,

KI entmystifiziert: Wie Maschinen denken lernen

KI (Künstliche Intelligenz) rückt nicht nur für Experten, sondern auch für den Ottonormalverbraucher immer mehr in den Vordergrund. Viele Menschen nutzen sie bereits. Zusammengefasst ist KI die Fähigkeit einer Maschine, kognitive Funktionen wie Denken, Planen, Lernen und Kreativität zu imitieren. Für das Erlernen dieser Funktionen ist sie in zwei Bereiche aufgeteilt, das Machine Learning und das Deep Learning.

Funktionsweise von Künstlicher Intelligenz

Unter KI wird eine Maschine oder ein System, das Aufgaben oder Problemstellungen selbst versteht und diese ähnlich wie mit menschlicher Intelligenz löst, verstanden. Dabei findet die KI eine eigene Lösung oder Lösungswege, die je nach Aufgabe oder Problem variieren kann. So baut sie sich ein eigenes Gerüst, auf desse Grundlage sie weiter lernen und Probleme lösen können. Die Maschine oder das System kann dann als Nachbildung des menschlichen Denkens bezeichnet werden, da es menschliche Fähigkeiten wie Lernen, Problemlösung oder Denken imitieren kann.

Machine Learning

Das Machine Learning ist einer der zwei großen Bereiche der künstlichen Intelligenz. Bei dem Prozess des Machine Learnings lernt ein System durch Algorithmen aus gegebenen Daten. Dabei sind diese Algorithmen meist nicht genau für diesen Prozess programmiert. Für das Lernen werden von dem System statistische Methoden verwendet. Aus den gewonnenen Lerndaten erkennt der Algorithmus Muster und Gesetzmäßigkeiten. Diese kann das System danach auch auf unbekannten Daten anwenden. Je mehr Daten die KI zum Lernen bekommt, desto mehr Lösungen kann die KI finden, also auch mehr unbekannte Daten auswerten. Das Ziel des Machine Learning ist dabei das Verknüpfen von Daten, Zusammenhänge daraus zu erkennen, Rückschlüsse zu ziehen oder Vorhersagen zu treffen, wie das Institut für Prozessmanagement und Digitale Transformation (IPD) auf ihrer Homepage beschreibt.

Machine Learning wird dabei in drei Lernstile unterschieden: Erstens Überwachtes Lernen. Bei diesem Lernstil werden von der KI Trainingsdaten zum Lernen verwendet. Die KI soll durch sie das Verhältnis von Input- und Output-Daten erkennen. Zweitens Unüberwachtes Lernen. Dabei bekommt die KI Eingabedaten, die sie untersuchen soll, ohne dass sie vorher ein Ergebnis oder ein Muster vorgegeben bekommt. Drittens bestärkte Lernen. Hier lernt das System, laut dem IPD durch Bestrafung und Belohnung. Außerdem lernt das System, indem es das Ziel verfolgt, die Belohnung zu maximieren, die es für die Lösung erhält.

Deep Learning

Deep Learning ist der zweite Bereich der künstlichen Intelligenz. Dabei ist es aber auch ein Teilbereich des Machine Learnings. Bei diesem Prozess lernt die KI aufgrund eines künstlichen neuronalen Netzes. Sie bestehen aus mindestens einer Eingabe- und einer Ausgabe-Fläche. Dazwischen liegt mindestens eine Schicht. Die Neuronen werden dabei in Schichten angeordnet, die Layers genannt werden. Die Neuronen verbinden sich immer mit der nächsten Schicht, so das IPD. Bei diesen Verbindungen entstehen Layer von unterschiedlicher Komplexität. Das bedeutet, dass wenn die KI auf der ersten Layer ein Muster erkennt, wird auf der zweiten Layer ein Muster vom Muster erkannt. Je mehr Schichten ein neuronales Netz hat, desto „tiefer“ ist es, daher kommt auch der Begriff des „Deep Learnings“. Diese Netze sind in der Lage, jede Art von Rohdaten zu verarbeiten.

