Künstliche Intelligenz (KI) vs. Maschinelles Lernen (ML): Wichtige Unterschiede und Beispiele

Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist ein weit gefasster Begriff, der sich auf Maschinen oder Computer bezieht, die Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern würden. Dazu gehören Aufgaben wie Problemlösung, Lernen, Planen, Sprachverständnis, Mustererkennung und Wahrnehmung. KI ist im Wesentlichen die Wissenschaft, Maschinen zu trainieren, menschliches Verhalten und menschliche Intelligenz nachzuahmen.

KI lässt sich in zwei Haupttypen unterteilen: schwache KI und allgemeine KI. Schwache KI ist für die Ausführung einer bestimmten Aufgabe, wie beispielsweise Spracherkennung, konzipiert. Sie arbeitet in einem begrenzten Kontext und ist für die jeweilige Aufgabe hochkompetent. Allgemeine KI hingegen kann im besten Fall alle intellektuellen Aufgaben erfüllen, die ein Mensch bewältigen kann. Sie ist in der Lage, Wissen in verschiedenen Bereichen zu verstehen, zu lernen, anzupassen und umzusetzen.

Das ultimative Ziel der KI ist die Entwicklung von Maschinen, die autonom und intelligent ohne menschliches Eingreifen funktionieren. Der Höhepunkt der KI-Entwicklung ist die Schaffung intelligenter Agenten, also Systeme, die ihre Umgebung wahrnehmen und selbstständig handeln, um menschliche Ziele zu erreichen.

Was ist Maschinelles Lernen (ML)?

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz und konzentriert sich auf die Entwicklung von Computerprogrammen, die aus neuen Daten lernen und sich an diese anpassen können, ohne dafür explizit programmiert zu sein. Anders ausgedrückt: ML ist eine Methode, Algorithmen mit Daten zu füttern und sie zu trainieren, auf der Grundlage dieser Daten Entscheidungen zu treffen.

Es gibt drei Haupttypen von Algorithmen für maschinelles Lernen:

• Überwachtes Lernen: Dabei wird das Modell mithilfe gekennzeichneter Daten, auch als Ground Truth bezeichnet, trainiert.
• Unüberwachtes Lernen: Dabei wird das Modell mit Daten trainiert, die weder klassifiziert noch gekennzeichnet sind, sodass die Maschine ohne Anleitung auf die Daten reagieren kann.
• Bestärkendes Lernen: Dabei wird das Modell trainiert, bestimmte Entscheidungen zu treffen, indem es aus seinen vergangenen Erfahrungen lernt, es für Erfolge belohnt und für Misserfolge bestraft.

Tipps vom Experten

Steve Moore ist Vice President und Chief Security Strategist bei Exabeam. Er entwickelt Lösungen zur Bedrohungserkennung und berät Kunden zu Sicherheitsprogrammen und der Reaktion auf Sicherheitsverletzungen. Er ist Moderator des „The New CISO Podcast“, Mitglied des Forbes Tech Council und Mitbegründer von TEN18 bei Exabeam.

Meiner Erfahrung nach sind hier einige fortgeschrittene Tipps für die effektive Nutzung von KI- und ML-Technologien, insbesondere im Sicherheitsbereich:

Stellen Sie synthetische Daten bereit, um ML-Modelle sicher zu trainieren
Generieren Sie synthetische Datensätze zum Trainieren von KI-Modellen, wenn sensible oder proprietäre Daten nicht verwendet werden können. Dies gewährleistet die Einhaltung von Datenschutzbestimmungen und sorgt gleichzeitig für robuste Trainingspipelines.

Implementieren Sie hybride KI-ML-Systeme für eine mehrschichtige Verteidigung
Kombinieren Sie traditionelle regelbasierte KI mit fortschrittlichen ML-Modellen, um ein Hybridsystem zu erstellen. Regelbasierte KI kann bekannte Bedrohungen mit klaren Mustern verarbeiten, während ML Anomalien und Zero-Day-Bedrohungen erkennt und so eine umfassende Abdeckung bietet.

