Was ist eigentlich Künstliche Intelligenz?

Was ist eigentlich Künstliche Intelligenz?

Was ist eigentlich Künstliche Intelligenz und was hat Machine Learning damit zutun?

Unglücklicherweise ist es so, dass viele Technologie-Firmen sehr viel versprechen. Es passiert sogar nicht selten das Firmen sagen, dass sie Künstliche Intelligenz (K.I.) verwenden, es aber entweder nicht so machen wie sie es versprechen oder zum Teil auch gar nicht einsetzen. Das große Problem ist immer wieder das Gleiche: Firmen verwenden moderne Buzz-words um sich ins Rampenlicht zu drängen. Viele Produkte werden angepriesen mit “AI-Powered”, “Intelligent” oder “Self-Learning”, aber was heißt so ein Statement wirklich und was ist der Unterschied zu normaler Software?

Bildverweis: IoT World Today

Das größte Problem was ich zur Zeit habe ist das berühmte “PR”-Problem von Künstlicher Intelligenz. Jeder hat bunte Sci-Fi Vorstellungen von Robotern mit Bewusstsein, die träumen können und ihren Zweck in der menschlichen Gesellschaft suchen. Das bedeutet mit so hohen Erwartungen ist Enttäuschung vorprogrammiert, es ist keineswegs so, dass man nicht absolut faszinierende und wundervolle Künstliche Neuronale Netze entwickeln kann die uns in unserem täglichen Leben auf unzähligen Ebenen helfen und uns ständig überraschen, allerdings leben wir noch nicht in “i, Robot” oder Star Wars. Oftmals, wenn im Dialog mit Kunden, ich die Frage stelle ob es tatsächlich so erstrebenswert ist, stellen meine Zuhörer auch recht schnell fest das sie gar nicht in so einer Welt leben wollen würden. Wir sind gesteuert durch unsere eigenen Fantasievorstellungen.

Um zu verstehen was Künstliche Intelligenz eigentlich ist, muss man sich zuallererst mal die unterschiedlichen Bereiche der Künstlichen Intelligenz anschauen. Was ist denn also der Unterschied zwischen Machine Learning und Künstlicher Intelligenz? Tom Michell von der Carnegie Mellon University aus Pittsburgh, Pennsylvania beschreibt Maschinelles Lernen wie folgt:

What is Machine Learning | Tom M. Mitchell, Machine Learning, McGraw Hill, 1991

Maschinelles Lernen ist ein Zweig der Künstlichen Intelligenz, der, wie Tom sagt, das erzeugen von Computeralgorithmen, die sich automatisch durch Erfahrung verbessern und erweitern, behandelt. Kurz gesagt Maschinelles Lernen oder ML ist einer der Wege mit der die Menschheit versucht echte Künstliche Intelligenz zu erzeugen, indem große Datenmengen mathematisch nach Mustern durchsucht werden um Unterschiede festzustellen und Ähnlichkeiten durch generalisieren zu lernen.

Würde man beispielsweise eine große Anzahl an Röntgenbildern zusammen mit den Krankheiten, die durch die im Röntgenbild sichtbaren Symptome zu ermitteln sind, an ein ML Programm zum lernen geben, dann würde nach einiger Zeit das Programm in der Lage sein deutlich schneller und akkurater als Menschen Diagnosen zu stellen. Das ML Programm wird dann durch alle die bereitgestellten Bilder mit deren Kontextinformationen durchgehen und Gemeinsamkeiten sowie Unterschiede feststellen. Neue Bilder würden zusätzlich zum bereits bestehenden Wissen des ML Programms übergeben werden können und mit bereits gelernten Informationen verglichen und anschließend dazugelernt werden können. Der große Vorteil neben der Geschwindigkeit und der Genauigkeit ist natürlich auch das die Software niemals vergessen wird und niemals müde, hungrig oder krank werden wird.

In der Künstlichen Intelligenz unterscheidet man üblicherweise zwischen mehreren Arten des Maschinellen Lernens.

