Einen ersten Überblick über die Begrifflichkeiten, mit denen wir es aktuell im Bereich der Künstlichen Intelligenz zu tun bekommen, habt Ihr bereit in unserem Beitrag LLM? Deep Learning? Eine Übersicht zu KI-Begriffen bekommen.
KI, Künstliche Intelligenz, verstehen wir als den Versuch im Bereich der Informatik, einen Computer/ Maschine/ Software in ihrer Intelligenz so weit zu entwickeln, dass er eine menschenähnliche Intelligenz zeigt. Im Weiteren sollte er auch in der Lage sein, diese Intelligenz weiterzuentwickeln und zu lernen, um Anforderungen oder Aufgaben eigenständig und möglichst korrekt zu bewältigen. Mit welchen Methoden dies erreicht wird, wird in diesem Artikel beschrieben.
Nachdem wir nun auch unsere NLP-Miniserie von theoretischer, als auch praxisnaher Seite in unseren LinkedIn Artikeln abgehandelt haben und Neuronale Netze am Beispiel von Hund und Katze erklärt haben, möchten wir auch die andere Technologien, wie Machine Learning, Deep Learning und Computer Vision beleuchten.
Was sind die grundlegenden Technologien hinter KI-Systemen? Ein kleiner Überblick:
Machine Learning
Eine der bekanntesten Formen der KI ist Machine Learning (ML). Maschinelles Lernen ermöglicht es Systemen, aus Daten zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Unterkategorien umfassen: Überwachtes Lernen, Unüberwachtes Lernen, Bestärkendes Lernen. Mehr dazu in der Übersicht zu KI-Begriffen.
NLP
Einen praxisnahen Teil von NLP hatten wir bereits in Verstehen von NLP-Sprachmodellen: Ambiguität, Kontext und Distribution beleuchtet.
Die Natural Language Processing-Technologie baut auf Machine Learning, Linguistik und Informatik auf. Sie ermöglicht es Maschinen, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. NLP, auch als Computerlinguistik bekannt, ist grundlegend eine Wissenschaft, die sich mit der maschinellen Verarbeitung natürlicher Sprache beschäftigt, d.h. durch Algorithmen.
Bei Glanos arbeiten wir selbst mit unserem eigens entwickelten NLP-System und unserer spezialisierten Pipeline. NLP bietet die Möglichkeit die menschliche Sprache sowohl regelbasiert, als auch mit Künstlicher Intelligenz (hier via Machine Learning) zu verarbeiten. Beide Paradigmen haben ihre Vor- und Nachteile. Wir bei Glanos setzen auf NLP und auch Machine Learning, um das Beste aus beiden Ansätzen in unsere Produkte zu integrieren. Bei Glanos kümmert sich ein Team von Computelinguist:innen um die Pipeline und Aufstellung der grundsätzlichen Regeln, anhand derer die Sprache in eine Form gebracht wird, welche Computer verstehen können. Dazu zählen im Allgemeinen die Tokenisierung, Morphologische Analyse, Satzanalyse, Semantische Analyse, Pragmatische Analyse sowie die Textgenerierung (Natural Language Generation), wobei Antworten auf Basis sämtlicher Daten und Erkenntnisse aller durchlaufenen Schritte generiert werden. All diese Schritte basieren auf wissenschaftlichen Erkenntnissen und unserer Praxiserfahrung, damit die Antworten inhaltlich bestmöglich zu verstehen, einzuordnen und zu empfinden sind.
Bekannte moderne Anwendungen, die auf NLP Technologien basieren, sind Chatbots, virtuelle Assistenten und Sprach-Übersetzungsdienste, oder, um bei Glanos zu bleiben, die news-monitor.ai und die anonymization.ai
Neuronale Netzwerke
Neuronale Netze sind eine zentrale Technologie im Bereich des Machine Learnings. Sie sind inspiriert von der biologischen Funktionsweise von Neuronen (Nervenzellen) im menschlichen Gehirn: zwei Nervenzellen sind durch eine Synapse verknüpft, über welche die Information (Impulssignal) entweder zum nächsten Neuron weitergetragen und verarbeitet wird (bis wir zu einem Ergebnis kommen) oder aber blockiert wird, da das Signal unpassend war.