Fokus auf die Robustheit gegenüber Angriffen in ML-Modellen
Entwerfen Sie ML-Modelle, die Angriffen wie Datenvergiftung oder Datenevasion standhalten. Techniken wie Adversarial Training, Gradientenmaskierung und defensive Destillation können die Widerstandsfähigkeit Ihrer Modelle erhöhen.

Nutzen Sie Transferlernen, um die KI-Bereitstellung zu beschleunigen
Wenden Sie vortrainierte Modelle (z. B. aus großen Datensätzen wie ImageNet für Vision oder GPT für NLP) auf Ihre domänenspezifischen Probleme an. Dieser Ansatz reduziert Entwicklungszeit und Rechenaufwand und verbessert gleichzeitig die Genauigkeit.

Integrieren Sie Erklärbarkeitstools in KI-gesteuerte Sicherheitssysteme
Verwenden Sie Tools wie SHAP (SHapley Additive ExPlanations) oder LIME (Local Interpretable Model-Agnostic Explanations), um KI-Entscheidungen zu interpretieren. Dies ist entscheidend für die Begründung von Warnmeldungen und die Einhaltung gesetzlicher Vorschriften in Sicherheits-Workflows.

Wie hängen KI und ML zusammen?

KI und ML sind miteinander verbundene Bereiche. Während KI das umfassendere Konzept von Maschinen beschreibt, die Aufgaben auf eine Weise ausführen können, die Menschen als intelligent bezeichnen würden, ist ML eine Anwendung oder Teilmenge der KI, die es Maschinen ermöglicht, aus Daten zu lernen.

Maschinelles Lernen ist das Mittel, mit dem wir künstliche Intelligenz erreichen können. Dieser Prozess ist die Grundlage vieler Dienste, die wir täglich nutzen – Empfehlungssysteme wie die von Netflix, YouTube und Spotify, Suchmaschinen wie Google und Baidu, Social-Media-Feeds wie Facebook und Instagram sowie Chatbots wie ChatGPT und Google Bard. Ziel ist die Entwicklung von Maschinen, die ihr Verhalten anpassen können, ohne explizit für eine bestimmte Aufgabe programmiert zu werden.

Maschinelles Lernen ist ein Bereich der KI, der leistungsstarke und praktische Lösungen für vielfältige Anwendungen bietet. Doch KI umfasst mehr als nur ML; sie umfasst umfassendere Aspekte wie Bereitstellung und Betrieb (auch bekannt als MLOps), Governance, Erklärbarkeit (die Fähigkeit, die Entscheidung eines KI-Systems zu erklären oder zu begründen), Sicherheit und die allgemeinen Auswirkungen von KI-Systemen auf den Einzelnen und die Gesellschaft im Allgemeinen.

KI vs. ML: Wichtige Unterschiede

1. Ziele

Das Hauptziel der KI besteht darin, Systeme zu schaffen, die intelligent und unabhängig funktionieren. KI soll unser Leben erleichtern, indem sie Aufgaben automatisiert, die menschliche Intelligenz erfordern.

Das Hauptziel von ML besteht darin, Maschinen das Lernen aus Daten zu ermöglichen, sodass sie genaue Vorhersagen treffen oder Entscheidungen treffen können, ohne explizit für die Ausführung der Aufgabe programmiert zu werden.

2. Technologien

KI-Technologien umfassen ein breites Spektrum an Werkzeugen, darunter Expertensysteme, natürliche Sprachverarbeitung (NLP), Robotik und neuronale Netzwerke. Diese Technologien ermöglichen es KI-Systemen, komplexe Daten zu interpretieren und darauf zu reagieren, Entscheidungen zu automatisieren und menschenähnliche Interaktionen zu simulieren. So kann beispielsweise die Kombination von Robotik und KI-Algorithmen zu autonomen Maschinen führen, die Aufgaben in unterschiedlichsten Umgebungen ausführen können.

