Die Welt der künstlichen Intelligenz ist ein großes Sammelbecken für Buzzwords. Machine Learning, Deep Learning, Neuronale Netze und Machine Translation - alle Begriffe befinden sich auf dem gleichen Spektrum. Es gibt aber auch Unterschiede.

Künstliche Intelligenz (KI)
Ein großer Begriff, der mit großen Erwartungen, Faszination und auch Ängsten aufgeladen ist. Dabei geht es erst einmal um schlaue Computersysteme. Als Teilgebiet der Informatik beschäftigt sich das Feld der künstlichen Intelligenz mit der Automatisierung von Verhalten und mit maschinellem Lernen. Im Kern geht es darum, die menschliche Intelligenz und das menschliche Lernen zu simulieren - also Informationen zu erfassen und Regeln für die Verwendung dieser Informationen zu finden. Computer werden so programmiert, dass sie durch das Zusammenspiel von Datenwissenschaft, Rechenleistung und Algorithmen relativ eigenständig Probleme lösen und Aufgaben erledigen können. Künstliche Intelligenz ist schwer zu definieren. Wissenschaftler:innen sind sich bis heute nicht einig, wie genau sich menschliche Intelligenz beschreiben lässt.

Machine Learning (ML)
In der Wissenschaft ist mit Machine Learning oder maschinellem Lernen ein Teilbereich des Forschungsgebiets der künstlichen Intelligenz gemeint. Hier geht es um die Anwendung von KI. Machine Learning bezeichnet eine Klasse von Algorithmen, die es Computersystemen ermöglicht, automatisch zu lernen und sich aus “Erfahrung” zu verbessern. . Klassische Machine-Learning-Anwendungen lernen aus einer großen Menge von Beispieldaten, stellen Zusammenhänge her und leiten allgemeine Regeln ab. Die Daten sind meistens “strukturiert”. Das heißt, den ML-Algorithmen werden bestimmte Merkmale vorgesetzt, nach denen sie die Hunderassen klassifizieren, zum Beispiel “Körperhöhe” und “Körperlänge” bei der Unterscheidung von Hunderassen anhand von Bilddaten. Nach der Trainingsphase können die lernfähigen Maschinen dann ihre “Erkenntnisse” auf reale Fälle anwenden und zum Beispiel Vorhersagen treffen. Wenn ein Machine-Learning-Algorithmus ungenaue Aussagen macht, schreiten Dateningenieur:innen ein und nehmen Anpassungen oder Korrekturen vor.

Deep Learning (DL)
Deep Learning ist ein Teilbereich des Machine Learnings. Mit Deep-Learning-Methoden lassen sich Algorithmen in Schichten strukturieren, um daraus ein künstliches neuronales Netz zu erschaffen. Dieses lernt dann eigenständig und kann intelligent entscheiden. Mehrere Schichten künstlicher neuronaler Netze heißen Modelle. Deep Learning ist so etwas wie die nächste Evolutionsstufe des maschinellen Lernens und erzielt besonders gute Ergebnisse, wenn große Datenmengen (Big Data) für das Training eines künstlichen neuronalen Netzes verfügbar sind.

Anders als bei den klassischen Machine-Learning-Anwendungen, funktionieren Deep-Learning-Algorithmen sehr gut mit riesige Mengen unstrukturierter Daten. Die Algorithmen brauchen keine vordefinierten Merkmale mehr, sondern klassifizieren die Daten selbstständig nach logischen Strukturen. Diese ähneln dem logischen Denken, mit dem Menschen zu Schlussfolgerungen gelangen. Ein DL-Algorithmus findet so zum Beispiel in unstrukturierten Bildern von Hunden selber Unterscheidungsmerkmale, die beschreiben, welches Bild welche Hunderasse zeigt. Mit Deep Learning lassen sich nicht nur Bilder, sondern auch Texte oder Töne klassifizieren. Die Modelle kommen bei der Text- oder Bildersuche bei Suchmaschinen zum Einsatz oder sorgen dafür, dass autonome Fahrzeuge Straßenschilder erkennen können.

Künstliche neuronale Netze
Künstliche neuronale Netze sind eine Menge Algorithmen, die so konstruiert sind, dass sie Muster erkennen können. Die neuronalen Netze lesen und interpretieren Sinnesdaten mit einer Art maschinellen Wahrnehmung. Sie markieren und gruppieren rohes Datenmaterial. Die Muster, die sie erkennen, sind numerisch und befinden sich in Vektoren, die Daten aus der echten Welt wie Text, Bild oder Ton in Zahlen übersetzen. Künstliche neuronale Netze bestehen wie ihre Vorbilder, die menschlichen neuronalen Netze, aus miteinander verbundenen Knotenpunkten. Damit werten sie die Daten aus und ordnen jedem Wert ein bestimmtes Gewicht zu. Es gibt verschiedenen Klassifikationsverfahren, die man auch als Lernregeln bezeichnen kann. Mit ihnen trainieren Dateningenieur:innen zunächst das neuronale Netz, bevor es angewendet wird.  

Natural Language Processing (NLP) & Neural Machine Translation (NMT)
Natural Language Processing ist ein breites Forschungsfeld, in dem sich Informatik, Linguistik und künstliche Intelligenz überschneiden. Das Ziel ist es, Computern beizubringen, natürliche Sprache zu verarbeiten und “zu verstehen”, um dann zum Beispiel Fragen beantworten oder übersetzen zu können. Aus diesem sehr aktiven Forschungsfeld gehen viele verschiedene Anwendungen hervor. Dazu gehört neben Text-Chatbots und Voice User Interfaces auch die maschinelle Übersetzung.  

Maschinelle Übersetzung gibt es schon sehr lange, erste Pionierversuche gab es bereits in den 1930ern. Sehr große Verbesserungen brachte der Einsatz von Deep Learning und künstlichen neuronalen Netzen. Sie ermöglichen Computersystemen, kontextbezogene Verbindungen zwischen Wörtern und Phrasen herzustellen. Neural Machine Translation oder neuronale maschinelle Übersetzung liefert sprachlich sehr natürlich klingende Ergebnisse und gehört zum großen Feld der künstlichen Intelligenz.