Was ist KI, Machine Learning und Data Science?

KI – Künstliche Intelligenz ist für viele nur ein bekanntes Buzzword. Das Problem hierbei ist, dass man sich leicht vor unverständlichen Konzepten fürchtet und KI für viele etwas „Magisches“ und Unverständliches hat. Philipp hat auf den Tincon den Begriff etwas entzaubert und auf der Bühne erklärt, wofür KI heute steht und wie Neuronale Netze und Machine Learning funktionieren.

Maschinelles Lernen lässt einen Computer nützliche Dinge tun, indem der Computer "lernt" eine bestimmte Aufgabe zu lösen. Dieser Lernprozess orientiert sich dabei an der Art und Weise, wie auch Menschen lernen. Die Abläufe werden also nicht traditionell Befehl für Befehl programmiert. Vielmehr erwirbt der Computer analog zum Menschen neues Wissen aus Erfahrung und wendet es an. Dazu analysiert ein Programm Beispiele und versucht, in den Daten Muster und Gesetzmäßigkeiten aufzuspüren. Ziel ist es, daraus Rückschlüsse zu ziehen und Vorhersagen und Lösungen für zukünftige Eingaben zu finden. Dem Lernalgorithmus wird beispielsweise anhand vieler Beispiele gezeigt, wie ein bestimmtes Objekt in einem Bild bezeichnet wird. Im Fortlauf dieser Rückmeldungen passt die Software ihr Erkennungsmodell immer weiter an und kann mit immer höherer Trefferquote das Objekt selbstständig in neuen Bildern erkennen.
Aus wissenschaftlicher Sicht ist Machine Learning angewandte Data Science, es bedeutet Lernen aus Datenbeständen durch mathematische und statistische Modelle, um die Leistung bei einer bestimmten Aufgabe schrittweise zu verbessern.

Mehr Infos
Weniger Infos
Neural Network Icon

Welche Arten des Machine Learnings gibt es?

In der praktischen Umsetzung von Machine Learning werden von unseren Entwicklern Algorithmen gebaut, die quasi ein “künstliches“ Wissen aus Erfahrung - bzw. Daten- generieren. Dabei lassen sich grundlegend zwei unterschiedliche Arten des Lernens unterteilen: Überwachtes Lernen und Unüberwachtes Lernen.

Beim überwachten Lernen (Supervised Learning) findet der Computer aus gegebenen Eingaben und zugehörigen Ausgaben die "Formel" heraus, die zu den korrekten Ausgaben führt. Er kann die Formel dann auf Eingaben anwenden, um die Ausgabe selbstständig zu berechnen. "Überwacht" heißt, dass das Lernprogramm mit den zu den Eingaben passenden Ausgaben angelernt wird, um diese Ausgaben später selbst geben zu können.

Wenn beispielsweise eine Objekterkennung entwickelt werden soll, die dem Rechner ermöglicht zu erkennen, ob ein bestimmtes Objekt in einem Bild vorhanden ist, dann benötigt man zunächst eine Vielzahl an Bildern. Die Bilder müssen für das Anlernen des Algorithmus bereits Labels besitzen („Objekt ist im Bild“ und „Objekt ist nicht im Bild“). Die Eigenschaften der Bilder (das Feature-Set) können somit zusammen mit den jeweiligen Labels von Neuronalen Netzen verarbeitet werden. Computer sind nun dazu in der Lage, selbstständig jene Muster in den Daten zu erkennen, die die Erkennung des gewünschten Objektes auch in unbekannten Bildern ermöglicht.

Beim unüberwachten Lernen (Unsupervised Learning) werden nur Eingaben betrachtet, ohne dass dazu Ausgaben bekannt sind. Stattdessen suchen unüberwachte Lernalgorithmen nach Strukturen in den Daten, um sie zu gruppieren oder Cluster (Häufungen von Daten mit bestimmten Eigenschaften) zu finden.

Dies sind zwei der meist genutzten Ansätze für Machine Learning. Es gibt Mischformen beider Ansätze, Weiterentwicklungen und komplexere Architekturen, um weitere Probleme zu lösen.

Mehr Infos
Weniger Infos

Einsatzgebiete von Maschine Learning und Data Science

Mit der zunehmenden Verfügbarkeit großer strukturierter und unstrukturierter Datenmengen aus vielerlei Quellen, wie Ton, Text, Bild und Sensordaten, mit denen sich Lernalgorithmen trainieren lassen, wird Machine Learning und Data Science für Optimierungsaufgaben immer interessanter. Machine Learning hilft, komplexe Daten schneller und gezielter einzuordnen und zu organisieren. Standardisierbare Arbeit lässt sich damit zunehmend intelligenter automatisieren. Data Science findet durch die Unterstützung vom Machine Learning immer mehr praktische, unternehmerischen Anwendungen.

Einen Überblick typischer Anwendungsgebiete finden Sie hier.

Bleiben noch Fragen offen?

Lauschen Sie einem spannenden Tech-Talk von einem unserer Experten, ganz entspannt, während Ihrer Mittagspause im Büro. Kurz und knapp erklären wir Ihnen persönlich das Konzept und Potential von Künstlicher Intelligenz. Ob als leichte Kost für Einsteiger oder mit technischen Details für besonders Hungrige.

Wir kommen gern auf ein Educational Lunch bei Ihnen im Büro vorbei!

Termin vereinbaren

Unternehmen & Institutionen, bei denen wir zum Thema Künstliche Intelligenz gesprochen haben

Unternehmenslogo Goethe Institut
Unternehmenslogo Vodafone
Unternehmenslogo FOM
Unternehmenslogo VW
Unternehmenslogo Barmer
Unternehmenslogo Hochschule Fulda
Unternehmenslogo HMKW
Unternehmenslogo FH Mainz
Unternehmenslogo DPD
Unternehmenslogo Kölner Verkehrsbetriebe
Unternehmenslogo YXLON
Philipp als Speaker über Künstliche Intelligenz bei der Tincon

Foto: Christian Hermann/TINCON

Philipp als Speaker zum Thema Data Science & Machine Learning in der FOM

Foto: Christoph-Lucas Hütter

Philipp als Speaker zu Data Science bei der Tincon

Foto: Jasper Ehrich/TINCON

Einsteiger Schulungsmaterial Machine Learning