Die künstlichen neuronalen Netze lernen aufgrund von Erfahrungen, indem Verbindungsstärken verändert werden. Dabei ahmen sie das menschliche Gehirn nach. Dadurch können sie auch menschliche Fähigkeiten wie Sehen, Lernen, Sprechen und Schreiben nachahmen.

Neuronale Netze

Es gibt eine große Anzahl von künstlichen neuronalen Netzen, aber die vier größten werden am häufigsten verwendet. Das Erste sind Perzeptron. Sie sind die Grundform, die nur aus einem einzigen Neuron bestehen.  Sie besitzen anpassbare Gewichtungen und Schwellwerte, so sagt das IPD. Inzwischen sind es aber Kombinationen, die in zwei Varianten auftreten. Die einlagigen Perzeptron bestehen aus nur einer Eingabe- und Ausgabeschicht. Die mehrlagigen Perzeptron bestehen, wie oben beschrieben, aus mindestens einer Eingabe- und Ausgabeschicht mit dazwischen liegenden Schichten.
Die zweite Art von Netzen sind Feedforward Netze. Dabei werden die Informationen von der Eingabeschicht in die Zwischenschicht und zuletzt in die Ausgabeschicht bewegt. Es werden also Informationen nur in eine Richtung „vorwärts“ bewegt.
Die nächste Netzart sind rekurrente Netze. Bei diesen gibt es zusätzliche Verbindungen zwischen den Schichten. Bei dieser Art Netzen ist nicht nur das Bewegen von Informationen „vorwärts“, wie oben beschrieben, möglich, sondern auch die Bewegung „rückwärts“ möglich. Die Informationen können auch mehrfach durch das Netz laufen.
Die letzte Art ist das Convolutinoal Neutral Network. Sie werden überwiegend zur Mustererkennung verwendet. Normalerweise bestehen sie aus fünf Schichten, je mehr sie besitzen, desto größere Präzision haben sie zur Mustererkennung.

Initiatoren

Die steigende Popularität von künstlicher Intelligenz lässt sich anhand von drei Initiatoren erklären. Die steigende Rechenleistung ist einer davon. Da die Computer in der heutigen Zeit immer schneller und besser werden, verstärkt das auch die Rechenleistung. Ein weiterer Initiator ist die zunehmende Datenverfügbarkeit. Da überall auf der Welt zu jeder Zeit Daten generiert werden, können diese der KI zum Lernen gegeben werden. Der dritte Initiator sind die neuartigen Algorithmen. Da immer bessere Algorithmen programmiert werden, können auch immer bessere KI entstehen.

Anwendungszwecke

Laut dem Fraunhofer-Institut für Kognitive Systeme (IKS) ist die Anwendung von künstlicher Intelligenz ist in vier große Anwendungsfelder aufzuteilen. Das Erste ist die Mustererkennung. Dabei werden Natural Language Processing und Natural Image Processing verwendet, um Texte, Bilder und Formen zu analysieren. Diese Technik wird in der Gesichtserkennung verwendet. Die Mustervorhersage ist das zweite Feld. Sie ist eine Weiterentwicklung der Mustererkennung. Sie wird verwendet, um eine Veränderung oder einen Bedarf frühzeitig zu erkennen. Die wird z. B. zur vorausschauenden Wartung von Maschinen verwendet. Die dritte Anwendung sind Experten-Systeme, bei denen künstliche Intelligenzen den Menschen bei komplexen Aufgaben oder Fragen unterstützen. Dies soll bei dem Entscheidungsprozess helfen und ihn beschleunigen. Das letzte Anwendungsfeld ist die Robotik. Hierbei unterstützen Roboter die Menschen bei mechanischen oder operativen Aufgaben.

Auch in der Zukunft wird sich KI weiterentwickeln, verbessern und sich somit immer weiter in unserer Mitte etablieren.

 

Tom Schmidt, Bjarne Schnoor