Kleines KI-Glossar

Woraus besteht ein digitaler Zwilling und was ist der Unterschied zwischen maschinellem Lernen, Deep Learning und selbstüberwachtem Lernen?

Digitaler Zwilling

Ein digitaler Zwilling ist ein möglichst umfassendes digitales Abbild eines komplexen Systems aus der realen Welt. Er kann alle physikalischen Prozesse innerhalb des Systems überwachen, diagnostizieren oder vorhersagen. Dazu werden in einem digitalen Zwilling folgende Elemente verknüpft:

• Datenströme aus unterschiedlichsten Messungen und Simulationen
• Hochleistungsrechnen (High-Performance Computing, HPC) zur Erzeugung von akkuraten Simulationsdaten
• Mathematische und numerische Modelle von Subsystemen über Zeit- und Längenskalen hinweg
• Datengestützte Ersatzmodelle (Surrogat-Modelle) und maschinelle Lernmethoden für die Echtzeit-Analyse und -Vorhersage
• Interaktive und intelligente Visualisierungsmethoden

Maschinelles Lernen (ML)

Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz, das sich mit der Entwicklung von Algorithmen und statistischen Modellen befasst. Damit können Computer aus Daten lernen, ohne dass sie explizit dafür programmiert werden. ML konzentriert sich darauf, Muster und Beziehungen in den Daten zu identifizieren.

So können Maschinen Vorhersagen machen, Entscheidungen treffen und Erkenntnisse gewinnen.

Deep Learning

Ein Untergebiet des maschinellen Lernens ist das Deep Learning, das künstliche neuronale Netze einsetzt, um komplexe Probleme zu lösen. Diese Netzwerke werden trainiert, um hierarchische Repräsentationen von Daten automatisch zu erlernen und dadurch komplexe Muster und Merkmale aus den Eingabedaten zu extrahieren.

Der Unterschied zwischen maschinellem Lernen und Deep Learning: Während Ersteres eine breitere Palette von Techniken umfasst – einschließlich Entscheidungsbäumen, Support Vector Machines und Clustering-Algorithmen –, bezieht sich Deep Learning speziell auf den Einsatz tiefer neuronaler Netzwerke mit mehreren Schichten.

So lassen sich komplexe, unstrukturierte und große Datenmengen zum Beispiel für die Text- und Bilderkennung erschließen.

Selbstüberwachtes Lernen

Auch das selbstüberwachte Lernen ist ein Teilaspekt des maschinellen Lernens. Diese quasi autonome Lernform nutzt neuronale Netze, die mit einer einfachen Voraufgabe trainiert wurden. Anschließend ist das Lernmodul imstande, ähnlich gelagerte, aber weitaus komplexere Fragestellungen zu klassifizieren und zu lösen.

Selbstüberwachtes Lernen zeichnet sich dadurch aus, dass es unabhängig von zuvor notierten Daten agieren kann. Es findet bereits breite Anwendung in der Bild-, Video- und Audioverarbeitung.