ML-Technologien konzentrieren sich hauptsächlich auf Algorithmen und statistische Modelle. Zu den wichtigsten ML-Technologien zählen Entscheidungsbäume, Klassifikatoren und neuronale Netzwerke. Deep Learning, eine Teilmenge von ML, nutzt geschichtete neuronale Netzwerke zur Analyse großer Datensätze, wodurch Maschinen präzise Vorhersagen treffen oder komplexe Muster erkennen können. Diese ML-Technologien sind entscheidend für Aufgaben wie Bilderkennung, Spracherkennung und prädiktive Analytik, bei denen das System aus riesigen Datenmengen lernt, um bestimmte Aufgaben im Laufe der Zeit effizienter auszuführen.

3. Voraussetzungen

KI-Systeme erfordern ein umfassendes Verständnis des jeweiligen Anwendungsbereichs sowie eine robuste Infrastruktur zur Unterstützung komplexer Berechnungen und Datenverarbeitung. Um menschliche Intelligenz und Entscheidungsprozesse effektiv nachzubilden, benötigen diese Systeme häufig erhebliche Rechenleistung, ausgefeilte Algorithmen und große Datensätze. Darüber hinaus erfordert die KI-Entwicklung einen interdisziplinären Ansatz, der Erkenntnisse aus Bereichen wie Psychologie, Neurowissenschaften und Linguistik integriert.

ML erfordert fokussiertere Voraussetzungen, die sich hauptsächlich um Daten drehen. Qualität, Quantität und Relevanz der Daten sind entscheidend, da die Algorithmen direkt aus den eingegebenen Daten lernen. Umfangreiche und gut annotierte Datensätze sind daher für das Training präziser ML-Modelle unerlässlich. Darüber hinaus basiert ML stark auf statistischen Methoden und Analysen und erfordert daher Kenntnisse in Bereichen wie Wahrscheinlichkeitsrechnung, Statistik und Datenanalyse. Die Hardwareanforderungen für ML können je nach Komplexität der Aufgaben variieren und reichen von PCs für einfache Modelle bis hin zu Tausenden leistungsstarken Servern für einige Deep-Learning-Anwendungen.

4. Fähigkeiten und Fachwissen

Die in KI und ML erforderlichen Fähigkeiten und Fachkenntnisse spiegeln die technische und konzeptionelle Komplexität dieser Bereiche wider. KI-Experten benötigen ein breites Spektrum an Fähigkeiten, darunter Programmierkenntnisse (in Sprachen wie Python, R oder Java), ein tiefes Verständnis von Algorithmen und Datenstrukturen, Kenntnisse neuronaler Netzwerke sowie Vertrautheit mit KI-Frameworks und -Tools. Darüber hinaus sind Soft Skills wie Problemlösungskompetenz, kritisches Denken und Kreativität unerlässlich, da die KI-Entwicklung häufig die Entwicklung von Systemen beinhaltet, die komplexe menschliche Verhaltensweisen und kognitive Prozesse nachbilden.

Im Gegensatz dazu konzentriert sich ML-Expertise eher auf datenzentrierte Fähigkeiten. Dazu gehören Kenntnisse in statistischer Analyse, Data Mining und Datenverarbeitung. ML-Experten sollten mit ML-Frameworks und -Bibliotheken wie TensorFlow, Keras oder scikit-learn vertraut sein. Sie müssen außerdem verschiedene ML-Algorithmen und deren entsprechende Anwendungen verstehen. Praktische Erfahrung im Umgang mit großen Datensätzen und der Durchführung von Experimenten zur Verfeinerung von ML-Modellen ist ebenfalls entscheidend. Ein Verständnis der ethischen Implikationen und Vorurteile, die ML-Daten und -Algorithmen innewohnen, wird in diesem Bereich zunehmend als unerlässlich anerkannt.

Wie passen generative KI und große Sprachmodelle zusammen?

