Künstliche Intelligenz

Künstliche Intelligenz (KI resp. artificial intelligence, AI) ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Der Begriff ist insofern nicht eindeutig, als es bereits an einer genauen Definition von «Intelligenz» mangelt.

«Intelligenz»

Ist ein Computerprogramm intelligent, wenn es jedes Sudoku lösen oder die besten menschlichen Spieler im Schach schlagen kann? Es stellt sich heraus, dass die AI-Komponente für viele komplizierte Probleme schlicht in besonders schlauen und effizienten algorithmischen Lösungen oder Heuristiken (=Abschätzungen) besteht. Solch klassische Herangehensweisen werden oft mit der Abkürzung GOFAI (good oldfashioned AI) bezeichnet, sie erfordern, dass der Programmierer aufgrund seiner Intelligenz einen Lösungsweg für das gegebenen Problem entwickelt und diesen in Programmcode umsetzt.

Weil Computer unfehlbar logisch und dazu so extrem schnell arbeiten, übertreffen sie auf diese Weise oft menschliche Fähigkeiten – zumindest bei Problemen, die sich für eine logische Formulierung anbieten. Aber macht sie das nun wirklich «intelligent»? Und was ist mit Problemen, die sich nicht für eine logische Formulierung anbieten – beispielsweise das Spiel Montagsmaler?

Bei diesem Spiel geht es darum, möglichst schnell zu erkennen, welchen Gegenstand jemand gerade zeichnet. Wie das Google-Projekt Quick, Draw! zeigt, kann Künstliche Intelligenz inzwischen auch mit solchen Problemen umgehen, allerdings mithilfe eines gänzlich anderen Ansatzes.

Maschinelles Lernen

In den letzten Jahren wird der dem obigen Beispiel zugrundeliegende Ansatz der AI zunehmend prominenter und erfolgreicher. Im Kern geht es darum, dass der Programmcode gar nicht versucht, die Lösung des Problems zu formulieren. Stattdessen wird per Programmcode ein lernendes System spezifiziert, das in der Folge anhand der Verarbeitung von sehr vielen Beispielen selbst eine funktionierende Lösung finden soll.

Maschinelles Lernen

Erstellt von Seraina Hohl

Maschinelles Lernen ist ein Oberbegriff für die «künstliche» Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es «erkennt» Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer).

Quelle: Wikipedia, Maschinelles Lernen

Analogie

Sie – bzw. Ihr Gehirn – können anhand von rein visuellen Informationen recht zuverlässig beurteilen, ob ein Ihnen unbekanntes Gesicht zu einer männlichen oder weiblichen Person gehört. Dabei hat Ihnen sicher nie jemand beigebracht, wie genau man eine solche Unterscheidung trifft. Stattdessen haben Sie ein gewisses Mass an Erfahrung mit Aussehen und Geschlecht von bekannten Personen und können diese kaum explizit zu formulierenden Erfahrungen verallgemeinern, d.h. auf neue Gesichter transferieren. Sie haben anhand der Beispiele implizites Wissen über die Gesetzmässigkeiten weiblicher und männlicher Gesichter erworben und können damit neue Beispiele als «ähnlich» klassifizieren.

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz (bzw. artificial intelligence, AI), das sich insbesondere auf die Mustererkennung fokussiert. Typische Einsatzgebiete sind u.a. die Klassifizierung oder Vorhersage von Daten, auch im Zusammenhang mit Datamining. Zu unterscheiden ist zwischen symbolischen Systemen, in denen bedeutungstragende Daten mit explizit formulierten Regeln manipuliert werden, und subsymbolischen Systemen, in denen sowohl das enthaltene «Wissen» als auch die enthaltenen Regularitäten implizit und für den Programmierer intransparent repräsentiert sind – beispielsweise in den Verbindungsgewichten eines Neuronalen Netzwerks.

