Kommentar von Jérôme Lecat, Scality KI, maschinelles Lernen und Deep Learning – das sind die Unterschiede

In den Medien erscheinen regelmäßig Artikel über Artificial Intelligence (AI), maschinelles Lernen und Deep Learning. Einige Kommentatoren verwenden diese Begriffe synonym. Allerdings, obwohl AI, maschinelles Lernen und Deep Learning häufig eng miteinander verwoben sind, beruhen sie jedoch auf völlig unterschiedlichen Technologien und haben ganz eigene Attribute.

Anbieter zum Thema

Tableau von Salesforce

Disy Informationssysteme GmbH

Xpand Solutions GmbH

Die Diskussion rund um Artificial Intelligence – deutsch: Künstliche Intelligenz – klingt recht futuristisch oder sogar nach Science-Fiction. Das liegt daran, dass diese Thematik schon seit über 60 Jahren immer wieder in den Medien auftaucht.

Bis vor kurzem fehlten uns aber die nötigen Voraussetzungen, um die nötigen Ressourcen für komplexe AI-Algorithmen effektiv anzuwenden. Doch durch den technischen Fortschritt können wir Daten nun schneller – und preiswerter – verarbeiten, sodass sie nun AI-Programme im großen Maßstab unterstützen können. Und diese können bestimmte Aufgaben mittlerweile genauso gut, wenn nicht besser, als Menschen ausführen. Einige typische Beispiele für Programme, die AI verwenden, sind die, die E-Mails automatisch indexieren oder Flugangebote auf einer Reisewebsite sortieren. Diese AI-Programme sind allerdings beschränkt, da sie auf einem festgelegten Code basieren. Das bedeutet, dass die gleiche Aufgabe unendlich oft wiederholt, aber niemals verbessert werden kann.

Maschinelles Lernen

Das maschinelle Lernen beruht auch auf Algorithmen und Codes, aber das Prinzip dahinter ist es, von den erhobenen Daten zu lernen und dann Entscheidungen zu fällen. Statt nur eine einzige Anweisung zu nutzen, sammeln diese Technologien Daten von vielfältigen Quellen, um daraus zu lernen und Vorhersagen zu treffen.

Natürlich ist diese Technologie sehr spannend, jedoch ist die Anwendung in der realen Welt eher begrenzt, da sie auf einer Reihe vordefinierter Algorithmen beruht, die an einen Flowchart erinnern – der sogenannte Entscheidungsbaum. Aus diesem Grund ist die AI-Technologie nicht dynamisch genug, um mehr als ein paar Variablen zu verarbeiten.

So richtig interessant wird es erst mit Deep Learning. Es handelt sich dabei um einen Zweig des maschinellen Lernens, wobei die aufeinander folgenden Schichten jeweils die Ausgaben der vorherigen Schicht nutzen, sodass es einen kontinuierlichen „Lernprozess“ gibt. Der potenzielle Nutzen ist viel größer als nur mehr Einsichten in Bereiche wie dem Verbraucherverhalten. Die Technologie kann Geschäftsmodelle von Grund auf verändern, indem die Schulungsdauer von Mitarbeitern erheblich reduziert wird, Menschen von einfachen alltäglichen Aufgaben befreit werden und Informationen viel schneller analysiert werden können – und all das mit geringem Kostenaufwand.

Deep Learning – Analyse von Big Data

Deep Learning basiert auf der Analyse von Big Data. Die Maschine gräbt sich durch riesige Mengen an Informationen aus Datenbanken, Dateien und E-Mails sowie Social Media und Verbrauchereinkäufen, um kleine und größere verborgene Trends zu erkennen. Und mit diesen Trends können Unternehmen Chancen besser nutzen und sich Wettbewerbsvorteile verschaffen. Diese und andere ähnliche Strategien sorgen für Einsparungen in Millionenhöhe, Umsatzsteigerungen und bessere Dienstleistungen und damit schlussendlich zu einer höheren Lebensqualität der Verbraucher.

Deep Learning nutzt künstliche Intelligenz und altbekannte neuronale Netzwerke, um Systeme zu erstellen, die mit Informationen, mehrschichtigen Algorithmen und Software das menschliche Lernverhalten nachbilden können. Diese Systeme können zum Beispiel lernen, gesprochene Befehle zu verstehen, Fotos zu durchsuchen, Gegenstände und Gesichter zu erkennen, mögliche neue Medikamente zu finden und weitere revolutionäre Funktionen auszuführen – selbstständig und automatisch.

In der Vergangenheit standen Deep-Learning-Programme nur einer Handvoll ausgewählter Unternehmen zur Verfügung, die sich das leisten konnten. Durch die neuesten technischen Entwicklungen und fallende Preise stehen Deep-Learning-Programme nun weitaus mehr Unternehmen offen. Aber viele zögern noch, diese Chance auch zu ergreifen.

Speicher für Deep Learning

Deep Learning benötigt eine hoch leistungsfähige spezialisierte IT-Infrastruktur für die Analyse von riesigen Datensätzen und vor allem für das Lernen in Echtzeit. Dazu gehört auch, dass der zugrunde liegende Deep-Learning-Speicher ausreichend Agilität aufweist, um unterschiedliche Datentypen schnell verarbeiten zu können. Diese Flexibilität ist einer der Gründe, weshalb softwaredefinierte Speicher sich mittlerweile ganz oben auf der Wunschliste der meisten Unternehmen befinden.

Heutzutage treffen bereits unzählige Organisationen Entscheidungen, die auf Deep Learning beruhen und ihrem Unternehmen zu mehr Erfolg verhelfen. Dank neuer IT-Innovationen kann die Zeit, bis Deep Learning einen Mehrwert bietet, erheblich verringert werden. Sie können Ihrem Unternehmen einen Wettbewerbsvorteil verschaffen, indem es wesentlich effizienter und preiswerter operieren kann.

Die Zahl der Deep-Learning-Algorithmen in der Industrie explodiert förmlich, da die Unternehmen unter hohem Wettbewerbsdruck stehen, immer komplexer werdende Datenmodellierungs- und -simulationstechnologien zu unterstützen, um Daten als Grundlage für Management- oder technische Entscheidungen zu nutzen. Infrastrukturadministratoren müssen sorgfältig für die massiven Speicheranforderungen von effektivem Deep Learning vorausplanen. Benötigt werden inhaltsintensive Speicher, die riesige Datenmengen sehr effizient speichern und nach Bedarf horizontal skaliert werden können.

In der Zukunft werden Unternehmen sehr wahrscheinlich nur Erfolg haben, wenn sie sich ausreichend vorbereitet haben, um die Chancen, die Deep Learning bietet, zu nutzen und ihre Geschäftsmodelle und -praktiken an den sich ständig entwickelnden Markt anpassen zu können.

(ID:44563689)