Ist maschinelles Lernen oder tiefgehendes Lernen für Ihr KI-Projekt am besten geeignet?

Ist maschinelles Lernen oder tiefgehendes Lernen für Ihr KI-Projekt am besten geeignet?

New York, 19.4.2020

Wenn ein Unternehmen mit der Digitalisierung beschäftigt ist und digitale Technologien einsetzt, um ein Geschäftsmodell zu ändern und neue Möglichkeiten zu schaffen, dreht sich die Diskussion unweigerlich um die Frage, wie KI integriert werden kann.

Softwareentwickler stehen vor der Entscheidung, welche fortschrittlichen Analysetechniken sinnvoll sind. Wenn man sich die Mitglieder eines Teams ansieht, das für die Arbeit an Projekten mit KI zusammengestellt wurde, kann man davon ausgehen, dass der Datenwissenschaftler die Risiken im Vergleich zu den Vorteilen verschiedener Tools und Ansätze am besten versteht, wie ein kürzlich in Data Science Central erschienener Artikel zeigt.

Leistungsstarke und einigermaßen ausgereifte Techniken des maschinellen Lernens sind die am weitesten verbreiteten. Deep Learning beschreibt tiefe neuronale Netze und Reinforcement Learning. Tiefes Lernen umfasst konvolutionäre neuronale Netze (CNNS), rekurrierende neuronale Netze (RNNs), Netze mit langem Kurzzeitgedächtnis (LSTMs) und generative kontradiktorische Netze (GANs). In Anwendungen würden diese die Bild- und Videoverarbeitung und -suche, die Text- und Audioverarbeitung, das Gameplay als Optimierung und mehrere Versionen der Zeitreihenvorhersage umfassen.

Lösungen für das tiefe Lernen erfordern jedoch in der Regel ein größeres Datenvolumen, sind schwierig zu trainieren und erfordern spezielle Fähigkeiten für Aufbau, Implementierung und Wartung. All dies erhöht das Risiko. Es muss also sorgfältig überlegt werden, ob Techniken des Tiefenlernens für die digitale Reise eines Unternehmens empfohlen werden sollten.

Sowohl Techniken des Tiefenlernens als auch des maschinellen Lernens können alle Klassifizierungs-, kontinuierlichen Schätz-, Clustering-, Optimierungs- und Anomalieerkennungsfunktionen abdecken.

Eine Studie des McKinsey Institute aus dem Jahr 2018 schlug vor, dass Techniken des Tiefenlernens den aus Anwendungen mit KI abgeleiteten Wert um 30% bis über 100% steigern können. Die Reise-, Transport- und Logistikbranche, der Einzelhandel, die Automobilmontage, die Hightech- sowie die Öl- und Gasindustrie sahen den größten Vorteil in der Einbeziehung der KI in ihre Digitalisierung.

Der Autor Bill Vorhies, Präsident und leitender Datenwissenschaftler bei Data-Magnum Consultants und seit 2001 praktizierender Datenwissenschaftler, war sich nicht so sicher, ob der Rat von McKinsey der richtige Weg sei. “ Ich bin mir nicht sicher, ob McKinsey die Schwierigkeiten, Risiken oder den Aufwand, der mit einer solch enthusiastischen Umarmung verbunden ist, angemessen bewertet hat“, schrieb er.

Vielleicht ist Datenwissenschaft ohne maschinelles Lernen genug

Manchmal ist die Datenwissenschaft ganz allein ohne die Einbeziehung des maschinellen Lernens der richtige Weg, wie ein kürzlich erschienener Bericht im The Enterprisers Project zeigt.  „Letztendlich verwenden die meisten Algorithmen statistische Verfahren“, erklärte Anil Vijayan, Vizepräsident der Everest Group. „Aber nicht jedes Problem muss von der KI gelöst werden“, so Anil Vijayan, Vizepräsident der Everest Group. In vielen Fällen kann der Einsatz „traditioneller“ Datenwissenschaft nicht nur ausreichen, sondern auch effizienter sein“.

Eine andere Möglichkeit, sie zu betrachten, besteht darin, tief lernende Modelle als einen „Raketenantrieb“ zu betrachten, dessen Treibstoff die riesige Datenmenge ist, die in seine Algorithmen eingespeist wird, so ein kürzlich in edureka erschienener Artikel. Tiefes Lernen ist eine besondere Art des maschinellen Lernens, das von der Funktionalität von Gehirnzellen in einem so genannten künstlichen neuronalen Netz inspiriert wurde. Es passt Datenverbindungen zwischen künstlichen Neuronen entsprechend dem Datenmuster an. Bei großen Datenmengen werden mehr Neuronen benötigt. Das Modell lernt automatisch auf mehreren Abstraktionsebenen, so dass komplexe Funktionen geliefert werden können, ohne von einem bestimmten Algorithmus abhängig zu sein.

In einem Projekt, in dem gelernt werden soll, den Unterschied zwischen einer Katze und einem Hund zu erkennen, kann ein Modell für tiefes Lernen automatisch entdecken, welche Merkmale für die Klassifizierung wichtig sind, während beim maschinellen Lernen der Entwickler oder Datenwissenschaftler die Merkmale manuell bereitstellen muss. Zusammenfassend lässt sich sagen, dass das tiefe Lernen als die nächste Evolution des maschinellen Lernens angesehen wird.

Wir befinden uns derzeit in der zweiten Welle der künstlichen Intelligenz, mit Systemen mit nuancierten Klassifizierungs- und Prognosefähigkeiten, aber ohne kontextuelle Fähigkeiten und mit minimaler Fähigkeit zum logischen Denken. Die wichtigsten Plattformen für maschinelle Lernverfahren zur künstlichen Intelligenz, einschließlich Watson von IBM und Einstein von Salesforce, sind in der Lage, große Datenmengen zu synthetisieren, um Einblicke und Antworten zu liefern, aber sie sind nicht in der Lage, vollständig zu erklären, wie sie die Antwort erhalten haben.

Die meisten KI-Systeme basieren heute auf maschinellem Lernen, für das Tausende, wenn nicht Millionen von Datenbeispielen erforderlich sind, um eine Eigenschaft zu bearbeiten. Um einen breiten Einsatz in der dritten Welle der KI zu ermöglichen, müssen KI-Systeme von diesem datenlastigen Ansatz abrücken, schlägt der Autor vor.

Er stellt sich eine Kombination von Ansätzen vor, einschließlich Systemmodellierung und Mensch-Maschine-Zusammenarbeit. Der hybride Ansatz wird es Organisationen ermöglichen, die Vorteile der KI mit einem Bruchteil der für große maschinelle Lernplattformen erforderlichen Daten zu nutzen. Und er wird helfen, Probleme zu lösen, für die es keine großen Datensätze gibt.

Die dritte Welle der künstlichen Intelligenz, so sein Vorschlag, verspricht, dass die Menschen die künstliche Intelligenz als einen vertrauenswürdigen Partner bei der Bewältigung komplexer Herausforderungen wahrnehmen werden.

Quelle: itrends