Kein Problem, denken Sie sich. Unsere Advanced Analytics Unit, die wir vor 3 Jahren aufgebaut haben, wird da schon was in petto haben.

Im Gespräch merken Sie jedoch, die Begriffe  Maschine Learning und Neural Networks fallen ständig ineinander und werden sogar synonym verwendet. Aber wie passt das denn nun zusammen? Und wozu braucht unser Analytics Server seit neustem auch Grafikkarten?

Es ist in vielen IT- und Fachabteilungen ein alltägliche Szene: Begriffe, die eigentlich Trennschärfe erfordern, werden immer wieder durcheinander geschmissen. Zeit, an dieser Stelle eine kleine Klärung und Einordnung von Artificial Intelligence, Machine Learning, Neural Networks und Deep Learning vorzunehmen.

Verschiedene Abstraktionslevel von Artificial Intelligence in hierarchischer Ordnung
 

Artifical Intelligence

Artificial Intelligence (AI) ist erstmal ein genereller Term, der bereits seit den 1950er Jahren zirkuliert. Rechenmaschinen steckten damals noch in den Kinderschuhen und waren in üppigen Schränken verbaut. Einfache Rechenoperationen galten bereits als Wunder der Technik und waren für viele Menschen so unerklärlich, dass man sie mit dem Begriff „AI“ umschrieb.

Auch heute hängt das Verständnis des Begriffs stark vom individuellen Hintergrund ab und Gesprächsrunden führen oft zu der Frage ob AI den Untergang der Menschheit besiegelt und Roboter wohl die Weltherrschaft übernehmen. Von diesem Szenario, auch bekannt als Singularität oder Artificial General Intelligence (AGI), sind wir noch weit entfernt.

Viel relevanter für die Praxis sind Technologien, die sich als „Weak AI“ oder „Narrow AI“ klassifizieren lassen. Sie beschreiben Systeme, die auf einem eingeschränkten Spezialgebiet besser sind als ein Mensch. Auf dieser Wiese tummeln sich die Watsons und Alexas, um uns das Leben zu erleichtern und uns Arbeit abzunehmen.

Machine Learning

Der Begriff „Machine Learning“ umfasst alle Methoden, mittels derer ein Computer automatisiert Muster und Zusammenhänge lernen kann. Sie bilden das Herzstück jeder AI-Anwendung. Datensätze bilden die Lernbasis. Je nach Methode sind die Zusammenhänge durch einfache lineare Modelle, Entscheidungsbaum-Modelle oder durch Neuronales Netz beschrieben. Welches Modell überlegen ist entscheidet sich je nach Anwendungsgebiet und Datenbasis. Es gibt hier kein Patentrezept oder den einen ultimativen Master-Algorithmus.

Maschinell generierte Modelle sind meist nur dann wirklich hilfreich wenn sie Komplexität reduzieren, Probleme greifbar und damit beherrschbar machen. Nicht jeder mögliche Anwendungsfall lässt sich auch umsetzen. Die Aktienkurse kann noch keiner vorhersagen. Auf anderen Gebieten jedoch kommt man hingegen nicht mehr ohne maschinelle Lösungen aus, etwa bei den Produktvorschlägen in Onlineshops, beim Online Marketing, intelligenten Sprachassistenten, oder der Optimierung der Betriebskosten von Rechenzentren.

Neural Networks

Neuronale Netzwerke sind strenggenommen nur eine von vielen Methoden des maschinellen Lernens, die allerdings zurzeit große Renaissance erleben. Im Gegensatz zu anderen Methoden des maschinellen Lernens kommen Neural Networks mit sehr wenigen Grundvoraussetzungen aus, brauchen aber im Gegenzug sehr viel mehr Trainingsdaten zum Lernen.

Auch die Ansprüche an die Rechenleistung nehmen bei größeren Neural Networks rasant zu, was für den breiten Einsatz dieser Methode bis dato hinderlich war. Hier kommen nun die Grafikkarten ins Spiel: Ein GPU Chip ist im Grunde eine hoch spezialisierte CPU, spezialisiert auf Matrixmultiplikationen. Das wiederum ist im Kern die Rechenoperation, die beim Training von Neural Networks exzessiv  durchgeführt werden muss. Bingo!

Deep Learning

Neural Networks in der heutigen Form gibt es bereits seit den 1980er Jahren. Aufgrund begrenzter Rechenkapazitäten war es aber nicht sonderlich sinnvoll große und mehrschichtige Netze einzusetzen. Das hat sich nun grundlegend geändert, denn die letzte Hürde Hardware ist am Fallen. Deep Learning bezeichnet ein solches mehrschichtiges, „tiefes“ neuronales Netzwerk. Eine allgemeingültige Grenze, ab welcher Tiefe ein Netz als „Deep“ bezeichnet werden kann, gibt es jedoch keine.

Üblicherweise spricht man schon ab drei Schichten von Deep Neural Networks (DNN). Mehr Schichten waren nur der erste Schritt in Richtung stärker spezialisierter DNNs. Inzwischen gibt es eine Fülle an verschiedenen Netzwerkarchitekturen wie den Rekurrent Neural Networks (RNN) und den Longterm-Shorterm Memory Networks (LTSM). LTSMs gibt es erst seit wenigen Jahren und die Forschung ist noch weit weg vom Ende der Fahnenstange.

Der nächste Reifegrad

Mit Advanced Analytics und Data Science Units sind Unternehmen für Artificial Intelligence schon ganz gut aufgestellt. Für den nächsten Schritt, die Entwicklung von AI-Anwendungen, müssen sich die Data Science Units allerdings zusätzlich zur reinen Analyse und Modellierung auch verstärkt Gedanken machen, wie man die Ergebnisse in Applikationen gießt. Hier kommen klassische Fragestellungen der Softwareentwicklung zum Tragen wie UX Design, Integration und Architektur, Betrieb und Wartung, usw. Ist Ihre Abteilung bereits dabei AI-Lösungen zu entwickeln, dann haben Sie den nächsten Reifegrad für die Themengebiete Maschine Learning und Data Science bereits erreicht.

Wie stark macht Ihre IT-Abteilung bereits Gebrauch von verschiedenen AI-Technologien?