Maschinelles Lernen (ML) vs. Künstliche Intelligenz (KI) - Was ist der Unterschied?
wer interessiert sich für den Unterschied zwischen künstlicher Intelligenz und maschinellem Lernen?
Ehrlich gesagt, interessierte mich das wenig, und ich sah keinen Grund, meine Zeit damit zu verschwenden, etwas herauszufinden, das mit Sicherheit eine unbedeutende und nutzlose Kleinigkeit sein würde.
Als ich mich näher mit dem Thema befasste, stellte sich heraus, dass meine vorgefasste Meinung völlig falsch war.
An diesem Punkt ist es ziemlich klar, dass KI ist die Zukunft also sollte es einleuchtend sein, dass es gut ist, wenn man sich in diesem Bereich auskennt. Umgekehrt ist Unwissenheit eine schlechte Sache.
Um uns auf eine Realität vorzubereiten, die von diesen Technologien überschwemmt wird, ist es an der Zeit, dass wir sicherstellen, dass wir die grundlagen der KI
- eine der zentralen Kräfte, die unsere Gesellschaft umgestalten werden.
Das Verständnis der Unterschiede zwischen diesen Begriffen und in der Erweiterung das Verständnis des Umfangs dessen, was sie mit sich bringen, schafft sofortige Klarheit und die Fähigkeit, die uns zur Verfügung stehenden tools besser einzusetzen. Kurz gesagt: Information ist Macht.
Also... lasst uns anfangen!
Was ist der Unterschied zwischen ML und KI?
Ganz allgemein gesprochen, künstliche Intelligenz ist eine Maschine, die in der Lage ist, einige Merkmale oder Formulare der menschlichen Intelligenz aufzuweisen.
Da diese Definition sehr weit gefasst ist, schließt sie alles ein, vom einfachen maschinellen Lernen (das kurz erklärt wird) bis hin zum empfindungsfähigen Roboter-Overlord.
Daher ist es ratsam, zunächst einige Schlüsselunterschiede zwischen künstlicher Intelligenz und maschinellem Lernen zu definieren.
Da der Begriff der künstlichen Intelligenz am weitesten gefasst ist, ist es an der Zeit, genauer zu werden.
Lassen Sie uns über maschinelles Lernen und Deep Learning sprechen.
Werfen wir zunächst einen kurzen Blick auf die Beziehungen zwischen all diesen Konzepten.
Im Kern ist das maschinelle Lernen einfach ein "Vorhersagemodell". Es hat (a) Daten, aus denen es lernt, und (b) einen Algorithmus, der das eigentliche Lernen erledigt.
Der Algorithmus ist nur eine Reihe von Regeln, die dem Code sagen, was zu erwarten ist (Daten über X oder Y) und was er damit zu erledigen hat.
Die Qualität eines Algorithmus für maschinelles Lernen ist alles, was über seinen Nutzen entscheidet. Wenn die Regeln unlogisch oder stark limitierend sind, kann er keine nützlichen Erkenntnisse liefern.
Es ist leicht, sich von der überwältigenden technischen Tiefe dieses Feldes einschüchtern zu lassen - Entscheidungsbäume, Reinforcement Learning und Bayes'sche Netze sind nur einige von vielen Bereichen -, aber Sie werden gut zurechtkommen, wenn Sie sich dies einfach merken:
Maschinelles Lernen ist im Grunde nur eine Reihe von Regeln, wie man aus eingehenden Daten einen Sinn macht.
Wenn Sie ein Tool entwickeln wollen, das GPS-Routen lernt, um Autofahrern zu helfen, muss es die Gesetze für Einbahnstraßen kennen. Andernfalls könnte es anfangen, wirklich schnelle Routen zu lernen, die nicht ganz so bequem sind, wie sie zunächst scheinen.
Wenn die Regeln jedoch ein tiefes und nuanciertes Verständnis aller beteiligten Variablen widerspiegeln, kann maschinelles Lernen das scheinbar Unmögliche zu erledigen.
Präzise Zeitschätzungen gehören traditionell zu den schwierigsten Aufgaben eines Projektmanagers. Viele sind jedoch überrascht, dass Maschinen in der Lage sind, eine vergleichbare Leistung zu erbringen. ClickUp testet derzeit ML-Funktionen mit mehreren unserer Benutzer, um vorherzusagen, welche Handlungen eine Person wahrscheinlich ausführen wird. Dies ermöglicht Vorhersagen von Aufgaben, die im Laufe der Zeit in der Lage sind, menschliche Eigenschaften, wie z. B. die subjektive Einschätzung von Aufgaben, mit ausreichender Genauigkeit zu imitieren, um äußerst nützlich zu sein.
Dieser Ansatz beschleunigt den Zyklus der Rückmeldung, und wir haben gesehen, wie Teams in nur wenigen Wochen von einer halbautomatischen zu einer vollautomatischen Limit-Aktion übergegangen sind. Einige Elemente, die unsere Algorithmen leisten können, sind:
- Vorhersage und Zuweisung von Aufgaben an die richtigen Mitglieder des Teams
- Automatisches Taggen von Benutzern in Kommentaren, die für sie relevant sind
- Visualisierung von Benachrichtigungen und Aktualisierungen auf der Grundlage ihrer Relevanz für einen bestimmten Benutzer
- Vorhersage und Bestimmung, wann Termine nicht eingehalten werden können, und Korrektur von Zeitschätzungen für Aufgaben.
bonus:_ *Kopieren von KI-Alternativen* Projektmanagement- und Produktivitätsplattformen unterliegen einem raschen Wandel, aber ML/AI ist definitiv ein Trend im Projektmanagement, der sich durchsetzen wird.
Es wird eine Frage der Zeit sein, bis wir vollständig verstehen, wie sich diese neuen Technologien auf das Projektmanagement auswirken werden, aber je schneller sich Ihr Geschäft anpasst, desto besser werden Ihre Mitglieder für den Projekterfolg gerüstet sein.
Wir glauben, dass die Zukunft denjenigen gehören wird, die am besten in der Lage sind, die sich bietenden Chancen zu nutzen, wobei ML und KI zu den unmittelbarsten gehören.