Generative KI ist eine Kategorie innerhalb der KI, die sich auf die Erstellung neuer Inhalte wie Texte, Bilder oder Musik konzentriert, die von Menschen erstellten Inhalten ähneln. Large Language Models (LLMs) wie Googles Bard- oder Gemini-Serie sind ein Paradebeispiel für generative KI. Diese Modelle verarbeiten riesige Mengen an Textdaten und generieren Inhalte, die den menschlichen Schreibstil nachahmen und auf hochdifferenzierte Anweisungen in natürlicher Sprache reagieren können.

LLMs werden heute häufig für Aufgaben wie die Erstellung von Inhalten, die Übersetzung von Sprachen und die Generierung realistischer Dialoge für Chatbots eingesetzt. Die Effektivität von LLMs liegt in ihrer Fähigkeit, Texte kontextbezogen zu verstehen und zu generieren. Dies macht sie für eine Vielzahl von Anwendungen wertvoll, darunter Bildung, Kundenservice und Inhaltsmoderation.

Generative KI geht über die Textgenerierung hinaus. In der bildenden Kunst beispielsweise können Generative Adversarial Networks (GANs) äußerst realistische Bilder und sogar Kunstwerke erzeugen. In diesen Systemen konkurrieren zwei neuronale Netzwerke in einem Nullsummenspiel miteinander, bei dem der Gewinn eines Agenten der Verlust eines anderen Agenten ist. Dadurch können neue, synthetische Dateninstanzen generiert werden, die als reale Daten durchgehen können.

Diese Fähigkeit ist entscheidend für Anwendungen wie Virtual Reality, Spieleentwicklung und die Generierung von Trainingsdaten für andere KI-Modelle. Die Anpassungsfähigkeit und das kreative Potenzial der generativen KI machen sie zu einer sich schnell entwickelnden Innovation im KI-Bereich und erweitern die Grenzen dessen, was Maschinen erschaffen können und wie sie in kreativen Prozessen mit Menschen zusammenarbeiten können.

Gängige Beispiele für KI und ML

KI-Systeme verbessern das menschliche Leben

• Fertigungsroboter: Diese Roboter automatisieren repetitive und körperlich anstrengende Aufgaben in Fabriken. Ausgestattet mit KI können sie Produktionsprozesse optimieren, Präzision und Qualität verbessern und sich durch ML und Sensordatenanalyse an unterschiedliche Aufgaben anpassen.
• Selbstfahrende Autos: Dank künstlicher Intelligenz können diese Fahrzeuge Sensordaten interpretieren, Entscheidungen in Echtzeit treffen und aus neuen Fahrszenarien lernen. Diese Technologie soll Unfälle reduzieren, den Verkehrsfluss verbessern und Mobilitätslösungen für Menschen bieten, die nicht selbst fahren können.
• Große Sprachmodelle (LLMs): LLMs wie ChatGPT von OpenAI und Bard von Google verarbeiten und generieren menschenähnlichen Text und ermöglichen so Anwendungen wie virtuelle Assistenten, Content-Erstellung, Sprachübersetzung und Informationsabruf. Sie lernen aus riesigen Textdatensätzen, um Kontexte zu verstehen, Anfragen zu beantworten und sogar Konversationen zu simulieren.
• KI-gesteuertes Gesundheitsmanagement: KI im Gesundheitswesen umfasst prädiktive Analysen für die Patientenversorgung, personalisierte Medizin und medizinische Bildanalyse. Diese Systeme können Muster in Patientendaten erkennen, bei der Frühdiagnose helfen und Behandlungspläne optimieren.
• Automatisierte Finanzinvestitionen: KI-Systeme analysieren Markttrends, prognostizieren Aktienkurse und verwalten Portfolios. Sie nutzen historische Daten und maschinelles Lernen, um fundierte Anlageentscheidungen zu treffen und bieten Anlegern personalisierte Beratung und automatisierten Handel.

