Bei der Machine Learning Week Europe hatte ich überraschenderweise mehrere Gespräche darüber, ob „Machine Learning“ noch der richtige Name für die Konferenz sei, weil es so viele Sessions über „KI“ gab. Ein Teilnehmer wandte sogar ein, dass KI überhaupt nicht ML sei. 🤯
Sein Argument: Bei ML geht es um Zahlen, bei KI aber um Sprache. Die Diskussion war schnell beendet. Erstens musste ich los, um den nächsten KI-Vortrag zu moderieren, sorry, ML-Vortrag. Zweitens hatte ich ein überzeugendes Gegenargument: Large Language Models verarbeiten keine Sprache, vielmehr übersetzen Embeddings Text in Vektoren und trainieren auf diesen Zahlen mithilfe von Deep Learning ein Vorhersagemodell, das wiederum ein Subtyp von ML ist.
Dennoch war in vielen Präsentationen und Diskussionen ein deutliches Bedürfnis spürbar, KI von ML abzugrenzen. Der Begriff „klassisches ML“ war sehr beliebt, also die „Old-School-Algorithmen“ versus die „neuen Kids auf dem Block“. Die „alten Hasen“ bezeichneten ihre bewährten Werkzeuge als „analytische KI“, um klarzumachen, dass es neben „generativer KI“ auch andere Formen von KI gibt. Allerdings ist generative KI analytische KI: Transformer analysieren (Trainings-)Daten.
Meine Meinung dazu: „KI“ war schon immer und ist noch immer ein Marketingbegriff, der alles und nichts sagt. Vor allem beschreibt er, worauf wir hoffen. „ML“ beschreibt, worauf wir hinarbeiten. Stand heute nutzt jede KI ML. KI ist datengetrieben und analytikgestützt. Das ist alles. Oder, wie Mathematiker sagen: „angewandte Statistik“.
Auf die Frage, ob KI = ML oder ML = KI, hatte Moderator Sebastian Wernicke in der Abschlussdiskussion die pragmatische Antwort: „Wen kümmert’s?“
Mehr gibt es in unserer exklusiven Data & AI Business Design Community.
Die Mitgliedschaft ist und bleibt kostenfrei.