Supervised Learning (Classification/Regression) | Unsupervised Learning (Clustering) | Referenz: Western Digital

Das Beispiel mit den Röntgenbildern würde unter die Kategorie des “Supervised Learning” fallen. Unter Supervised Learning versteht man üblicherweise eine Lernmethode bei der die zu lernenden Informationen zusammen mit Kontextinformationen trainiert werden. Hierbei weiss ein Mensch bereits vor dem Training was falsch ist und was richtig ist. Das verifizieren von richtig- respektive falschgelernten Daten kann somit relativ einfach gemacht werden. Bei dem Erstellen von überwachten (zu englisch ‘supervised’) Datensätzen und deren Kontextinformationen spricht man von “Labeling”. Im Beispiel von Bild 2 wäre die Namensgebung “Ente” relativ zum Bild der Ente das sogenannte “Label”.

Eine andere Art des Maschinellen Lernens ist das “Unsupervised Learning”. Hierbei wird die Künstliche Intelligenz mit einem Set von Informationen präsentiert, welches dann anhand von Mustern sortiert (Clustered) werden soll. Hierbei ist der Künstlichen Intelligenz überlassen bestehende Muster im Datensatz zu erkennen und zu gruppieren. Ein einfaches Beispiel für Unsupervised Learning kennt jeder der ein iPhone hat und das “Faces” Feature aus der Foto Bibliothek nutzt. Wenn man das erste mal das Feature verwendet hat die Bibliothek bereits eine Vorsortierung vorgenommen und man muss dann nur noch den gruppierten Gesichtern einen Namen geben um sich alle Fotos von “Lisa und mir” anzeigen zu lassen. Bei Unsupervised Learning wird kein Labeling betrieben.

Reinforcement Learning | Referenz: Types of ML Algorithms you Should Know by David Fumo

Ein weiterer sehr populärer Typ des Maschinellen Lernens ist das “Reinforcement Learning”. Beim Reinforcement Learning wird darauf abgezielt das die Künstliche Intelligenz ihre Umgebung wahrnimmt und aus dessen Kontext Rückschlüsse ziehen kann. Die Beobachtungen der Umgebung durch die KI werden dann genutzt um entweder eine Belohnung (Reward) zu maximieren oder ein Risiko (Risk) zu minimieren. Der Reinforcement Learning Algorithmus (Agent) lernt kontinuierlich durch die Umgebung die es wahrnehmen kann, um Entscheidungswege zu optimieren. Eines der besten Beispiele für Reinforcement Learning Agents sind Künstliche Intelligenzen in Computerspielen, in denen durch das beispielhafte spielen der Menschen, die Maschine trainiert wird. Ein sehr schönes Beispiel für solch eine KI ist OpenAI Five. Wir bei Blackout Technologies nutzen Reinforcement Learning für unsere Roboter Persönlichkeiten, um den Robotern die Möglichkeit zu geben sich an ihre Umgebung und vorallem an die Menschen in ihrer Umgebung zu gewöhnen. Wir haben dafür ein Reward-basiertes System entwickelt das wir in der btNexus Produktreihe die “Motivation Engine” nennen.

Künstliche Intelligenz und Maschinelles Lernen sind faszinierende Themenbereiche. Ich habe mich bereits zu meiner Schulzeit mit dem Thema auseinander gesetzt, zu der Zeit war es rein Rechenleistungs-technisch nicht möglich richtig große Neuronale Netze zu entwickeln – um so begeisterter bin ich über den neuen “Boom” den die KI seit einigen Jahren bekommen hat und die uns neuen Möglichkeiten, die sich durch exponentiell steigernde Rechenleistung ergeben. Es wird spannender je tiefer man in die Welt der Künstlichen Intelligenz einsteigt, besonders wenn man sich mit den unterschiedlichen Unterkategorien der KI wie “Deep Learning”, und unterschiedlichen so genannten “Recurrent Neural Networks (RNN)”, “Feed Forward Neural Networks (FFNN)” oder “Convolutional Neural Networks (CNN)”, befasst. Es gibt noch weitaus mehr Algorithmen, die unter die Subkategorien von Künstlicher Intelligenz fallen, für die meisten, selbst die Experten beginnt es ab einem gewissen Punkt einfach nur “Magic” zu sein.