Gängige Algorithmen für maschinelles Lernen

• Lineare/logistische Regression: Wird zur Vorhersage eines kontinuierlichen Ergebnisses (linear) oder eines kategorischen Ergebnisses (logistisch) verwendet. Diese Algorithmen modellieren die Beziehung zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen.
• Entscheidungsbäume: Eine flussdiagrammähnliche Struktur, bei der jeder interne Knoten einen Test eines Attributs, jeder Zweig das Testergebnis und jeder Blattknoten eine Klassenbezeichnung darstellt. Nützlich für Klassifizierungs- und Regressionsaufgaben.
• Random Forest: Ein Ensemble-Lernverfahren, das zur Trainingszeit eine Vielzahl von Entscheidungsbäumen konstruiert und den Modus der Klassen (Klassifikation) bzw. die mittlere Vorhersage (Regression) der einzelnen Bäume ausgibt.
• Convolutional Neural Networks (CNNs): Diese Netzwerke werden hauptsächlich in der Bildverarbeitung eingesetzt. Sie nutzen eine mathematische Operation namens Faltung und haben sich bei Aufgaben der Bilderkennung, Klassifizierung und Objekterkennung bewährt.
• Transformers: Eine Deep-Learning-Architektur, die für die Verarbeitung sequenzieller Daten entwickelt wurde. Im Gegensatz zu früheren Modellen ist jedoch keine sequenzielle Datenverarbeitung erforderlich. Transformers haben bei NLP-Aufgaben hochmoderne Ergebnisse erzielt.

KI vs. maschinelles Lernen: Wann sollte man es einsetzen?

Die Wahl zwischen einem vollständigen KI-System und einem ML-Modell hängt von den spezifischen Anforderungen und Zielen eines Projekts ab. Während KI ein breiteres Spektrum an Technologien und Anwendungen umfasst, bietet ML spezifische Techniken zur Datenanalyse und Mustererkennung mit Wahrscheinlichkeitsberechnungen.

KI eignet sich am besten, wenn es darum geht, ein System zu entwickeln, das menschliche kognitive Funktionen simuliert. Sie eignet sich ideal für Aufgaben, die komplexe Entscheidungsfindung, Problemlösung und Lernfähigkeiten erfordern. Vollständige KI-Systeme werden beispielsweise benötigt, um interaktive Chatbots zu entwickeln, die menschliche Sprache verstehen und darauf reagieren, autonome Fahrzeuge, die sich in dynamischen Umgebungen zurechtfinden und anpassen müssen, und intelligente Empfehlungssysteme, die Inhalte auf einzelne Benutzer zuschneiden. KI wird auch zur Entwicklung von Systemen eingesetzt, die einen Mix verschiedener Technologien wie NLP, Robotik und Computer Vision erfordern, um der menschlichen Intelligenz zu ähneln.

ML-Modelle eignen sich besser, wenn das Hauptziel darin besteht, große Datensätze zu analysieren und darauf basierend Vorhersagen oder Klassifizierungen zu treffen. ML ist besonders effektiv in Szenarien, in denen Muster oder Trends erkannt werden müssen, die für Menschen nicht sofort erkennbar sind. Dazu gehören Anwendungen wie die Betrugserkennung bei Finanztransaktionen, bei denen ML-Algorithmen lernen können, verdächtige Muster zu erkennen, oder im Gesundheitswesen, wo ML-Modelle Patientenergebnisse anhand historischer Daten vorhersagen können. ML wird auch häufig in Bereichen wie Spracherkennung, Bildklassifizierung und prädiktiver Analytik eingesetzt, wo Systeme aus großen Datenmengen lernen, um ihre Genauigkeit im Laufe der Zeit zu verbessern.

KI und maschinelles Lernen: Wie sie die Sicherheit unterstützen

KI und ML haben den Sicherheitsansatz von Unternehmen maßgeblich beeinflusst. Mithilfe dieser Technologien können Sie potenzielle Bedrohungen proaktiv erkennen und eindämmen, bevor sie Schaden anrichten. KI und ML tragen dazu bei, die Genauigkeit der Bedrohungserkennung zu verbessern, Reaktionszeiten zu verkürzen und die Abhängigkeit von menschlichem Eingreifen zu verringern.

