Was ist was?

Algorithmus

Eine Folge von Anweisungen, um ein bestimmtes Problem zu lösen.

Die einzelnen Befehle müssen eindeutig sein und Schritt für Schritt ausgeführt werden. Üblicherweise verlangt ein Algorithmus eine Eingabe und liefert eine Ausgabe. Beispiele für Algorithmen sind Computerprogramme und elektronische Schaltkreise, aber auch Bauanleitungen oder Kochrezepte. Bestimmte Algorithmen werden der Künstlichen Intelligenz zugerechnet.

Künstliche Intelligenz

Maschinen, die auf der Basis von Algorithmen intelligentes Verhalten nachbilden.

Eine genaue Eingrenzung fällt schwer, da der Begriff der Intelligenz selbst nicht eindeutig definiert ist. KI umfasst daher ein ganzes Spektrum von Methoden, Disziplinen und Anwendungen: Computerprogramme, die Schach spielen können. Oder Chatbots, die sich mit Nutzern sozialer Netzwerke unterhalten. Bestimmte Teilbereiche der Robotik zählen ebenso zur KI wie Expertensysteme, die dabei helfen sollen, in einem begrenzten Bereich optimale Entscheidungen zu treffen. Zunehmend zählen auch ethische, soziale oder rechtliche Betrachtungen zur KI. Als Schlüsseltechnologie innerhalb der KI wird das Maschinelle Lernen angesehen.

Maschinelles Lernen

KI-Algorithmen, die aus Daten und Beis­pielen lernen und so Aufgaben lösen.

Anhand von Beispielen (Trainingsdaten) oder durch eigenständige Erkennung von Mustern in Daten eignen sie sich „Wissen“ an. Damit können sie anschließend unbekannte Daten ähnlicher Art beurteilen. Bei der Identifikation von Gesichtern kann ein Algorithmus beispielsweise lernen, dass Augenabstand, Gesichtsform und Nasengröße entscheidende Faktoren für die Erkennung sind. Er extrahiert für das Konzept „Gesicht“ so ein charakteristisches Muster aus jedem Bild. Die Erkennung wird umso präziser, je mehr Daten dem Algorithmus vorliegen. Erhebliche Fortschritte wurden in den vergangenen Jahren mithilfe künstlicher neuronaler Netzwerke erzielt.

Künstliche Neuronale Netzwerke

Mathematische Modelle, die von der Arbeitsweise des Gehirns inspiriert sind.

Signale, die Eingabedaten des Algorithmus, werden in untereinander vernetzte Einheiten – „mathematische Nervenzellen“ – eingespeist. Die künstlichen Nervenzellen verarbeiten die Informationen und erzeugen durch einfache mathematische Gleichungen weitere Signale, die sie an nachgeordnete „Zellen“ weitergeben. Am Ende erzeugt eine Ausgabeschicht ein Ergebnis. Zwischen der Eingabe- und Ausgabeschicht können mehrere Lagen dieser Nervenzellen liegen, die auf unterschiedliche Weise miteinander verknüpft sind.

Beim Lernen werden die Verknüpfungen zwischen einzelnen Zellen gestärkt, geschwächt oder verändert. Fortschritte in der Computertechnik und die Verfügbarkeit großer Datenmengen haben das Deep Learning in solchen künstlichen Netzwerken ermöglicht.

Deep Learning

Maschinelles Lernen in neuronalen Netzen mit vielen Schichten, sogenannten „tiefen“ Netzwerken.

Auch hierbei analysieren Algorithmen große Datensätze und können anschließend unbekannte Daten ähnlicher Art beurteilen. Allerdings sind die Netzwerkmodelle durch die vielen Schichten sehr viel komplexer. Dadurch hat der Algorithmus viele Freiheitsgrade sich zu vernetzen und kann so für die Lösung einer Aufgabe eigenständig lernen, optimale und möglicherweise sehr komplexe Merkmale zu extrahieren. Bei der Identifizierung von Gesichtern kann er auf diese Weise feinere Kriterien als Augenabstand oder Nasengröße entdecken, die hilfreich für die Erkennung sind. Programmierer helfen der Software zu „lernen“, indem sie Rückmeldung geben, ob ein Ergebnis richtig oder falsch ist. Sie korrigieren aber nicht den Weg dorthin.