10.01.2020

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

Für die Artikelreihe "#unchAIn - Demystifying AI" kooperiert der brutkasten mit dem Expertinnen-Netzwerk Ms. AI, um Vorurteile rund um Künstliche Intelligenz zu entmystifizieren. Expertinnen beantworten dazu die großen Fragen rund um das Thema KI. Teil 3: Was ist Machine Learning und Deep Learning?
/artikel/ki-was-ist-machine-learning-deep-learning
Künstliche Intelligenz (KI): Was ist Machine Learning? Was ist der Unterschied zu Deep Learning?
(c) Adobe Stock - zapp2photo

KI (Künstliche Intelligenz) ist das vielleicht wichtigste Tech-Thema unserer Zeit. Es gibt wohl keinen Bereich des politischen, wirtschaftlichen und gesellschaftlichen Lebens, der nicht das Potenzial hat, von KI grundlegend verändert zu werden. Gleichzeitig gibt es bei diesem Thema viele Falschinformation und überzogene Erwartungen. Für das Projekt “#unchAIn – Demystifying AI” kooperiert der brutkasten mit dem internationalen Expertinnen-Netzwerk Miss AI, um gängige, teils falsche Vorstellungen zu entmystifizieren. Expertinnen und Experten der jeweiligen Felder – von Philosophinnen über Wissenschaftlerinnen bis zu Managerinnen – beantworten dabei in einer mehrteiligen Artikelreihe die großen Fragen zum Thema Künstliche Intelligenz, Machine Learning, Deep Learning und Co.

+++Mehr zum Thema AI & DeepTech+++

Im ersten Teil der Serie behandelten wir die Frage, was eigentlich Intelligenz (ganz allgemein) ist. Im zweiten ging es darum, ob Maschinen das menschliche Gehirn 1:1 kopieren können. Im dritten Teil widmen wir uns nun zwei der gängigsten Tech-Begriffe im Zusammenhang mit KI: Was ist Machine Learning? Und was ist Deep Learning? Und wie unterscheiden sich die beiden? Die Programmiererin und Mathematikerin Donata Petrelli un der Chatbot-Pionier Denis Rothman wählten bei der Beantwortung dieser Fragen sehr unterschiedliche Zugänge.


Bisher in der Serie “#unchAIn – Demystifying AI” erschienen:


Was ist Machine Learning?

Petrelli: Die meisten haben als Kind wohl das Spiel “Blinde Kuh” gespielt? Man ist mit verbundenen Augen in einem ausreichend großen Raum und muss es schaffen, die anderen im Raum zu finden und zu erkennen. Dabei hat das Kind mit verbundenen Augen keine Hinweise darauf, wo die anderen Kinder sind. Wenn es sich durch den Raum bewegt, muss es durch Tasten und Probieren die Umgebung verstehen, und letztlich die Mitspieler finden und erkennen. Machine Learning ist genau so ein Prozess, wie ihn das Kind mit verbundenen Augen im Raum durchführt.

Und um es etwas technischer zu definieren: Das maschinelle Lernen macht heute einen großen Teil des Bereichs Künstliche Intelligenz aus. Es umfasst mehrere Methoden zur Analyse und Erkennung von Daten und deren Beziehungen zueinander – oft zu Vorhersagezwecken. Alle diese Verfahren haben das Ziel, ohne initiale Kenntnisse sondern durch Erfahrung, eine Umgebung mit ihren Elementen und den Beziehungen zwischen ihnen, zu erkennen. Zu den bekanntesten Verfahren gehört das Modell der künstlichen neuronalen Netze, die die Struktur des menschlichen Gehrins simulieren.

