KI vs. Deep Learning

Deep Learning ist zu einer Art Schlagwort der Stunde geworden. Es ist ein trendiger Begriff, der für die neueste Welle von Technologien der künstlichen Intelligenz (KI) verwendet wird. Sehen wir uns an, was darunter zu verstehen ist, wie es sich von künstlicher Intelligenz unterscheidet und wie es eingesetzt wird.

Siehe auch: Top-KI-Software 

Was ist künstliche Intelligenz?

Künstliche Intelligenz kann als Gegenstück zur menschlichen Intelligenz betrachtet werden. Wenn Lebewesen mit natürlicher Intelligenz geboren werden, kann man von menschengemachten Maschinen sagen, dass sie über künstliche Intelligenz verfügen. Jede „denkfähige Maschine“ besitzt also künstliche Intelligenz.

In der Praxis verwenden Informatiker den Begriff künstliche Intelligenz jedoch für Maschinen, die auf einem Niveau denken, das Menschen auf ein sehr hohes Niveau entwickelt haben.

Computer sind sehr gut darin, Berechnungen durchzuführen – Eingaben zu verarbeiten, sie zu manipulieren und mithilfe von Algorithmen Ausgaben zu erzeugen. In der Vergangenheit waren sie jedoch nicht in der Lage, andere Tätigkeiten auszuführen, in denen Menschen besonders gut sind, etwa Sprache zu verstehen und zu erzeugen, Objekte anhand ihres Aussehens zu erkennen, Kunst zu schaffen oder aus vergangenen Erfahrungen zu lernen.

Die Entwicklung künstlicher Intelligenz soll dies ändern und Computern eine außergewöhnlich fortschrittliche, menschenähnliche Intelligenz verleihen.

Siehe auch: Was ist künstliche Intelligenz? 

Was ist Deep Learning?

Deep Learning lässt sich als eine Form künstlicher Intelligenz definieren, die auf neuronalen Netzen basiert. Diese sind den vermuteten grundlegenden Fähigkeiten des menschlichen Gehirns nachempfunden.

Daher nutzt Deep Learning mehrere Verarbeitungsebenen, um aus Daten schrittweise bessere und höherwertige Erkenntnisse zu gewinnen. Im Wesentlichen handelt es sich einfach um eine anspruchsvollere Anwendung von KI-Plattformen und maschinellem Lernen.

Wie hängt Deep Learning mit künstlicher Intelligenz zusammen?

Viele betrachten Deep Learning als Teilgebiet sowohl der KI als auch des maschinellen Lernens. Sie sehen KI als übergeordnetes Thema und unterscheiden die technologischen Faktoren wie folgt:

• KI versucht, menschliche Intelligenz und menschliches Verhalten nachzuahmen.
• Innerhalb des umfassenden Themas KI ist maschinelles Lernen eine Technik, mit der Computer lernen können, indem sie anhand von Ergebnissen trainiert werden, die aus großen Datensätzen gewonnen wurden.
• Innerhalb von KI und maschinellem Lernen ist Deep Learning angesiedelt. Diese Technik ist im Wesentlichen eine komplexere Variante des maschinellen Lernens, die neuronale Netze verwendet.

Deep Learning sollte daher als Teilgebiet des maschinellen Lernens betrachtet werden, das wiederum ein Teilgebiet der KI ist.

„KI war traditionell auf Aufgaben mit geringer Komplexität und einfache Entscheidungsfindung beschränkt, bis Deep Learning aufkam“, sagte Petr Baudis, CTO und leitender KI-Architekt bei Rossum. „Deep Learning ist eine Form des maschinellen Lernens, die auf künstlichen neuronalen Netzen basiert.“

Er erklärte, dass diese mathematischen Strukturen – lose inspiriert von Aufbau und Funktion des Gehirns – durch Beispiele auf eine Weise lernen können, die dem menschlichen Lernen ähnelt. Die entscheidende Veränderung besteht darin, dass Deep Learning Maschinen erstmals ermöglicht, Probleme von ähnlicher Komplexität zu bewältigen wie Menschen. Es war in den vergangenen Jahren für einige der beeindruckendsten Erfolge der KI verantwortlich, fügte Baudis hinzu.

Siehe auch: Die Zukunft der künstlichen Intelligenz

Deep Learning bedeutet größere und genauere KI-Modelle

Ein großer Teil der Begeisterung für Deep Learning dreht sich um die Skalierung großer allgemeiner Modelle, die technisch als Foundation-Modelle bezeichnet werden. Auf Deep Learning basierende Modelle können Bilder aus Text und sogar Videos aus Text generieren. Daher sehen KI-Anwender Deep Learning als Schlüssel zur Erweiterung der derzeitigen Grenzen der KI-Modellierung.

Algorithmen werden eingesetzt, die tiefer in Daten, Präferenzen und mögliche Aktionen eindringen. Sie können möglicherweise sogar vielseitige Antworten auf komplexe Situationen und Probleme liefern.

