Blog

Was sind die Unterschiede zwischen Künstlicher Intelligenz, Data Mining und Machine Learning?

Von Dr. Julia König am 06. November 2018

Der Begriff Künstliche Intelligenz ist den meisten recht vertraut. Vielen kommt bei diesem Wort ein intelligentes System in den Sinn, das Aufgaben von Menschen übernimmt – und uns vielleicht in seiner Intelligenz irgendwann überholt. Die Begriffe Data Mining, Predictive Analytics und Machine Learning sind weit weniger bekannt. Ihren Anwendungen hingegen begegnen wir täglich, etwa bei personalisierter Werbung, bei der Reihenfolge von angezeigten Postings auf sozialen Netzwerken oder beim Abschluss einer Versicherung. Doch was sind die Unterschiede von Künstlicher Intelligenz, Data Mining, Predictive Analytics und Machine Learning? Und was bedeuten die einzelnen Bergriffe im Detail?

© sdecoret - stock.adobe.com

Künstliche Intelligenz: Erkennen, Spielen, Fahren

Den Begriff Künstliche Intelligenz (KI) gibt es seit den 1950er Jahren. Allgemein bezeichnet man Programme als Künstliche Intelligenz, wenn sie Fähigkeiten erlernen, die man typischerweise Menschen zuschreibt, aber für die sich keine klaren Regeln definieren lassen. Ein Beispiel dafür ist Bilderkennung. Wir können schnell und einfach erkennen, ob sich auf einem Foto eine Katze befindet oder nicht. Müssen wir eine Software programmieren, die diese Entscheidung für uns abnimmt, stehen wir jedoch vor einem scheinbar unüberwindbaren Problem. Was zeichnet eine Katze aus? Die Farbe? Vier Beine und ein Schwanz? Gar nicht so einfach…

Für genau solche Klassifizierungsprobleme gibt es ein machtvolles mathematisches Konstrukt: künstliche neuronale Netze. Künstliche neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfundene Strukturen bestehend aus künstlichen Neuronen und Verbindungen zwischen ihnen. Soll ein künstliches neuronales Netz nun die Aufgabe übernehmen, ein Bild zu klassifizieren, so lernt das Netz aus Tausenden und Millionen von Beispielen und passt sich in seiner Struktur sukzessive so an, dass es in seiner Aufgabe immer besser wird. Wenn viele Neuronen zwischen der Eingabe (den Pixeln des Bildes) und der Ausgabe (Katze: ja/nein) liegen, spricht man von einem „tiefen“ neuronalen Netz. Die Theorie dieser tiefen neuronalen Netze bezeichnet man als Deep Learning.

Eine Katze automatisiert auf einem Bild erkennen zu können scheint nicht wirklich einen Mehrwert zu liefern – einen Tumor auf einem Mammografie-Bild zu erkennen hingegen schon. Künstliche Intelligenz findet man aber nicht nur in der bildgebenden Diagnostik, sondern mittlerweile in fast allen Branchen. Weitere Anwendungen von Künstlicher Intelligenz sind zum Beispiel: Verarbeiten von gesprochenen Texten (Siri, Alexa, Google Home, …), Texte übersetzen, Emotionen in Gesichtsausdrücken erkennen, Schach oder Go spielen, Robotern gehen oder laufen lernen, und nicht zuletzt ein viel diskutiertes Thema: autonom Auto fahren.

Data Mining: Muster in Daten erkennen

Künstliche Intelligenz beschreibt also Computerprogramme, die aus vielen Beispielen Fertigkeiten erlernen, die Menschen aufgrund ihrer Intelligenz besonders gut können.

Im Gegensatz dazu lassen sich mit Data Mining unbekannte Muster und Strukturen in Daten entdecken, die wir als Menschen mit freiem Auge oder einfachen Analysen nicht mehr erkennen können, weil die Datenmenge zu groß und unübersichtlich oder die Abhängigkeiten zu komplex sind.

