Künstliche Intelligenz, Machine Learning und neuronale Netzwerke

Die Treiber des Technologie-Fortschritts entwickeln sich

| Autor / Redakteur: Jeff Aaron / Andreas Donner

Jeff Aaron von Mist Systems zeigt, wie KI, ML und DL sich entwickeln – und damit den technischen Fortschritt treiben.
Jeff Aaron von Mist Systems zeigt, wie KI, ML und DL sich entwickeln – und damit den technischen Fortschritt treiben. (Bild: © lassedesignen - stock.adobe.com)

Der Turing Test ist der ultimative Test für künstliche Intelligenz (KI): Er definiert KI als eine Software-Lösung, die Aufgaben mit der gleichen Expertise wie ein menschlicher Spezialist erledigt. Als das IBM Watson System mit einem früheren Jeopardy Champion spielte, war dies das erste wirkliche Beispiel von KI. Mittlerweile gibt es dank Deep Learning zahlreiche Anwendungen, deren Verhalten von Menschen nicht mehr zu unterscheiden ist.

Machine Learning (ML) ist die Basis für KI und besteht aus Algorithmen und Datensätzen. Diese lassen sich dazu nutzen, um eine KI-Lösung zu bauen. Für ein echtes KI-System muss Machine Learning mit immer neuen Datensätzen und kontinuierlichen Updates der Algorithmen weiterentwickelt werden – nur dann besteht es den Turing Test.

Es gibt bereits eine Vielzahl von Algorithmen, die seit Jahrzehnten in der ML-Toolbox schlummern, aber erst seit relativ kurzer Zeit (circa seit 2014) haben Algorithmen für Deep Learning- und neuronale Netzwerke deutliche Fortschritte im Hinblick auf ihre Leistung erzielt. Der Grund dafür sind große Datensets auf der einen Seite, um die Technologie zu trainieren, und kostengünstige Speicher- und Compute-Fähigkeiten auf der anderen Seite.

Das ist der Turing-Test

Neuronale Netzwerke für ein beschleunigtes Machine Learning

Aufgrund der schnellen Verbesserungen bei Datenverarbeitungs-, Speicher- und verteilten Computing-Infrastrukturen hat sich ML in Richtung komplexerer Modelle wie Deep Learning (DL), Generative Adversarial Network (GAN oder Reinforcement Learning (RL)) entwickelt – alles neuronale Netzwerke.

Kontrollierte neuronale Netzwerke sind Algorithmen, die Entscheidungen und Unterscheidungen basierend auf Bild- oder Mustererkennung treffen können, nachdem sie mit entsprechend gekennzeichneten Algorithmen geschult wurden. Das Konzept von neuronalen Netzwerken gibt es bereits seit mehr als 40 Jahren. Allerdings begannen neuronale Netzwerke und Deep Learning erst um 2014 herum, verschiedene Segmente signifikant zu verändern und näher an das Bestehen des Turing Tests heranzukommen. Aufgrund der heutigen Möglichkeiten, große Datenvolumina zu sammeln und zu analysieren, sind neuronale Netze einer der wichtigsten Trends, die die Ausführung von ML vorantreiben.

Deep Learning bezeichnet ein Set an künstlichen, auf neuronalen Netzen basierenden ML-Modellen, die die Arbeitsweise von Neuronen und des Nervensystems des menschlichen Gehirns nachahmen. Es gibt zwei beliebte Modelle neuronaler Netzwerke. Das eine ist das Convolutional Neural Network (CNN), das vor allem in verschiedenen bildrelevanten Anwendungen zum Einsatz kommt, darunter autonomes Fahren, Roboter, Bildsuche usw. Das andere ist das Recurrent Neural Network (RNN), das den meisten Text- oder Sprachanwendungen auf Basis von natürlicher Sprachverarbeitung (Natural Language Processing, NLP) zugrunde liegt. Dazu gehören beispielsweise Chatbots, virtuelle Sprachassistenten und Simultanübersetzer.

