Künstliche Intelligenz: Terminologie

0

Um über das Thema „Künstliche Intelligenz“ angemessen sprechen zu können, ist es notwendig, die gebräuchlichen Terminologien zu kennen und unterscheiden zu können. Denn genauso wenig wie die menschliche Intelligenz, bei der es sich um ein kulturelles und nicht wertefreies Konstrukt handelt, existiert, gibt es die künstliche Intelligenz nicht.

Ganz allgemein beinhaltet Künstliche Intelligenz alle Stufen der Nachahmung des menschlichen Denkens, Lernens und Verhaltens.

Arten von KI

Eine „schwache KI“ liegt vor, wenn es sich um eine kontextgebundene Maschinenintelligenz handelt, die durch maschinelles Lernen trainiert wird. Sie kann in der Regel nur ein klar definiertes Problem lösen.

Eine „starke KI“ (oder generelle KI) basiert auf der Idee, dass künstliche Intelligenz menschliche Erkenntnis- und Handlungsmöglichkeiten erweitern, Bewusstsein erlangen, empfindungs- und transferfähig sein kann. Diese Art von künstlicher Intelligenz, die verschiedene Aufgaben bewältigen kann, existiert aktuell noch nicht.

Bei der „Super-KI“ handelt es sich um die Vorstellung einer dem Menschen überlegenen Maschinenintelligenz, die den Menschen ablösen könnte.

Auch wenn KI-Systeme heute schon in der Lage sind, ihre Algorithmen durch neu gewonnene Daten selbständig anzupassen, handelt es sich bei allem, was heute bereits existiert, lediglich um eine „schwache KI“, die für ein ganz bestimmtes Anwendungsfeld programmiert wurde. Deshalb können zum Beispiel auch die Roboter von Boston Dynamics nicht mit unerwarteten Situationen umgehen, und ganz autonom fahrende Autos sind auch jenseits ethischer Fragen noch Zukunftsmusik. Künstliche Intelligenz ist zum aktuellen Zeitpunkt also alles andere als intelligent. Von der „starken KI“ mit einem eigenen Bewusstsein oder gar einer „Super-KI“, wie wir sie aus Filmen kennen, sind wir noch weit entfernt und man darf auch nicht dem Trugschluss zum Opfer fallen, dass sich eine schwache KI zwangsläufig zu einer starken KI und dann zu einer Super-KI weiterentwickeln kann.

Maschinelles Lernen, neuronale Netze und Deep Learning

Maschinelles Lernen ist ganz allgemein die Fähigkeit von Maschinen, eine Aufgabe zu lernen, ohne für die Aufgabe programmiert zu sein. Es basiert auf Erkenntnissen aus den Neurowissenschaften und der Kognitionspsychologie und hat keinerlei Anspruch, biopsychosoziale Bezugssysteme zu verstehen, was in der Regel mit der menschlichen Intelligenz verbunden wird.

Ein Typ des maschinellen Lernens sind künstliche neuronale Netze, in denen Daten verarbeitet werden, um eine Entscheidung zu treffen und gegebenenfalls zu handeln. Dabei gilt jedoch das Prinzip des human in the loop, d.h. eine Handlung muss aktiv von einem Menschen genehmigt werden. Neuronale Netze bestehen aus mehreren Schichten von Neuronen, in denen ähnlich wie im Gehirn durch die Verarbeitung von Informationen Verbindungen hergestellt werden. Je mehr Neuronenschichten, desto tiefer das Netz.

Von Deep Learning spricht man, wenn in einem neuronalen Netzwerk mehr als drei Schichten, bzw. mehr als einer versteckten Ebene zwischen Eingabe und Ausgabe. Je mehr Schichten, desto größer die Abstraktionsfähigkeit, desto größer aber auch der Bedarf an Rechenleistung. Beispiele für Deep Learning ist die Erkennung von Tieren auf einem Foto oder die Analyse und Auswertung großer und unstrukturierter Datenmengen, also Big Data.

Von sogenannten Deep Convolutional Neural Networks verspricht man sich einen entscheidenden Fortschritt beim autonomen Fahren. Denn diese speziellen neuralen Netze sind dazu fähig, dynamische Szenen in Echtzeit zu analysieren und sie nach bestimmten Signalen abzutasten, sodass sie zusammen mit Wahrnehmungen von verschiedenen Sensoren das Gesamtbild verstehen und eine Reaktion wie eine Warnung oder die Aktivierung der Bremsen auslösen können.

Ein Generative Adversarial Network (GAN) liegt vor, wenn zwei neuronale Netze sich gegenseitig kontrollieren. Sie haben beide das gleiche Vorwissen aus Trainingsdaten und ein Agent generiert dann diesen Trainingsdaten ähnliche Inhalte, wird vom anderen Agenten korrigiert und passt seine Ausgabe an. So entstehen z.B. Deepfakes.

Neben neuronalen Netzen gibt es noch weitere Typen des maschinellen Lernens, wie z.B. Entscheidungsbäume und statistische Modelle.

Lernmethoden

Es gibt unterschiedliche Methoden des maschinellen Lernens.

