Künstliche Intelligenz (KI) / Artificial Intelligence (AI)

Marvin Minsky hat die wissenschaftliche Disziplin "künstliche Intelligenz" (KI) bzw. englisch "Artificial Intelligence" (AI) im Jahr 1956 erschaffen. Ursprünglich war damit die Nachbildung der menschlichen Intelligenz gemeint. Die Idee war, den Mensch zu ersetzen.
Inzwischen erzeugt die Vernetzung aller Geräte zunehmend mehr Daten, die sinnvoll verarbeitet werden müssen, um daraus Informationen abzuleiten und daraus Wissen generieren zu können. Deshalb versteht man heute unter künstlicher Intelligenz vielmehr die Erweiterung der menschlichen Intelligenz. Es geht also darum, den Mensch zu unterstützen und zu entlasten. Die künstliche Intelligenz ist demnach als ein Werkzeug oder eine Funktion zu verstehen.

Im Zusammenhang mit künstlicher Intelligenz spricht man eigentlich von "Cognitive Computing" oder auch "Data Science", wobei die Schlagwörter künstliche Intelligenz (KI), Machine Learning (ML) oder neuronale Netze gängiger sind.

Im Folgenden versuchen wir die verschiedenen Verfahren, die im Zusammenhang mit künstlicher Intelligenz stehen zu erläutern.

Wie funktioniert maschinelles Lernen?

Konzepte wie maschinelles Lernen und neuronale Netze folgen der Idee, dass sich Programme etwas selbstständig aneignen können ohne das jemals ein Programmierer Einfluss darauf nimmt. Im Gegensatz dazu steht bei der klassischen Programmierung ein Problem im Zentrum, das eine Software lösen soll.

Beispiel: Aus der Eingabe von Zahlen soll die Summe gebildet werden. Dafür gibt es einen Algorithmus mit dem man von der Eingabe zum gewünschten Ergebnis kommt. Aus der Erfahrungen der Vergangenheit ist dem Programmierer die dafür notwendige Formel bekannt, die er in einer beliebigen Programmiersprache abbilden kann. Dafür braucht man keine KI.

Es gibt allerdings komplizierte Aufgaben, die sich mit dem EVA-Prinzip (Eingabe-Verarbeitung-Ausgabe) und der klassischen Programmierung nicht darstellen lassen. Hier kann ein selbstlernender Algorithmen helfen, wenn das Rechenverfahren zum gewünschten Ziel unbekannt ist oder die Daten zu umfangreich sind.

Die Idee ist, dass beim maschinellen Lernen der Computer die optimale Formel findet, indem eine Software aus den vorgegebenen Daten lernt, welche Ausgabe bei welchen Eingabedaten zu erwarten ist. Über interne Einstellungen kann man sich den gewünschten Ergebnissen immer mehr annähert. Nach dem Lernvorgang (Training) ist die Software in der Lage, für eine noch nie gesehene Eingabe ein Ergebnis auszuwerfen (im Optimalfall).

Damit Programme selbständig Lernen, bedarf es großer Datenmengen, die als Erfahrungswerte dienen und die Grundlage bilden, auf der sich Zusammenhänge zwischen Eingabegrößen ermitteln lassen.

Beispiel für maschinelles Lernen: Schrifterkennung

Bei der Schrifterkennung bildet man über ein Zeichen eine Matrix aus z. B. 28 x 28 Feldern. Jedes Feld ist eine Eingabevariable, deren Farbe die Eingabe darstellt. Jede Eingabe beeinflusst also die Ausgabe.

Die Aufgabe besteht jetzt darin, zu ermitteln, zu welcher Klasse ein geschriebenes Zeichen gehört. Daher stuft man dies im maschinellen Lernen als Klassifizierungsproblem ein.

Damit der Algorithmus zur Schrifterkennung anwendbar ist, muss er trainiert werden. Er braucht sehr viele bereits kategorisierte geschriebene Zeichen. Nach einer bestimmten Anzahl von Lernschritten ist der Algorithmus in der Lage ein Zeichen in X von 100 Fällen als richtig zu erkennen. X muss in dem Fall sehr hoch sein, weil das in der Praxis sonst nicht zu gebrauchen ist.