Im Bereich der Sprachverarbeitung (NLP) helfen Neuronale Netze dabei, Texte zu verstehen und zu verarbeiten, etwa um herauszufinden, ob eine Nachricht einen positiven oder negativen Grundton aufweist, oder um Antworten auf Fragen zu generieren. Tiefe neuronale Netze (Deep Learning) sind besonders nützlich für Aufgaben wie Bild- und Spracherkennung.
Deep Learning
Deep Learning ist ein Teilbereich des Machine Learnings, der auf Künstlichen Neuronalen Netzwerken (KNN) basiert. Die Bezeichnung des tiefen also „deep“ Lernens resultiert daraus, dass nicht nur einfache Neuronenverbindungen abgefragt werden, sondern mehrere, tiefer gehende Schichten dieser Anwendung finden: Dem menschlichen Gehirn nachempfunden, führt eine Synapse zur Nächsten und Informationen werden „weitergedacht“ und prozessiert – eine komplexere Variante des oben beschriebenen Neuronalen Netzes. Dies kann zum Effekt der sog. „Black Box“ führen, sodass die unendlichen Verbindungen nicht mehr nachempfunden werden können – mehr dazu gibt es in Neuronale Netze.
Neuronale Netzwerke werden mitunter als „Blackbox“ bezeichnet, weil ihre internen Entscheidungsprozesse aufgrund der hohen Komplexität, nichtlinearen Entscheidungsfindung und mangelnden Transparenz schwer nachvollziehbar sind. Trotz ihrer Leistungsfähigkeit bleibt oft unklar, wie sie zu bestimmten Ergebnissen gelangen.
Das System des Deep Learnings ermöglicht es, komplexe, nicht-lineare Zusammenhänge in großen Datenmengen zu erkennen und zu optimieren, ohne dass explizit definierte Regeln vorgegeben werden müssen.
Computer Vision
Ermöglicht es Computern, visuelle Daten zu interpretieren und zu verstehen. Computer Vision verleiht dem Computersystem durch Algorithmen und verschiedene Technologien sozusagen Augen – mit dem Ziel, Bilder und Videos zu analysieren und Informationen zu extrahieren. Anwendungen reichen von Gesichtserkennung bis hin zur Analyse medizinischer Bilder. Technologien, die dabei zur Analyse angewendet werden sind: Bilderfassung durch Kamerasystem oder Sensor; Bildverarbeitung der erfassten Bilder durch Algorithmen, bspw. das Erkennen von Formen, Farben, Texturen; Merkmalserkennung durch fortgeschrittene Techniken wie Machine und Deep Learning; Objektklassifizierung (Identifikation von Objekten wie Auto, Tier Hund/ Katze, Person männlich/ weiblich) und schließlich die Interpretation, bei der das System eine Entscheidung trifft oder genauere Informationen zusammenfasst. Mehr zu der Entscheidungsfindung könnt ihr Blogbeitrag zu Neuronalen Netzen lesen.
Robotics
Wie der Name bereits verraten könnte, handelt es sich hierbei um den Bereich der Technik und Forschung (bzw. Wissenschaft sowie Konstruktion und Entwicklung), der sich mit Robotern befasst. Oft finden diese intelligenten Maschinen ihre Anwendung in Gesundheitsweisen, Industrie und dem Haushalt, wo sie physische Aufgaben autonom oder halbautonom erledigen. Die Funktionalität setzt sich aus verschiedenen Technologien zusammen: Sensorik, Aktoren, Steuerungssystemen und Künstlicher Intelligenz (Entscheidungsfindung).
Mehr Details zu Computer Vision und Robotics folgen im nächsten Beitrag.
__________________________________
Mehr Infos finden Sie auf glanos.de
Kontaktieren Sie gerne unsere Teamlead Sales Vivienne Offermanns-Ohnesorge für einen unverbindlichen Austausch. Termine können Sie direkt hier buchen.
Data to boost your business.
Ihr Glanos-Team