„Die aktuellen Modelle sind in mehrfacher Hinsicht eingeschränkt, und ein Teil der Community beeilt sich, darauf hinzuweisen“, sagte Peter Stone, Ph.D., Executive Director bei Sony AI America. „Es wird interessant sein zu sehen, welche Fähigkeiten allein mit neuronalen Netzen erreicht werden können und welche neuen Methoden für die Kombination neuronaler Netze mit anderen KI-Paradigmen entdeckt werden.“

Dies ist jedoch kein unmittelbarer Weg zu bahnbrechenden Erkenntnissen. Deep-Learning-Plattformen benötigen Zeit, um Datenanalysen zu unterstützen. Sie müssen große Datenmengen durchsuchen, um Muster zu erkennen.

Das Modell versucht zu lernen, wie Dinge in der realen Welt funktionieren, und dadurch genauer vorherzusagen und präzise Analysen bereitzustellen. Die gute Nachricht ist, dass Fortschritte bei neuronalen Netzen den Prozess beschleunigen. Einige meinen, die Technologie werde bald denselben Reifegrad wie Datenanalysen erreichen.

Siehe auch: Die Geschichte der künstlichen Intelligenz 

Deep Learning benötigt Hardware und Software

Nicht nur Software, die Algorithmen, KI und Modellierung nutzt, ist erforderlich. Die Hardware ist ebenso wichtig. Wenn Sie über riesige Datensätze verfügen, benötigen Sie die zugrunde liegende Recheninfrastruktur, um sie nahezu in Echtzeit zu verarbeiten. Das bedeutet eine enorme Rechenleistung. Grafikprozessoren (GPUs) sind beispielsweise ebenso erforderlich wie die neuesten Speicherverbindungen, die große Speicherkapazitäten für Computer- und KI-Plattformen bereitstellen.

„Unternehmen können ihre KI-Plattformen durch die Kombination von Open-Source-Projekten und kommerziellen Technologien verbessern“, sagte Bin Fan, Vice President für Open Source und Gründungsingenieur bei Alluxio. „Bei Entscheidungen müssen unbedingt die Kompetenzen, die Bereitstellungsgeschwindigkeit, die Vielfalt der unterstützten Algorithmen und die Flexibilität des Systems berücksichtigt werden.“

Auch Fortschritte bei der Software sind entscheidend. Der aktuelle Trend geht dahin, Deep-Learning-Workloads in Containern zu betreiben, um Isolation, Portierbarkeit und bessere Skalierbarkeit zu gewährleisten und dynamisches Verhalten zu berücksichtigen.

„Unternehmen werden ihre KI-Workloads in flexibleren Cloud-Umgebungen in Verbindung mit Kubernetes ausführen“, sagte Fan.

Baudis wies auf die Auswirkungen von Big Data auf Deep Learning hin. Er sagte, die Deep-Learning-Revolution sei durch die Verfügbarkeit großer Datenmengen ermöglicht worden. Deep-Learning-Algorithmen benötigen große Datenmengen, um effektiv zu lernen. Die jüngste Verbreitung von Datenquellen wie sozialen Medien, Sensoren und Online-Transaktionen hat es ermöglicht, Deep-Learning-Modelle in einem zuvor unvorstellbaren Maßstab zu trainieren.

Zu den beeindruckendsten Beispielen für den praktischen Einsatz von Deep Learning gehören „große Sprachmodelle“, die verständliche Texte zu verschiedenen Themen oder realistische Bilder aus Texteingaben erzeugen können. Regelmäßig werden neue Durchbrüche bekannt gegeben.

Diese Innovationen finden schnell ihren Weg in Unternehmen und die IT. So wird Deep Learning inzwischen eingesetzt, um aus Audioaufnahmen von Geschäftsbesprechungen und Telefongesprächen hochpräzise Texttranskripte zu erstellen. Das kann Unternehmen viel Zeit sparen, da Mitarbeiter diese Aufnahmen nicht mehr manuell transkribieren müssen.

„Deep Learning wird auch eingesetzt, um Daten mit hoher Genauigkeit automatisch aus Geschäftsdokumenten zu erfassen“, sagte Baudis. „Das kann Unternehmen viel Zeit und Geld sparen, da die manuelle Dateneingabe entfällt.“

Siehe auch: Die besten Plattformen für maschinelles Lernen 

Wie entwickelt sich Deep Learning weiter, um KI zu unterstützen?

Deep Learning entwickelt sich rasant weiter, wie schon in den vergangenen Jahren. Baudis bezeichnet es mit Abstand als den sich am schnellsten entwickelnden Bereich der KI. Er geht sogar so weit, nicht auf Deep Learning basierende KI-Bereiche aufgrund der Fortschritte im Deep Learning als „Nische“ zu bezeichnen.

Doch es gibt noch Herausforderungen. Zu den Zielen gehören: 

• Zu lernen, wie sich bei hochkomplexen Aufgaben eine Leistung erzielen lässt, die über die des Menschen hinausgeht. Es wurden Fortschritte erzielt, aber es ist noch ein langer Weg.
• Deep Learning muss ausreichend robust werden, damit KI-Anwendungen zu vertrauenswürdigen Partnern für Menschen werden können; Menschen müssen wissen, dass sie sich auf Deep-Learning-Implementierungen verlassen können.

