Künstliche Intelligenz, deep Learning, neuronale Netze
Wie können wir uns das Maschinelle Lernen vorstellen? Was bedeutet Deep Learning? Ist Künstliche Intelligenz intelligent?
Aus dem Alltag kennen wir bereits viele Beispiele, bei denen intelligente Technik, also Künstliche Intelligenz, verarbeitet und unser Leben nachhaltig verändert wird: Spracherkennung bei Alexa, Schachprogramme, Erkennung handschriftlicher PLZ, Sprachübersetzungen, Bilderkennung in der Medizin, Mustererkennung generell (Fingerabdrücke, Iris…), autonom fahrende Autos, Robotik, Computerspiele… übrigens schon seit den 50er Jahren.
Dennoch ist diese Künstliche Intelligenz schwer fassbar, da schon der Begriff „Intelligenz“ ist nicht wohl definiert ist.
Künstliche Intelligenz sind Ergebnisse bestimmter Algorithmen, die menschenähnliche Entscheidungen kopieren.
Künstliche Intelligenz kann auch als Teilgebiet der Informatik verstanden werden, Informatik als praktisches, angewandtes oder automatisiertes Teilgebiet der Mathematik. Um die KI besser zu verstehen bietet sich also ein analysierender Ansatz der mathematischen Programmiercodes an.
Wollen wir also des Deep Learning neuronaler Netze der Künstlichen Intelligenz verstehen schauen wir uns die Mathematik näher an.
Computerprogramme werden oft mit Hilfe des EVA-Prinzips erklärt:
Eingabe – Verarbeitung – Ausgabe
Zunächst, wenn menschliches Verhalten und menschliche Entscheidungen modelliert wird, werden _Rohdaten_ benötigt, also Eingabeparamter, die in einem Algorithmus eines Computerprogramms verarbeitet werden. Nehmen wir ein bekanntes Beispiel: die Erkennung von handschriftlichen PLZ bei der Post. Die Bilddatei als Eingabeparameter, die Ausgabe eine Entscheidung um welche PLZ es sich handelt.
Um jedoch auch von Lernen reden zu können kommt ein dritter Aspekt ins Spiel – ein Maßstab, wie gut die automatische Erkennung der ursprünglichen Adressenabsicht entspricht. Ist die Erkennung fehlerhaft, muss nachjustiert werden, also muss das System Maschinell Lernen.
In einer grafischen Darstellung lässt sich das im Schichtenmodell gut erklären: die Eingabedaten werden in der Eingabeschicht eingegeben. Die „versteckten Schichten“, die hidden layers (die Black Box), sind damit für die Nachjustierung verantwortlich. Je größer die Anzahl der „hidden layers“ ist desto komplexer wird das Lernsystem. Schließlich wird das Ergebnis der Verarbeitung in der Ausgabeschicht ausgegeben.
/
Auf dieser Ebene sprechen wir von Schwacher KI: eine KI, die nur eine Tätigkeit ausführt und ihr Handeln und Entscheiden nicht auf andere Situationen anwenden kann. Schwache KI ist auf ein Gebiet spezialisiert (Schach, Siri, Handys).
Eine weitere Ebene ist die starke KI, diese ist in ihren Möglichkeiten vergleichbar mit den Möglichkeiten eines intelligenten Menschen und befindet sich mit ihm auf Augenhöhe. Der entscheidende Unterschied zwischen starker und schwacher KI ist das fehlende Bewusstsein, das ermöglicht, ihre Schlüsse auf andere Bereiche übertragen zu können. Von der starken KI sind wir jedoch noch weit entfernt, sie gibt es heute noch nicht.
Die höchste Ebene ist die Künstliche Superintelligenz, die einem Menschenverstand haushoch überlegen wäre.
Das menschliche intelligente Vermögen können wir noch lange nicht durch Künstliche Intelligenz nachbilden – dennoch ist die Wissenschaft und Forschung überzeugt, dass dies nur eine Frage der Zeit ist.
