Ohne ihn geht nichts in der KI. Eigentlich ist ein Algorithmus eine Vorschrift für Computer oder Computersysteme, mit welchen Rechenschritten eine Aufgabe zu lösen ist. Lernalgorithmen oder selbstlernende Algorithmen können diese Schritte selbst erarbeiten, wenn sie mit Beispieldaten trainiert werden, aus denen sie Muster ableiten können.

Das Futter für selbstlernende Algorithmen. Hier geht es um große Datenmengen mit vielfältigen Datentypen und Quellen. Entscheidend ist, mit welcher Geschwindigkeit die Daten anfallen und wie sich ihre Qualität bewerten lässt. Häufig geht es um größtenteils unstrukturierte Daten aus sozialen Netzwerken oder mobilen Geräten (im Internet of Things – IoT). Umso wichtiger ist die Verarbeitung, das heißt die Systeme, die in den Daten neue Muster und Zusammenhänge erkennen. Als Schlagwort wird „Big Data“ oft auch verwendet, um andere Dinge zu bezeichnen, unter anderem die zunehmende Überwachung der Menschen im Zuge der Vorratsdatenspeicherung.

Goldgräber in der KI machen die Daten erst wertvoll: hier geht es darum, neue Zusammenhänge und Muster in einer Datenmenge aufzuspüren. Damit lassen sich Empfehlungen für Entscheidungen geben oder Vorhersagen treffen. Hier kommen künstliche neuronale Netze zum Einsatz.

Aus Daten wird Wissen: Data Science erfasst den gesamten Prozess von der Sammlung der Daten und ihrer Aufbereitung über die Entwicklung von Modellen aus dem Datenpool durch maschinelles Lernen bis hin zur Anwendung der Modelle, um Vorhersagen zu treffen oder Entscheidungen vorzubereiten.

Maschinen müssen schlau gemacht werden, damit KI funktioniert. Beim Machine Learning geht es darum, dass Maschinen sinnvolle Ergebnisse entwickeln können, ohne dass der Lösungsweg in der Programmierung vorgegeben wurde. Algorithmen analysieren Beispieldaten und leiten daraus Modelle ab, die auf neue Daten angewendet werden können. Maschinelles Lernen mit großen, künstlichen neuronalen Netzen wird als Deep Learning bezeichnet.

Machine Learning für Fortgeschrittene: Deep Learning kann wesentlich komplexere Sachverhalte verarbeiten. Dafür zeigt man dem Algorithmus Bilder und die Information, was darauf zu sehen ist (Label oder Annotation genannt). Bei klassischem Machine Learning muss man die Bilder zuerst so transformieren, dass sie vom Computer verstanden werden.

Im Internet der Dinge sind Geräte, Fahrzeuge und Werkzeuge miteinander verknüpft. Die Maschinen tauschen Daten aus, die sie etwa über Sensoren gewonnen haben. Damit lassen sich Prozesse steuern oder Informationen gezielt abrufen.

Das Gehirn der KI. Wie im menschlichen Gehirn funktioniert das Lernen hier durch die Entwicklung neuer sowie das Lösen alter Verbindungen zwischen Neuronen. Diese sind natürlich ebenso virtuell wie die Synapsen.

Mit Predictive Analytics (Vorhersagende Analyse) werden historische Daten ausgewertet, um zukünftige Ereignisse vorherzusagen und entsprechend Prozesse zu steuern: zum Beispiel Verkehrsströme zur Planung von Straßen und zur Verkehrssteuerung, Wetterdaten zur Vorhersage von Unwettern, Winddaten für die Steuerung erneuerbarer Energien.