Vom „überwachten Lernen“ (supervised learning) spricht man, wenn die Gesetzmäßigkeiten, anhand derer eine Maschine Gegenstände klassifiziert und Zusammenhänge erkennt, vom Menschen vorgegeben sind. Dies ist der Fall, wenn das System im Vorfeld mit Eingabemustern (z.B. Bildern oder Texten) und den zugehörigen Ausgabewerten trainiert wurde. Bei der Bilderkennung wird in der Eingabeschicht lediglich nach schwarzen Bildpunkten gesucht. In der oder den darauffolgenden Schicht(en) werden aus den Bildpunkten Linien gebildet. Je mehr Schichten, desto klarer wird das Bild für die Maschine. Anhand der Trainingsdaten wird dann in der Ausgabeschicht eine Aussage getroffen darüber, was auf dem Bild zu sehen ist. Dabei lernt das System stets dazu, indem es überprüft, ob das Ergebnis richtig war und sich bei einer falschen Entscheidung selbst optimiert.

Unter „unüberwachtem Lernen“ (unsupervised learning) versteht man, dass die Maschine die Gesetzmäßigkeiten, anhand derer sie Gegenstände klassifiziert oder Zusammenhänge erkennt, selbst definiert, d.h. den Eingabemustern beim Training kein Ausgabewert zugeordnet wird. Dies ist bei weitem weniger aufwendig und hat den Vorteil, dass große Datenmengen (Big Data) damit verarbeitet werden können. Zudem kann die Maschine gegebenenfalls Muster erkennen, die einem Menschen verborgen geblieben wären. Diese Art von Lernen wird u.a. in Form des sogenannten “selbstüberwachenden Lernen” (self-supervised learning) im Bereich von Sprach-KIs (Natural Language Processing) und Bild-KIs (computer vision) verwendet.

Bestärkendes Lernen“ (reinforced learning) liegt vor, wenn die Maschine selbständig Strategien entwickelt, um anhand von Belohnungen und Bestrafungen den Nutzen bzw. den Gewinn zu maximieren. Dies wird vor allem da eingesetzt, wo es darum geht, Spielregeln zu lernen.

Beim „Transferlernen“ (transfer learning) werden erlernte Fähigkeiten auf verwandte Probleme angewandt, wie zum Beispiel bei der Erkennung von Krankheiten durch KI.

„Imitierendes Lernen“ (imitation learning) wird mit Trainingsdatensätzen möglich, die von Menschen produziert wurden, z.B. wenn es um Bewegungen geht, die ein Roboter erlernen soll.

Das überwachte und das unüberwachte Lernen finden sehr häufig in Bereichen Anwendung, die wir im 21. Jahrhundert gar nicht wahrnehmen oder sehen (s. Anwendungsfelder von KI im Alltag à Link). Auch findet man einige interessante Beispiele für das überwachte Lernen im Bereich der Forschung: So der Schachcomputer Deep Blue (IBM), der 1997 den Schachweltmeister Garri Kasparow besiegte, und das Programm „AlphaGo“ (Google), das 2016 vier von fünf Partien gegen den südkoreanischen Go-Meister Lee Sedol gewann.

Der Algorithmus „AlphaGo Zero“ hingegen lernte 2017 anhand des bestärkenden Lernens, indem er gegen sich selbst antrat. Er schlug nicht nur seinen Vorgänger, sondern erlernte auch andere Spiele, wie z.B. Schach. Beobachter berichteten, dass er sehr aggressiv spielte.

Allen drei Forschungsprojekten war gemein, dass die erlernten Spiele eine begrenzte Anzahl von Spielzügen zuließen. Dies änderte Metas (früher Facebooks) Pokersoftware „Pluribus“ 2019, die teilweise erfolgreich menschliche Pokerspieler schlug. Allerdings beruht Poker teilweise auf nicht-rationalen Entscheidungen, was auch zu Niederlagen führte, während auf der anderen Seite für einen Menschen nicht ersichtlich rationale Manöver seitens der Software auch nicht ausblieben. Dennoch belegt die Fähigkeit der KI, rational zu denken, dass uns Menschen nicht die Rationalität von anderen Wesen unterscheidet. Vielmehr scheint die sehr einfach anmutende menschliche Fähigkeit der Wahrnehmung eine viel schwieriger zu simulierende und potenziell exklusiv menschliche Eigenschaft zu sein. Denn Wahrnehmung und letztendlich auch das, was wir als Intelligenz ansehen, ist vom Vorhandensein des menschlichen Körpers abhängig. Trotz der Tatsache, dass sich auch hier die Intelligenz nur auf den Spielekontext beschränkte, stellt die Software einen Meilenstein dar.

Dieser Text basiert auf einem ebenfalls von mir geschriebenen Text, der unter einer CC BY-SA-Lizenz auf der Seite des Landesmedienzentrums Baden-Württemberg veröffentlicht wurde. 

Bildquellen

Share.

Comments are closed.

Diese Website benutzt Cookies. Wenn Sie die Website weiter nutzen, wird davon ausgegangen, dass Sie einverstanden sind. Weiterlesen

Die Cookie-Einstellungen auf dieser Website sind auf "Cookies zulassen" eingestellt, um das beste Surferlebnis zu ermöglichen. Wenn du diese Website ohne Änderung der Cookie-Einstellungen verwendest oder auf "Akzeptieren" klickst, erklärst du sich damit einverstanden.

Schließen