Musterabgleich und ML: Kerntechnologien für UEBA

Systeme zur Analyse des Benutzer- und Entitätsverhaltens (UEBA) nutzen Musterabgleich und ML, um potenzielle Sicherheitsbedrohungen zu identifizieren. Diese Systeme überwachen kontinuierlich das Benutzer- und Entitätsverhalten und verwenden ML-Algorithmen, um ein normales Verhaltensmuster zu ermitteln. Eine signifikante Abweichung von diesem etablierten Muster wird als potenzielle Sicherheitsbedrohung gekennzeichnet.

Beim Musterabgleich in UEBA wird das aktuelle Benutzer- oder Entitätsverhalten mit dem etablierten Normalmuster verglichen. Dies ist eine komplexe Aufgabe, da große Datenmengen verarbeitet werden müssen. Mithilfe von ML-Algorithmen wird diese Aufgabe jedoch überschaubar und effizient. ML-Algorithmen können große Datenmengen in kurzer Zeit verarbeiten und Muster identifizieren, die für Menschen möglicherweise nicht erkennbar sind.

NLP und Übersetzungsmaschinen

NLP, Übersetzungsmaschinen und Textmustererkennung spielen eine entscheidende Rolle bei der Analyse textbasierter Daten auf potenzielle Sicherheitsbedrohungen.

NLP ermöglicht es Maschinen, menschliche Sprache zu verstehen und zu interpretieren. Im Sicherheitskontext kann es eingesetzt werden, um Textdaten wie E-Mails, über Netzwerke übertragene Daten und Protokolldaten auf potenzielle Bedrohungen zu analysieren. Beispielsweise kann es helfen, Phishing-E-Mails durch die Analyse der darin verwendeten Sprache zu identifizieren.

Generative KI und LLMs

LLMs sind die Weiterentwicklung traditioneller NLP-Modelle und haben in den letzten Jahren enorme Fortschritte gemacht. LLMs sind in der Lage, Muster in Texten auf einem Niveau zu verstehen und zu replizieren, das der menschlichen Leistungsfähigkeit entspricht. Das bedeutet, dass sie auch zur Analyse von Mustern in Cyberbedrohungen, zum Lesen der Dokumentation von Sicherheitstools und zum Generieren erweiterter Abfragen für Sicherheitssysteme eingesetzt werden können.

Ein LLM, der anhand historischer Cybersicherheitsdaten geschult wurde, kann gängige Muster und Trends erkennen und Bedrohungen anhand unbekannter Daten vorhersagen. Dies kann Sicherheitsanalysten helfen, Bedrohungen im Voraus zu antizipieren und den Wert von Sicherheitstools zu maximieren.

KI in Exabeam Sicherheitslösungen

Die Exabeam Security Operations Platform nutzt KI und Automatisierung für Sicherheitsabläufe und bietet so einen ganzheitlichen Ansatz zur Bekämpfung von Cyberbedrohungen. Sie ermöglicht die effektivste Erkennung, Untersuchung und Reaktion auf Bedrohungen (TDIR). KI-gesteuerte Erkennungen identifizieren hochriskante Bedrohungen, indem sie das normale Verhalten von Benutzern und Entitäten erlernen und Bedrohungen mit kontextbezogener Risikobewertung priorisieren, um eine schnellere, genauere und konsistentere TDIR zu erreichen.

KI- und ML-Tools der Exabeam Plattform ermöglichen Sicherheitsteams schnellere und präzisere Untersuchungen und Reaktionen. Exabeam ergänzt TDIR-Workflows mit KI, um Analysten zu helfen, ihre Fähigkeiten zu verbessern und Aufgaben für gezielte und konsistente Untersuchungen und Reaktionen zu automatisieren.