Zum Inhalt springen

Künstliche Intelligenz / Maschinelles Lernen

Was ist der Unterschied zwischen Künstlicher-Intelligenz und Maschinelles-Lernen?

Das maschinelle Lernen ist ein Teilgebiet der Künstlichen-Intelligenz, der sich mit dem selbständigen Erschließen von Zusammenhängen auf Basis  von Beispieldaten beschäftigt. Insofern gibt es nicht einen Unterschied, sondern  man muss eher von einer Bereichsbeziehung sprechen.

Was ist schwache KI und was ist starke KI?

Die Künstliche-Intelligenz (KI) ist ein sehr großes Forschungs und Anwendungsgebiet, welches in zwei wesentliche Bereiche unterteilt wird:

Schwache KI

Lösung einer Problemenstellung durch Verwendung von Algorithmen, welche die Verarbeitungsprozesse des menchlichen Denkens nachbilden. Wichtige Eigenschaften sind Lernfähigkeit und Robustheit gegenüber den durch Zufall beeinflussten Datenraum.

Starke KI

Erschaffung einer künstlichen Intelligenz, welche ein Bewusstsein und entsprechend menschliche Eigenschaften besitzt, wie z.B. Kreativität und Spontanität.

Was gehört alles zur KI?

Die Definition, was KI ist und was nicht, kann leider nur ungenau beantwortet werden, da es sich um ein sehr großen Bereich handelt, der durch eine eher schwammige Definition definiert wird.

KI ist die Erforschung, Erstellung und Anwendung von intelligentem Problemlösungsverhalten und Computersystemen, welche  in der Lage sind Probleme zu lösen, die zuvor nur mit menschlicher Intelligenz gelöst werden konnten.

Die Künstliche Intelligenz ist also in einem Querschnitt durch sehr viele Forschungsbereiche zu Hause:

  •  Mathematik
  • Informatik/Neuroinformatik
  • Neurophysiologie
  • Linguistik
  • Psychologie
  • Kommunikationswissenschaften
  • Kognitionswissenschaften

Oftmals definieren sich die Teilbereiche der KI über die verwendeten Methoden oder über die Anwendung/Zielsetzung:

  • Regelbasierte Expertensysteme
  • Maschinelles Lernen
    • Unüberwachtes Lernen (Supervised Learning)
    • Überwachtes Lernen (Unsupervised Learning)
    • Bestärkendes Lernen (Reinforcement Learning)
  • Genetische Algorithmen
  • Robotik
  • Computer Vision