Rothman: Machine Learning ist ein Teilbereich der Künstlichen Intelligenz. Nicht Machine Learning-basierte Algorithmen sind im Allgemeinen regelbasiert. Also etwa:

wenn X dann Y

Sowohl X als auch Y enthalten dabei viele Werte wie etwa ein Set von Daten. Das maschinelle Lernen kann die richtigen Werte “lernen”, um ein Ergebnis zu produzieren. Dabei gibt es keine Regel! Wir wollen etwa die Lösung finden für die Gleichung:

Y=aX + b

Wir müssen also die Werte von a und b finden, um die Gleichung lösen zu können. Daher probieren wir alle möglichen Werte von a und b aus. Das passiert oftmals nach dem Zufallsprinzip, um zu sehen, welche Werte am besten passen. Da wir leistungsstarke Computer haben, funktioniert das auch. Wir benutzen dazu viele Arten von Algorithmen, etwa Clustering und Regression. Jeder Algorithmus f sucht dabei nach den richtigen Werten, nach dem Prinzip:

f(Y)=aX+b

Die jeweiligen Algorithmen können dann jeweils für bestimmte Aufgaben genutzt werden, etwa eine Vorhersage, ob es nächste Woche regnen wird oder was die beste Route ist, um von Ort A nach Ort B zu gelangen usw.

Und was ist der Unterschied zu Deep Learning?

Rothman: Deep Learning ist wiederum ein Teilbereich des maschinellen Lernens. Es erweitert das Prinzip um “Layers”. Man kann es in Fällen nutzen, wo die Ermittlung des Werts Y schon deutlich komplexer ist. Nehmen wir dazu wieder eine Funktion f heran, wo es nun aber viele Schritte gibt:

f(Y)= f5(f4(Xf(3Xf(2Xf(X))

Das wirkt etwas verrückt? Als Mensch macht man das aber jeden Tag. Wenn man etwa gebeten wird, ein Gesicht in einem Bild mit 30 Gesichtern zu finden (wie z.B. auf einem Klassenfoto), dann macht man (unbewusst) ungefähr folgendes:

  1. Man versucht, die Gesichter vom Hintergrund zu isolieren.
  2. Dann sieht man sich die Form der Gesichter an.
  3. Dann die Farbe der Gesichter.
  4. Dann auch die Größe einer Person.
  5. Dann trifft man endlich eine Entscheidung und sagt: “Das ist die Person, die ich suche!”

Deep Learning tut dies automatisch, indem es die jeweils richtigen Werte von a und b findet, um jede Schicht von f(Y)=aX + b zu ermitteln.

Petrelli: Deep Learning ist eine Verstärkung der Methoden des Machine Learning, insbesondere der neuronalen Netze. In diesem Fall ist das Modell ausgefeilter, da die Resultate das Ergebnis der Ausarbeitung strukturierter Konzepte sind, die sich aus den Basis-Konzepten ableiten.

Um eine Analogie zu bringen: Die Gewinnung von Informationen durch ein Deep Learning-Modell im Vergleich zu einem Machine Learning-Modell ist wie jene eines Erwachsenen verglichen mit jener eines Kindes, das noch weitere Entwicklungsstufen vor sich hat.

⇒ Zur Page von Ms. AI

Redaktionstipps
Deine ungelesenen Artikel:
09.12.2024

Infineon Austria Challenge als Sprungbrett zum Erfolg für das AgriTech-Startup Granevo

Mehr als 13 Tech-Startups aus Europa stellten sich heuer der Infineon Austria Challenge und präsentierten in Villach ihre innovativen Lösungen. Am Ende überzeugte das slowenische Startup Granevo mit seiner KI-gesteuerten Plattform „Egg Alert“. Matjaž Gobec von Granevo erläutert gegenüber bruktasten, wie die Infineon Startup-Challenge seinem Team half, technologische Hürden zu meistern und ihr Geschäftsmodell zu schärfen.
/artikel/infineon-austria-challenge-als-sprungbrett-zum-erfolg-fuer-das-agritech-startup-granevo
09.12.2024

Infineon Austria Challenge als Sprungbrett zum Erfolg für das AgriTech-Startup Granevo

