, unter dem Sofa, kleine und große, schwarze und weiße Katzen. Für uns Menschen ist das Erkennen von Katzen natürlich kein Problem. Die Maschine muss erst einmal lernen, wie das Tier aussieht, um dann daraus Erkennungsmuster zu entwickeln. Nach dem Training setzt man der Maschine dann Fotos vor, die nicht Bestandteil des initialen Trainings waren und schaut, welche Resultate das System leistet.

Das Interessante daran ist, dass, wenn die Maschine den Vorgang einmal verinnerlicht hat, sie weitaus schneller als wir Menschen arbeiten kann. Während wir für die Erkennung von 1.000 Katzenbildern aus einem Pool von 50.000 Fotos sicherlich im Zeitansatz von Tagen denken müssten, könnte eine entsprechende künstliche Intelligenz diese Aufgabe in Sekunden oder Minuten erbringen, je nach Rechenleistung.

AI oder „Artificial Intelligence” oder künstliche Intelligenz ist der Oberbegriff zur Beschreibung aller Forschungsfelder, die sich mit der Erbringung menschlicher Intelligenzleistungen durch Maschinen beschäftigen. NLP oder „Natural Language Processing” befasst sich mit der Erkennung und Verarbeitung sowie der entsprechenden Ausgabe natürlichsprachlicher Texte in geschriebener und gesprochener Form. „Machine Learning” oder maschinelles Lernen ist der Oberbegriff für alle Verfahren, die es Maschinen ermöglichen, Wissen aus Erfahrung zu generieren, also zu lernen. „Deep Learning” mit künstlichen neuronalen Netzen ist eine besonders effiziente Methode des permanenten maschinellen Lernens auf der Basis statistischer Analyse großer Datenmengen (Big Data) und die bedeutendste Zukunftstechnologie innerhalb der AI.

Wenn ihr nun Geschmack an der Fragestellung gefunden hat, wollt ihr euch vielleicht tiefergehend informieren. Freut euch schon einmal auf einen bunten Reigen weiterer Fachbegriffe und Abkürzungen, aber auch auf die eine oder andere spannende Geschichte.

• Why Deep Learning is suddenly changing your Life | Fortune
• Artificial Intelligence weltweit | Computerwoche
• Maschinelles Lernen: Ohne Verstand ans Ziel | Deutschlandfunk
• Was ist „künstliche Intelligenz“ und warum ist das wichtig? | Upload Magazin