Der Unterschied zwischen Künstlicher Intelligenz und Skripten

ELIZA Chat. Bildreferenz: Planet Source Code

Wer mich kennt, der weiß dass ich oft unterscheide zwischen “intelligenten Skripten” und KI. Das liegt einfach daran das sehr viele Firmen intelligent gestaltete Software und Apps als KI verkaufen, diese allerdings nicht weiter von KI entfernt sein könnten. Grob gesagt was als “Skript” bezeichnet wird sind Programme die nicht skalierbar sind. Ein Programm was Daten aufnimmt und diese dann wiederverwenden kann ist noch lange keine Künstliche Intelligenz. Ein sehr gutes Beispiel für ein intelligentes Skript ist ELIZA (Wikipedia-Referenz), welches ein in 1996 entwickeltes Chat-System ist, das besonders intelligent wirkt wenn ein Mensch damit interagiert. Der Dialog in ELIZA wird hauptsächlich über eine Textdatei gesteuert (Wörterbuch) die eine vorgefertigte Abbildung eines Dialogs beinhaltet. Spätere Weiterentwicklungen von ELIZA ermöglichten es auch eine automatische Erweiterung des Wörterbuchs vorzunehmen, trotzdem könnte diese Art der maschinellen Dialogführung nicht weiter von Künstlicher Intelligenz entfernt sein, da ein ELIZA System niemals in der Lage sein wird auf nicht explizit vordefinierte Worte zu reagieren.

Skripte sind die Art von Programmen die einem verkauft werden wenn Technologiefirmen groß damit werben wie großartig ihre Künstliche Intelligenzen sind. Dadurch, dass angeblich KI verwendet wird, kann da natürlich auch noch extra Geld draufgeschlagen werden. Für jeden den es wirklich interessiert: Künstliche Intelligenz ist kein Programm was man einmal installiert und dann läuft es immer gleich, so wie ein News-App auf dem Telefon. Systeme die auf Künstlicher Intelligenz basieren sind Software Programme die sich selbstständig weiterentwickeln können und kontinuierliche Pflege bedürfen. Irgendwann wird sicherlich mal der Punkt erreicht werden an dem ein KI Programm nicht mehr von Menschen gepflegt werden muss, aber noch leben wir in einer Zeit in der KI viel Expertise und Zeit kostet. Auch ein Google und ein Facebook, ein Amazon und ein Apple haben riesige Teams die nichts anderes machen als regelmäßige, zum Teil wöchentliche Trainings-Sessions mit den Lernenden Systemen wie Siri, Google Assistant, Google Translate, Amazon Alexa. etc. zu machen und deren gelernte Informationen zu verbessern.

Fazit

Leider wird die Komplexität von Künstlicher Intelligenz und ihren Teilbereichen von Firmen genutzt um im Urwald der Algorithmen und Fachbegriffe Produkte zu verkaufen die nichts mit Künstlicher Intelligenz zutun haben. Viele Menschen, mit denen ich in meiner Laufbahn von Blackout Technologies in Kontakt gekommen bin, nutzen den Term um auf sich und seine Produkte aufmerksam zu machen ohne überhaupt das Grundprinzip verstanden zu haben, welches natürlich diejenigen die das Potential von KI wirklich verstehen und diese nutzen wollen, stark darin behindert sich zurecht zu finden.

Ich habe es mir als Teil meiner Funktion von Blackout zur Aufgabe gemacht für interessierte diesen Urwald der Fachbegriffe und Fake-AI Experten zu durchbrechen, unser Team hat unter meiner Leitung das “AI Camp” ins Leben gerufen um auf faktisch korrekten und nachweisbaren Forschungsergebnissen das wahre Potential von Künstlicher Intelligenz kennenzulernen Für den Moment ist die Teilnahme am AI Camp nur mit persönlicher Einladung möglich aber wer weiß, vielleicht wird es bald auch eine öffentliche Veranstaltung geben.

Leave a Reply

Your email address will not be published.