Eine etwas detailliertere Erklärungen der Funktionsweise von lernenden Systemen, insbesondere von Neuronalen Netzen, finden sich auf den Folien MaschinellesLernen.pptx.pdf.
Probieren Sie aus, wie gut solche Netze Ihre Handschrift erkennen: 2D Visualization of a Fully-Connected Neural Network und 3D Visualization of a Convolutional Neural Network.

Neuronale Netze

Der Ansatz der subsymbolischen Datenverarbeitung mit Neuronalen Netzen ist bei weitem nicht neu, doch erst in den letzten Jahren konnten einige traditionelle Probleme solcher Netze in Bezug auf deren Skalierbarkeit, also die Anwendung auf sehr komplexe Zusammenhänge in sehr grossen Datenmengen, gelöst werden. Inzwischen stecken häufig sogenannte «Deep Learning Networks» dahinter, wenn von den Möglichkeiten der Künstlichen Intelligenz die Rede ist. Aufsehen erregte das Programm AlphaGo, das 2016 den besten menschlichen Spieler im chinesischen Brettspiel Go besiegte – und inzwischen von seinem Nachfolgeprogramm AlphaGoZero um ein vielfaches übertroffen wird. Aber auch bei der Sprachsteuerung, bei selbstfahrenden Autos, bei der automatischen Gesichtserkennung oder dem Retuschieren von Bildern oder Filmen kommen solche Netze zum Einsatz. Und das ist erst der Anfang, denn welches Problem ein solches Netz löst, hängt eigentlich nur von den Daten ab, mit denen es trainiert wird.

Der aktuelle (Ende 2017) Stand der Forschung wird in diesem Talk zusammengefasst:

Die bahnbrechenden Erfolge aktueller AI-Ansätze sind u.a. deswegen so faszinierend, weil Systeme wie Googles AlphaGo eigenständig Lösungen für sehr komplizierte Probleme (etwa das Meistern des Spiels Go) finden, die sogar über die Qualität der besten menschlichen Lösungen hinausgehen können. Gleichzeitig ergibt sich die seltsame Situation, dass niemand – auch nicht die Programmierer des Systems – die in den Verbindungsgewichten des Netzwerks eingebettete Lösung vollständig verstehen kann.

Werden «Künstliche Intelligenzen» uns in Zukunft nun Heil bringen oder vor allem Gefahr? Können wir das steuern?
Zu diesen Fragen hier nachfolgend eine Auswahl von Links:

Aufgabe

Das Prinzip des Lernens aus Beispielen lässt sich mit dem Interactive KI für Ozeane nachvollziehen – dabei sollte auch klar werden, warum die Auswahl der Trainingsdaten ein so wesentlicher Punkt solcher AI-Lösungen ist.

Aufgabe

Ausgehend von den im Dokument AI-Ethics-Research-Reflection.docx (pdf) aufgeführten Ressourcen (Englisch!) sollen Sie sich Gedanken machen zu den ethischen Implikationen des Einsatzes von KI in einem bestimmten Anwendungsgebiet – orientieren Sie sich dafür an den Leitfragen am Ende des Dokuments.

Aufgabe

Im Interactive Teachable Machine können Sie eine KI per Webcam trainieren – bspw. auf das Erkennen von Gesten, Posen, Tönen, …

Aufgabe

Mit dem Interaktive SoekiaGPT kann man nachvollziehen, wie ein statistisches Sprachmodell funktioniert.
Hinweis: Dass ChatGPT so viel mehr kann, liegt hauptsächlich an zwei Dingen: Zum einen ist die zugrundeliegende Datenbasis SEHR viel grösser, zum anderen wird das rein statistische Tupel Zählen ersetzt dadurch, dass ein enormes Neuronales Netz darauf trainiert wird, die Wahrscheinlichkeiten für das Folgetoken vorherzusagen.

Dieses Video erklärt in Grundzügen, wie ChatGPT funktioniert.