Die Ausgabe entspricht der Wahrscheinlichkeit, dass es sich um eine bestimmte Ziffer handelt. Im einfachsten Fall kann man das beste Ergebnis als richtig annehmen, oder man prüft, welches das zweit- oder drittbeste Ergebnis gewesen wäre.
Das Ergebnis verbessert man dadurch, dass man das neuronale Netz länger trainiert oder neben der Wahrscheinlichkeit auch noch den Kontext berücksichtigt.

Neuronale Netze

Seit den 1950er-Jahren existiert der Begriff "neuronale Netze". Damals haben Forscher entdeckt, dass die Neuronen im Gehirn unterschiedlich gewichtete Eingabeimpulse bekommen und daraus einen Ausgabeimpuls erzeugen, der wieder anderen Neuronen als Eingabe dient. Computerwissenschaftler haben dann versucht, diesen Vorgang mit der damaligen Technik durch Matrixberechnungen nachzuprogrammieren.
Heute haben neuronale Netze nichts mehr mit der Hirnforschung zu tun. Übrig geblieben sind nur noch die Matrixberechnungen.

Während ein Mathematiker von einer Matrix spricht, ist das für einen Programmierer ein zweidimensionales Array. Vereinfacht ausgedrückt eine Tabelle mit zwei Spalten. In der KI spricht man von einem Tensor der Stufe zwei. Ein Array mit drei Dimensionen wäre ein Tensor der Stufe drei. Und so weiter.
Der Begriff "Tensor" bezeichnet ein mathematisches Objekt der linearen Algebra und Differenzialgeometrie.

Deep Learning

Aus Informatiksicht sind neuronale Netze nur eine Verkettung von Funktionen, deren Parameter sich über immer neue Eingabedaten anpassen lassen.
Unterscheiden muss man, dass wenn bei neuronalen Netzen immer mehr Operationen nacheinander folgen, dann heißt das "deep", wie bei "Deep Learning". Mittels Deep Learning können neuronale Netze aus mehr als hundert Ebenen bestehen. Verwenden die Netze stattdessen immer größere Matrizen, dann spricht man von "wide".

Deep Learning ist als Optimierungsmethoden für neuronale Netze zu verstehen. Hier geht es darum Vorhersageanalysetechniken, Diagnostik und Empfehlungen zu verbessern. Training, Inferenz (Anwendung) und Anpassung des Modells sind die Schritte, die Deep Learning mit neuronalen Netzen so aufwendig machen. Allein schon das Training erfordert die Auswertung großer Datenmengen. Die Parallelisierung dieser Arbeitsschritte ist der einzige Weg, um Deep Learning effizient zu bewältigen.

Konkrete Anwendungen und Einsatzgebiete

  • Spracherkennung und Sprachausgabe
  • Bild- und Gesichtserkennung
  • Übersetzung
  • Textanalyse nach Schlüsselwörtern
  • Wetter- und Klimavorhersage
  • Präzisionsmedizin für personalisierte Diagnosen, Therapien und Medikamente
  • Betrugserkennung und Risikomanagement
  • realitätsgetreue Animationen und VR-Anwendungen
  • Filme in Echtzeit editieren und rendern lassen
  • Auffinden unbekannter Zusammenhänge
  • neues Wissen in bestehenden Daten entdecken

Anwendung: Spracherkennung

Was man allgemein als Spracherkennung bezeichnet ist in der KI die Verarbeitung natürlicher Sprache (NLP, Natural Language Processing). Hier unterscheidet man ganz grob zwischen der Spracherkennung und -ausgabe (Speech) und dem Sprachverständnis (Language).

Dienste zur Spracherkennung und -ausgabe umfassen Chat- und Sprachbots oder digitale Assistenten, die sich mit einzelnen Kommandos oder Sätzen steuern lassen.

Bei Diensten zum Sprachverständnis muss die KI die Absicht des Sprechers oder Texters erkennen. Also das Gesagte oder Geschriebene in einen Kontext einordnen. Das ist notwendig, wenn eine Konversation über mehrere Stufen hinweg geführt werden soll.

Anwendung: Bild- und Gesichtserkennung

Bei der Bilderkennung und -verarbeitung geht es um das Interpretieren von Inhalten in visuellem Material.
Die maschinelle Bild- und Mustererkennung dient dem Erkennen von Gegenständen und Gesichtern, um unerwünschte Inhalte zu sperren oder Personen zu überwachen.