„Bei einigen Anwendungen kann dies bedeuten, dass das System in der Lage ist, die Gründe für seine Entscheidungen zu erklären“, sagte Baudis. „Bei anderen geht es darum, dass die KI schnell aus ihren Fehlern lernt und sich sofort anpasst, um es beim nächsten Mal besser zu machen.“

Ein praktisches Beispiel im Unternehmen könnte ein System zur Datenerfassung aus Dokumenten sein:

• Erstens bedeuten niedrige Fehlerraten schlicht, dass menschlichen Bedienern viel manuelle Arbeit erspart bleibt.
• Zweitens sollte die KI denselben Fehler nicht noch einmal machen, wenn ein Mensch einen KI-Fehler korrigiert. 

Ein solches Verhalten hebt die Einführung von Software auf ein höheres, wesentlich funktionaleres Niveau – plötzlich handelt es sich viel weniger um einen IT-Roboter und eher um die Einarbeitung eines neuen Kollegen.

Die gegenseitige Abhängigkeit von KI und Deep Learning

Deep Learning und KI sind auf grundlegender Ebene eng miteinander verflochten. Rick Wagner, Senior Director of Product Management bei SailPoint, erläutert diese Abhängigkeit.

„Um künstliche Intelligenz bereitzustellen, müssen Prozesse und Verfahren erlernt werden, wobei Muster abgeleitet und sogar Nuancen- bzw. Abweichungsmuster erkannt werden“, sagte Wagner. „Deep Learning kann eingesetzt werden, um die Ausnahmen zu analysieren, wenn ein Mensch in KI-Entscheidungen eingreift. Diese Ausnahmen können auf Muster untersucht werden, was letztlich die Wirksamkeit der KI verbessert.“

Deep Learning führt die KI zu neuen Innovationen. Künstliche Intelligenz allein ist besonders nützlich, wenn Prozesse und Verfahren auf Muster sowie auf Ausnahmen von Mustern untersucht werden können. Um autonome Governance und ein autonomes Management des Identitätslebenszyklus zu erreichen, wird maschinelles Lernen eine entscheidende Rolle spielen, wobei Deep Learning ein gewisses Maß an Vorhersagbarkeit menschlicher Ausnahmeentscheidungen ermöglicht, sagte Wagner.

„Erlernte Prozesse und Verfahren müssen vorhanden sein, damit künstliche Intelligenz angewendet werden kann“, sagte er.

Oberflächliche KI und fortschrittliches Deep Learning

Kann Standard-KI also als oberflächliche KI betrachtet werden und ist Deep Learning eine fortschrittliche, hochmoderne Form der KI? Einige sind dieser Ansicht.

„Im Gegensatz zu oberflächlicheren Kategorien der KI umfasst ein Deep-Learning-Ansatz, dass die Lösung kontinuierlich große Datenmengen aufnimmt, um ein mehrschichtiges tiefes neuronales Netz (DNN) zu trainieren“, sagte Elaine Lee, Principal Data Scientist bei Mimecast. „DNNs sind darauf ausgelegt, menschliches Denken und Verstehen nachzuahmen.“

Sobald ein DNN genügend gekennzeichnete Daten beobachtet hat, kann es neue, nicht gekennzeichnete Daten oder sogar eine bedrohliche Anomalie erfolgreich erkennen oder kategorisieren; Nutzer können von einer integrierten KI-Instanz darauf aufmerksam gemacht werden. Auf der Seite der Cyberabwehr wird Deep Learning beispielsweise eingesetzt, um Eindringversuche oder bösartige Aktivitäten zu erkennen und Malware sowie Cyberangriffe zu klassifizieren. Es kann Unternehmen auch dabei helfen, ihre KI-Modelle zu stärken, die selbst anfällig für Angriffe sind, bei denen irreführende Daten eingesetzt werden.

„Die Integration von KI, Deep Learning und Algorithmen ist in der Cybersicherheitswelt wichtiger denn je, da hochentwickelte Angreifer ihre eigene KI-gestützte Malware zunehmend als Waffe einsetzen“, sagte Lee. „Cyberkriminelle verlassen sich immer häufiger auf Social-Engineering-Angriffe, um Ransomware zu verbreiten. Dabei setzen sie KI ein, um Bots zu manipulieren, Daten zu vergiften, Deepfakes zu erstellen und den Umfang sowie die Wirksamkeit ihrer Angriffskampagnen zu steigern.“

Auf der anderen Seite rüsten Unternehmen ihre KI-Abwehr auf, um der zunehmenden Raffinesse und Komplexität der Angriffe zu begegnen. Laut Mimecasts 2022 State of Email Security Report setzen bereits 46 % der Unternehmen diese Technologien ein, während weitere 46 % dies planen. Durch die Nachahmung menschlicher Intuition hilft KI dabei, Bedrohungen effektiver zu erkennen und zu verhindern und gleichzeitig menschliche Fehler zu reduzieren.

Siehe auch: Top-Unternehmen für die digitale Transformation