Mehr als 13 Tech-Startups aus Europa stellten sich heuer der Infineon Austria Challenge und präsentierten in Villach ihre innovativen Lösungen. Am Ende überzeugte das slowenische Startup Granevo mit seiner KI-gesteuerten Plattform „Egg Alert“. Matjaž Gobec von Granevo erläutert gegenüber bruktasten, wie die Infineon Startup-Challenge seinem Team half, technologische Hürden zu meistern und ihr Geschäftsmodell zu schärfen.
/artikel/infineon-austria-challenge-als-sprungbrett-zum-erfolg-fuer-das-agritech-startup-granevo
Das Team von Graveno | (c) Graveno

Die Infineon Austria Challenge 2024 setzte in diesem Jahr neue Maßstäbe: Aus 45 Bewerbungen, sechsmal mehr als im Vorjahr, kämpften 13 Tech-Startups aus ganz Europa um den Sieg. Dafür präsentierten sie im Herbst in Villach ihre Lösungen rund um Künstliche Intelligenz, das Internet der Dinge und Sensortechnik. Schlussendlich konnte sich das slowenische Startup Granevo als Sieger durchsetzen (brutkasten berichtete).

Ausgangspunkt: Ein Team, eine Vision

Granevo wurde von einer Gruppe junger Ingenieure gegründet, die ihre Idee während des Studiums an der Universität entwickelten. Das Unternehmen hat ein KI-gesteuertes, automatisiertes Brutüberwachungssystem entwickelt, das optimale Überlebensbedingungen für Küken sicherstellen soll. Die Sensorplattform “Egg Alert” ermöglicht eine präzise Temperatur- und Feuchtigkeitskontrolle und senkt so die Sterblichkeit von Küken um bis zu zehn Prozent – ein entscheidender Vorteil insbesondere für größere Betriebe, in denen jährlich bis zu einer Million Küken ausgebrütet werden, da bereits eine Reduktion der Sterblichkeit um zehn Prozent erhebliche wirtschaftliche und ökologische Vorteile bringt

Die Motivation an der Infineon Austria Challenge teilzunehmen lag laut Mitgründer und Elektrotechnik-Spezialist. Matjaž Gobec in mehreren Faktoren: Zum einen wollten sie praktische Erfahrung im Bereich Entrepreneurship sammeln und Kontakte zu Industriepartnern wie Infineon knüpfen. Zum anderen sahen sie die Challenge als eine Möglichkeit, ihre technologischen Fähigkeiten unter Beweis zu stellen.

Bereits vor der Challenge hatte das Team einen Proof of Concept (PoC) für ihre Anwendung entwickelt. Doch die eingesetzte Hardware erwies sich schnell als unzureichend für ihre Anforderungen. “Wir suchten nach einer Plattform, die es uns ermöglichen würde, leistungsstarke Machine-Learning-Modelle auf einem Mikrocontroller auszuführen“, erklärt Gobec. Das Infineon-AI-Kit mit integrierten Sensoren und einer optimierten Microcontroller-Architektur zum Ausführen von edgeAI-Modellen bot hierfür eine geeignete Basis.

Neben Technologie stand auch Geschäftsmodell im Fokus

Die Teilnahme an der Infineon Austria Challenge stellte das Team vor mehrere Herausforderungen, die gemeistert werden mussten. Einerseits mussten sie sich mit neuer Hardware und Software vertraut machen, andererseits galt es, die strengen Zeitpläne der Challenge einzuhalten. “Niemand von uns hatte vorher mit Infineon-Produkten gearbeitet, daher begannen wir von Grund auf”, sagt Gobec.

Austausch mit anderen Teams

Ein zentraler Aspekt der Challenge war die Möglichkeit zur Zusammenarbeit mit Infineon und anderen Teilnehmern. Gobec hebt hervor, wie hilfreich der regelmäßige Austausch mit den Mitarbeiter:innen von Infineon war. “Die Infineon-Mitarbeiter waren stets erreichbar und unterstützten uns bei der Bewältigung technischer Probleme.” Zusätzlich nutzten die Teams soziale Medien, um sich über ihre Fortschritte auszutauschen, was dem Wettbewerb auch eine interaktive Dimension verlieh.