Generative Adversarial Network (GAN) hingegen ist ein ML-Verfahren, das aus zwei neuronalen Netzwerken besteht, die miteinander in einer Art Nullsummenspiel konkurrieren. GAN läuft typischerweise unbeaufsichtigt und kann somit dazu beitragen, die Abhängigkeit von Deep-Learning-Modellen von der Menge der markierten Trainingsdaten zu reduzieren.

NLP ist ein weiterer algorithmischer Trend, der die Weiterentwicklung von ML vorantreibt, insbesondere im Bereich der virtuellen Haus- und Büroassistenten. Ähnlich wie bei neuronalen Netzen ist NLP eine algorithmisch basierte sprach- und wortbasierte Erkennung. Immer mehr KI-Unternehmen nehmen diese Trends an und führen sie auf ihrer ML-Basis aus, um damit in Zukunft erfolgreich zu sein.

Überlegungen beim Aufbau eines KI-Systems

Eine solide Datenpipeline und eine umfangreiche Data Science Toolbox sind der Schlüssel, um ein effektives KI-gesteuertes System aufzubauen. Der Zugang zu nahezu unbegrenzter Rechenleistung und Speicherplatz in der Cloud ist erst seit relativ kurzer Zeit verfügbar. Dies erlaubt eine extrem hohe Datenerfassung und -analyse. Mit der richtigen Datenmenge und -qualität sowie der Pflege von Data-Science-Programmen kommt ML schnell voran – und Unternehmen nähern sich zunehmend der Einführung einer echten KI.

Indessen kann fast jeder Hochschulabsolvent mit Tools wie Python, TensorFlow und Keras ein Deep-Learning-Modell aufbauen und trainieren. Um eine KI-Lösung zur Produktionsreife zu bringen, sind Tools wie Spark, Kubernetes und Docker notwendig. Sie erlauben das Sammeln und Erstellen großer beschrifteter Datensätze und Datenpipelines.

Es gibt eine Reihe von Open-Source-Werkzeugen wie TensorFlow, Keras und Mllib, die den Aufwand und das Wissen für die Erstellung eines ML- oder DL-Modells drastisch reduzieren. Eine Lösung zur Produktionsreife zu bringen, erfordert allerdings das gesamte für eine KI-Plattform benötigte Ökosystem. Dazu gehören auch die Datenerfassung und -kennzeichnung, Datenverarbeitungs-Pipeline, Modellausführung, Post-Deployment-Validierung und kontinuierliche Modellverbesserung.

Es gibt eine Reihe weiterer Faktoren, die für den Erfolg einer KI-Lösung ausschlaggebend sind. Sie nutzen und integrieren beispielsweise menschliches Wissen und Heuristik. Außerdem entwickeln sie Machine Intelligence. Sie schaffen ein Verständnis dafür, wie menschliches Vertrauen sich in den schrittweisen Prozess der Automatisierung, Erweiterung und Autonomie integriert – und wie sich das Lernen und Teilen von Wissen zwischen verschiedenen Kunden beschleunigt, ohne die Datenschutzinformationen von Anwendern zu beeinträchtigen.

Reale Anwendungsszenarien für neuronale Netze und Machine Learning

Virtuelle Assistenten werden immer alltäglicher – egal, ob in den eigenen vier Wänden oder in Unternehmen. Mittlerweile gibt es auch Anwendungsbeispiele, die die vorausschauenden Fähigkeiten neuronaler Netze und ML-Algorithmen nutzen, um Mitarbeitern das Leben zu erleichtern.

Jeff Aaron.
Jeff Aaron. (Bild: Mist Systems / Juniper)

Die Konvergenz verschiedener Disziplinen und Bereiche wie Compute, Storage und großer Datensätze ermöglichen KI mit Bildern und Sprache, im Gesundheitswesen und im Automobilbereich. So wandelt sich die Gesellschaft aufgrund realer Implementierungen signifikant. Die Einführung schreitet ebenso voran wie die die Entwicklungen von KI – und damit wird das tägliche Leben aller Menschen von Grund auf verändert.

Über den Autor

Jeff Aaron ist Vice President Marketing bei Mist Systems, einer Juniper Company.

Kommentare werden geladen....

Kommentar zu diesem Artikel

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46282923 / Forschung und Entwicklung)