Was genau bedeuten eigentlich Künstliche Intelligenz, Maschinelles Lernen, Deep Learning und Emotional AI? Gehört hat die Trendbegriffe jeder schon mal, doch die genaue Bedeutung ist oft unklar – auch, weil die verwandten Begriffe häufig synonym gebraucht werden. In unserem Blogpost erklären wir die Fachbegriffe rund um „KI“ mit praxisorientierten Beispielen.
Künstliche Intelligenz (KI) oder Artifizielle Intelligenz (AI)
Eine allgemeingültige Definition von „Künstlicher Intelligenz“ gibt es nicht, da diese immer stark vom Anwendungsfall und Einsatzbereich abhängt. Übergreifend lässt sich sagen, dass innerhalb des Themen- und Forschungsbereichs der KI versucht wird „intelligente“ Strukturen, also z.B. Entscheidungspfade, mittels Computer oder Computersystemen abzubilden. Unter „artifizielle Intelligenz“ können einfache Algorithmen, z.B. der Computergegner im Onlinespiel, bis hin zur Nachahmung komplexer menschlicher Entscheidungen angesiedelt werden.
Einfache Algorithmen, also regelbasierte Abläufe, können den Menschen im Alltag entlasten, da sich der Algorithmus nicht von äußeren Einflüssen oder Emotionen beeinflussen lässt und somit eine gleichbleibende Ergebnisqualität sicherstellt.
Maschinelles Lernen (EN: Machine Learning)
Das maschinelle Lernen ist ein Bestandteil des Gebiets der Künstlichen Intelligenz. Beim „Machine Learning“ lernt ein Computer bzw. ein artifizielles System, aus ihm vorgelegten Beispielen / Lerninhalten sowie Zusatzinformationen. Nach Abschluss der Lernphase kann der Computer Fragestellungen eigenständig lösen bzw. beantworten.
Die Komplexität des Lernsystems kann variieren. Einfache Systeme basieren beispielsweise auf binären Antworten zu Ja-/Nein-Fragen. Im Prozess „lernt“ der Algorithmus gewisse Merkmale zu erkennen und Kategorisierungen zu treffen. Der Algorithmus kann das „Gelernte“ dann auch bei neuen, ihm unbekannten Beispielen anwenden.
Ein Beispiel für maschinelles Lernen aus der Medizin:
Man gibt dem Computer eine große Zahl von Bildern, die Muttermale zeigen. Manche sind harmlos, manche weisen bösartige Zellveränderungen auf. Der Algorithmus wird darauf trainiert, bei ihm vorgelegten Bildern Aussagen über die Malignität der Muttermale zu treffen.
Deep Learning (DE: Mehrschichtiges Lernen)
Das mehrschichtige „deep“ Learning ist eine spezielle Form des maschinellen Lernens. Das künstliche System lernt hier nicht mehr linear, sondern auf Basis neuronaler Netze. Deep Learning ist von der Funktionsweise des menschlichen Gehirns inspiriert. Auf Basis der Informationen und Inhalte, mit denen das System „gefüttert“ wird, entstehen nicht mehr nur Erkenntnisse, sondern stets neue Verknüpfungen innerhalb des neuronalen Netzes. Das künstliche System stellt also eigenständig „intelligente“ Beziehungen her und kann somit z.B. Prognosen treffen (wie wird sich das Krankheitsbild weiterentwickeln?) oder Entscheidungen kritisch hinterfragen (ist die Veränderung im Muttermal wirklich maligne oder eine zufällige Pigmentstörung?).
Das mehrschichtige Lernen ist ein so komplexes Verfahren, dass man hier auch vom „Black-Box-Effekt“ spricht. Das heißt, ganz ähnlich wie bei den menschlichen neuronalen Netzwerken, wissen die Forscher:innen oft selbst nicht, wie der Algorithmus zu seiner Entscheidung kommt.
Algorithmen auf Deep-Learning-Basis werden aktuell immer stärker eingesetzt und weiterentwickelt. Für einige Einsatzgebiete, wie die Korrelation von Hippocampusvolumen und Alzheimer-Erkrankung, reichen Algorithmen, die durch lineares maschinelles Lernen trainiert wurden.
Deep Learning ist ein Bereich, der immer stärker unter ethischen Aspekten betrachtet wird. Möchten wir z.B. wirklich, dass ein Computer eine Entscheidung über unsere Behandlung trifft?
Beispiel für Deep Learning:
Computer stellt nicht nur eine Diagnose (vgl. Beispiel der Muttermale), sondern empfiehlt eine individuelle Behandlung.
Noch Fragen?
StellDirVor-Experte Christian Stähler freut sich auf den Austausch zu Anwendungsformen Künstlicher Intelligenz in Lernkonzepten und dem Gesundheitswesen.
Emotionale KI (EN: Emotional AI oder Affective Computing)
Die Emotionale KI ist ein weiteres Forschungsgebiet der Künstlichen Intelligenz. Hierbei werden artifizielle Systeme mit Daten rund um menschliche Emotionen (also z.B. Stimmsequenzen, Videos von Körpersprache, Fotos verschiedener Gesichtsausdrücke, physiologische Daten) trainiert, um eine Korrelation zwischen menschlichem Verhalten und Emotionen herzustellen. Ziel der Emotionalen KI ist, dass das Computersystem die menschlichen Emotionszustände richtig erkennt und angemessen darauf reagieren kann. Erste Formen von Emotionaler KI werden bereits erfolgreich eingesetzt, z.B. mit Wearables (Wearables sind ein vom Nutzer getragenes Computersystem, das auf den Nutzer bezogene Daten registriert und verarbeitet – z.B. eine Smartwatch) . Die KI basiert jedoch häufig nur auf ein oder zwei Datenquellen, bei Wearables z.B. nur physiologische und auditive Daten, und weist dadurch noch hohe Fehlerquoten auf.
„Emotional AI“ wird beispielsweise auch im Bereich des Lernens eingesetzt, um mit adaptiven Lernmodellen optimal und individuell auf den Lernenden einzugehen. Mehr dazu in Kürze in meinem Beitrag zu „Adaptive Learning“.
Unsere immersiven Lernplattformen berücksichtigen bereits mögliche Weiterentwicklungen hin zum emotionalen und adapativen Lernen.