Ein klassisches Beispiel von Data Mining ist die Analyse von Kundenverhalten, um zu verstehen, welche Kunden zu seiner Zielgruppe gehören, welche Produkte und Dienstleistungen für welche Kunden attraktiv sind oder welche Kunden typischerweise abwandern.

Aber nicht nur im Marketing und Customer Relationship Management trifft man auf Data Mining. In der Versicherungsbranche ist man interessiert daran herauszufinden, unter welchen Umständen es häufig zu Versicherungsfällen kommt und was auf einen Versicherungsbetrug hindeutet. Eine Bank möchte gerne wissen, welche Personen kreditwürdig sind. In der Industrie wird Data Mining eingesetzt, um Korrelationen zu Qualitätsproblemen und Maschinenausfällen herauszufinden. Und im Handel von Wertpapieren fragt man sich, welche Einflussfaktoren es auf steigende und fallende Kurse gibt.

Im Grunde lässt sich Data Mining überall dort einsetzen, wo man historische Daten gesammelt hat und Muster oder Zusammenhänge in ihnen entdecken möchte.

Predictive Analytics und Prescriptive Analytics: Vorhersagen und Steuern

Das Wissen, das man durch Data Mining erlangt, ist im Allgemeinen erst dann wertvoll, wenn man es auch einsetzt. Beispielsweise indem man vorhersagt, wann eine Maschine das nächste Mal gewartet werden muss und man so den Ablauf einer Produktion besser planen kann. Oder indem man Kunden Produkte in einem Onlineshop empfiehlt, die ihnen sehr wahrscheinlich gefallen und zum Kaufen anregen.

Machine Learning: Selbstlernende Algorithmen

© StockPhotoPro - stock.adobe.com

Als Predictive Analytics bezeichnet man Vorhersagen, die selbstlernende Algorithmen treffen. Geht man noch einen Schritt weiter und möchte man direkt eine optimale Aktion auslösen, ist man im Bereich der Prescriptive Analytics.

Sagt einem das Predictive Analytics Modell beispielsweise, dass ein Kunde wahrscheinlich sein Abo kündigen wird, so empfiehlt das Prescriptive Analytics Modell, mit welcher Maßnahme man ihn am wahrscheinlichsten davon abhält.

Um solche Vorhersagen und Empfehlungen treffen zu können, setzt man auf Machine Learning, also Systeme, die aus Beispielen Muster und Gesetzmäßigkeiten lernen und nach der Trainingsphase diese verallgemeinern können.

Während man bei manchen Machine Learning Modellen die Ergebnisfindung wirtschaftlich, soziologisch oder physikalisch nachvollziehen kann, ist das bei vielen anderen nicht der Fall. Meist handelt es sich dabei um so komplizierte Modelle, dass man sie eher als Black Boxes ansieht. Über ein Beispiel von Machine Learning Modellen haben wir weiter oben schon gesprochen: Künstliche neuronale Netze.

Was diese Themen vereint

Hinter all diesen Themengebieten stecken sehr ähnliche mathematische Konzepte und Methoden, weshalb die Begriffe häufig auch synonym verwendet werden. Die Modelle, die man beispielsweise für Data Mining einsetzt, finden auch im Bereich Machine Learning Anwendung und um eine Künstliche Intelligenz zu entwickeln, verwendet man Machine Learning Algorithmen, wie beispielsweise neuronale Netze. Vermutlich weil mal sich unter dem Begriff Künstliche Intelligenz mehr vorstellen kann als unter den anderen, hat sich dieser in vielen Bereichen durchgesetzt.

Wollen Sie in Zukunft benachrichtigt werden, wenn es wieder einen neuen Blogartikel gibt?
Folgen Sie uns auf LinkedIn und bleiben Sie auf dem Laufenden.

Bringen Sie Ihr Unternehmen auf die nächste Stufe!

Wir entwickeln KI-Lösungen für den innovativen Mittelstand.