Parallel zu den technischen Aufgaben bot die Challenge zahlreiche Workshops und Mentoring Sitzungen, die sich auf geschäftliche Aspekte konzentrierten. Themen wie Investorenansprache, Finanzierung und die Erstellung eines Business-Plans standen im Mittelpunkt. Für ein Team, das größtenteils aus Ingenieuren besteht, waren diese Einblicke laut dem Gründer eine wertvolle Ergänzung zu ihrer technischen Expertise. “Die Vorträge und Diskussionen haben uns geholfen, unser Geschäftsmodell zu überdenken und strategisch weiterzuentwickeln“, betont Gobec.

Diese enge Zusammenarbeit zahlte sich aus: Granevo konnte nicht nur technische Fortschritte erzielen, sondern auch Kontakte knüpfen, die potenziell langfristige Partnerschaften ermöglichen. Derzeit führt das Startup Gespräche mit Infineon über eine fortgesetzte Zusammenarbeit und mögliche Pilotprojekte, bei denen Infineons Know-how eine wichtige Rolle spielen könnte.

Sichtbarkeit und Marktposition

Neben den technischen und organisatorischen Vorteilen hat die Challenge auch die Sichtbarkeit von Granevo erheblich erhöht. Laut Gobec ist diese Aufmerksamkeit gerade in der frühen Phase eines Startups von entscheidender Bedeutung. „Eine solche Challenge trägt dazu bei, den Bekanntheitsgrad eines Startups zu steigern und potenzielle Investoren auf uns aufmerksam zu machen.“ Dies zeigte sich auch in der Zusammenarbeit mit dem VC-Fonds Vesna Capital, der an weiteren Entwicklungsschritten des Startups interessiert ist. Erst in diesem Jahr unterzeichnete Infineon Austria einen “Letter of Intent” mit Vesna Capital.

Andreas Mühlberger von Infineon und Srdja Ivekovic von Vesna Capital | (c) Infineon

Lernen, Weitergeben und Vorbereitungen für die nächste Challenge

Eines der zentralen Ergebnisse der Teilnahme ist für Gobec der Zugewinn an praktischem Wissen. Er betont, dass derartige Programme vor allem in Bereichen hilfreich sind, die an Universitäten oft vernachlässigt werden. “Die Challenge hat uns Einblicke in die unternehmerische Realität gegeben, die über das hinausgehen, was wir in unserem Studium gelernt haben.” Dazu gehörten nicht nur technische Kenntnisse, sondern auch strategische Überlegungen, wie etwa die Positionierung auf dem Markt und die Gestaltung langfristiger Geschäftsmodelle.

Für Gobec ist die Infineon Austria Challenge deshalb eine klare Empfehlung für andere junge Unternehmen. Neben der Möglichkeit, praktische Kenntnisse zu erwerben, betont er auch die Bedeutung des Netzwerkens. “Es gibt kaum eine bessere Gelegenheit, Menschen aus unterschiedlichen Bereichen zu treffen und voneinander zu lernen.”

Andreas Mühlberger, Strategic Partner Management bei Infineon, hebt abschließend hervor: “Neben Granevo haben wir in der Infineon Startup Challenge noch viele weitere tolle Applikationen und Use Cases gesehen, in denen unsere Technologie eingesetzt wurde. Und es war fantastisch zu sehen, mit welcher Geschwindigkeit und Begeisterung an den Projekten gearbeitet wurde, um am Demo Day eindrucksvolle Ergebnisse zu zeigen. Wir arbeiten weiterhin mit vielen der Startups zusammen und unterstützen sie mit Technologie und unserem Netzwerk. Parallel dazu bereiten wir die Infineon Startup Challenge 2025 vor und freuen uns jetzt schon auf die vielen neuen Teilnehmer und Ideen.”



Kontakt für weitere Informationen

Andreas MühlbergerInfineon Technologies Austria AG

Strategic Partner Management

[email protected]

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

#unchAIn, Teil 3: Was ist Machine Learning und Deep Learning?