Anwendung: Autonomes Fahren

Beim autonomen Fahren geht es hauptsächlich um die Umgebungserkennung. Gefährliche Verkehrssituationen sind zum Glück selten, müssen aber zweifelsfrei erkannt werden. Leider folgen solche Situation keinem festen Muster, was kein ideales Umfeld für die KI ist.
Besonders Fälle, in denen Verkehrsregeln gebrochen werden müssen, bspw. wenn eine durchgezogene Linie ausnahmsweise überfahren werden muss, sind hohe Hürden.

Die Grenzen der künstlichen Intelligenz

Die Grenzen der künstlichen Intelligenz sind schnell erreicht und damit unterliegen die Verfahren einer eingeschränkten Anwendbarkeit.
So ein neuronales Netz lernt nur das, was in den Trainingsdaten enthalten ist, ohne dabei die allgemeinen Muster zu verstehen. Ein neuronales Netz verhält sich wie ein Schüler oder Student, der nur das lernt, was gerade sein muss.

Außerdem deckt die Anwendung von KI nur die Vergangenheit ab. Wenn in Zukunft etwas völlig neues passiert oder erzeugt werden soll, dann versagt die KI an dieser Stelle.
Denkbar wäre, dass man mit künstlicher Intelligenz einen Nummer-1-Hit komponiert oder sogar einen Bestseller schreiben lässt. Im Prinzip kann jeder, der sich ein wenig mit Computern und Musiksoftware auskennt, auch mit künstlicher Intelligenz Musik produzieren.
Dazu müssen die Algorithmen nur mit den entsprechenden Stilrichtungen gefüttert werden, die daraus ähnliche Sounds produzieren. Dabei entsteht aber nur etwas neues aus etwas bekanntem, dass natürlich Ähnlichkeit mit einem bestimmten Künstler oder einer Stilrichtung hat. Die KI kann keinen eigenen Stil erfinden.

Ein weitere Einschränkung tritt in dem Fall auf, wenn die KI einen Fehler macht oder nicht funktioniert. Bei einer traditionell programmierten Software haben wir am Ende einen Quellcode. Wenn die Software einen Fehler macht, dann kann man nachschauen welcher Teil des Quellcodes dafür verantwortlich ist und dann kann man das sofort reparieren. Der Fehler ist dann behoben.
Bei Machine-Learning-Verfahren ist das nicht so. Hier wird zum Beispiel ein neuronales Netz trainiert. Wenn das später nicht hinreichend gut funktioniert, dann kann man das nicht reparieren. Man kann nur weiter trainieren, was aber auch dazu führen kann, dass bereits erlerntes entlernt wird.

Ein weitere Einschränkung tritt dann auf, wenn ein neuronales Netz irgendetwas besonders gut kann. Nur kann man das nicht erklären, warum das so ist.
Das heißt, wir bewegen uns auf eine Zukunft zu, in der wir von Maschinen umgeben sind, die wir nicht verstehen und deshalb auch nicht vertrauen können. Wenn wir eine Software haben, die auf einem neuronalen Netz basiert, nicht funktioniert, dann muss die Software im Zweifelsfall neu geschrieben werden, weil eine Korrektur des neuronalen Netzes nicht möglich ist.

Fazit zur künstlichen Intelligenz

Seit es technische Vorrichtungen, Maschinen und Computer gibt geht die Angst um, dass der Mensch zuerst verdrängt und dann ersetzt wird. Besonders wenn es um Arbeitsplätze geht kann die Einführung von KI die Mitarbeiter in einem Unternehmen in Angst und Schrecken versetzen. Unabhängig davon, ob das wirklich so kommt, Mensch und Maschine sind ungleiche Gegner und deshalb nicht vergleichbar. Einzelne Tätigkeiten, die der Mensch verrichtet, können durch Computer und damit durch KI ersetzt werden. Meist sind das stupide sich immer wieder wiederholende Tätigkeiten, die zwangsläufig irgendwann automatisiert werden.

KI ist immer dann gut, wenn gut trainierte neuronale Netze auf eine möglichst enge Aufgabenstellung treffen.

Weitere verwandte Themen:

Teilen:

Computertechnik-Fibel

Die Computertechnik-Fibel, das Computer-Buch

Das will ich haben!