Künstliche Intelligenz, Maschinelles Lernen und Deep Learning — Ein Überblick

Source: Deep Learning on Medium

Künstliche Intelligenz, Maschinelles Lernen und Deep Learning — Ein Überblick

In der letzten Zeit wurden diese Begriffe inflationär verwendet. Ein guter Grund also, sich dieser großen Verwirrung einmal anzunehmen

Was genau ist eigentlich “Künstliche Intelligenz” oder “Maschinelles Lernen”? Wann spricht man von “Deep Learning” und wann wird der Begriff fälschlicherweise benutzt?
Vor allem in den Medien ist der Begriff “KI” präsenter denn je. Das ist vor allem der neuen KI-Strategie der Bundesregierung zu verdanken, die im November 2018 veröffentlicht wurde. Dass die Berichterstattung nicht immer objektiv ist und immer wieder übertreibt, soll nicht der Fokus dieses Artikels werden. Viel mehr soll hier geklärt werden, was Künstliche Intelligenz ist und was eben nicht. Denn jedes Mal, wenn das Thema aufkommt, fragt meine Mutter mich um Rat. “Was ist diese KI?” und “Werden Maschinen uns vernichten?” sind dabei wohl die häufigsten Ausprägungen.

Künstliche Intelligenz

“Was ist eigentlich diese KI?”

Was Wikipedia dazu sagt:

Künstliche Intelligenz (KI), auch artifizielle Intelligenz (AI bzw. A. I.), englisch artificial intelligence (AI bzw. A. I.) ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Der Begriff ist insofern nicht eindeutig abgrenzbar, als es bereits an einer genauen Definition von „Intelligenz“ mangelt. Dennoch wird er in Forschung und Entwicklung verwendet.

Hier fallen bereits ein paar wichtige Punkte auf. Künstliche Intelligenz bezeichnet “ein Teilgebiet der Informatik”. Es ist also nicht ein einzelner Algorithmus und auch keine Maschine.

“Mein Sohn entwickelt KIs”

Der Satz “Ich entwickle eine KI” ist an sich schon problematisch. Man kann einen Algorithmus entwickeln oder implementieren. Man kann, so wie ich das beruflich mache, SEPA-Betrüger finden oder Katzen auf Fotos erkennen.

Dazu gibt es allerhand verschiedene Herangehensweisen und wahrscheinlich alle davon zählen zum Bereich KI. Also: “Es gibt nicht die eine KI

Außerdem ist der Begriff “nicht eindeutig abgrenzbar”. Es gibt keine weltweit akzeptierte Definition, was zum Bereich der KI gehört und was nicht. Daher ist es unvermeidlich, dass jemand einen Artikel über Künstliche Intelligenz veröffentlicht, den ein anderer nicht in diesen Bereich legen würde. Als Beispiel seien hier Chatbots genannt. Sie versuchen, menschliche Konversationen zu simulieren. Das galt lange Zeit als Beweis einer Intelligenz. Dazu wurde von Alan Turing auch 1950 der nach ihm benannte Turing-Test entworfen. Er lässt Menschen mit Menschen oder Computern chatten. Kann der Mensch nach einem kurzen Gespräch nicht eindeutig feststellen, ob er mit einem Menschen oder einem Computer geredet hat, hat der Computer diesen Test bestanden. Allerdings ist der Test inzwischen nicht mehr als Beweis einer allgemeinen Intelligenz angesehen.

Ein kurzer Exkurs in die Geschichte der KI

Die Anfänge machte das legendäre Programm ELIZA, mit dem Joseph Weizenbaum 1955 eindrucksvoll zeigte, wozu schon relativ simple Algorithmen fähig sind. ELIZA hat den Text nach festen Regeln analysiert und auf Stichwörter reagiert, indem sie Rückfragen gestellt hat, die suggerieren sollten, dass sie den Gesprächspartner versteht. Dieses Grundprinzip verfolgen auch Apple’s Siri, Google’s Assistant und Amazon’s Alexa. Natürlich sind die heutzutage verwendeten Algorithmen ausgefeilter als damals, aber den großen Unterschied machen die Trainingsdaten und Rechenleistungen. In Zeiten von Big Data und Supercomputern sind diese beiden Voraussetzungen mehr als erfüllt. Auffallen sollte hier schon, dass die erfolgreichsten Assistenten von den Firmen entwickelt werden, die beim Stichwort “Datenkraken” als erstes in den Sinn kommen. Neben Google, Amazon und Apple fehlt nur noch Facebook. Aber vielleicht ändert sich das ja in Zukunft.

Maschinelles Lernen

“Also ist künstliche Intelligenz quasi ‘maschinelles Lernen’?”

Auch hier nochmal Wikipedia als Startpunkt:

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.

ML beschreibt einen Teilbereich der KI, ist also selber auch nur ein Bereich. Hier fällt es jedoch wesentlich leichter, die richtige Formulierung zu finden, da sich der Satz “Ich entwickle ein maschinelles Lernen” nicht richtig klingt. Wissenschaftler sprechen deshalb häufig von “Verfahren des maschinellen Lernens”. Damit werden zum Beispiel ganz verschiedene Arten von künstlichen neuronalen Netzen bezeichnet, aber auch Support-Vector-Machines (SVM) und andere Verfahren.

“Maschinelles Lernen” ist ein Begriff, der, ähnlich der Künstlichen Intelligenz, der Natur nachempfunden wurde. Lernende Systeme gibt es in der Natur haufenweise. Man denke nur mal an den Leser dieses Artikels oder futter-gierige Haustiere, aber auch Pflanzen und Bakterien können “lernen”.

“Können Computer denn genauso lernen, wie Menschen?”

Nein. Im Kern basieren Computer auf einem binären System (1 und 0), unser Gehirn tut das nicht. Daher ist es schon schwierig, etwas wie unser Gehirn zu simulieren. Hinzu kommt, dass der Computer keine echten Zufallszahlen generieren kann. Aber er kommt zumindest nah genug dran, dass es für unsere aktuellen Zwecke ausreicht. Beispielsweise versucht man heutzutage gerne, neuronale Netze zu trainieren. Sie simulieren die Grundstruktur des Gehirns (in wirklich sehr vereinfachter Form) und versuchen, eine Abhängigkeitsfunktion zwischen Input und Output zu erzeugen.

Vereinfachtes künstliches neuronales Netz (Quelle: https://datasolut.com/neuronale-netzwerke-einfuehrung/)

Dazu werden alle Verbindungen im Netz initial mit zufälligen Werten bestückt und während des Trainings angepasst, sodass bei einem bestimmten Input ein gewünschter Output herauskommt. Computer optimieren als nur eine Funktion. Dieser Ansatz führt gerne zum sogenannten “Overfitting”. Das ist ein Punkt, in dem der Algorithmus die Trainingsdaten “auswendig kennt”. Dann trifft zwar jeder getestete Wert genau das gewünschte Ergebnis, allerdings wird das Ergebnis sehr viel schlechter, wenn man einen vorher ungesehenen Wert eingibt.

Deep Learning

“Und was ist dann Deep Learning?”

Das ist eine gute Frage. So genau ist das nämlich gar nicht definiert.

Deep Learning (deutsch: mehrschichtiges Lernen, tiefes Lernen oder tiefgehendes Lernen) bezeichnet eine Methode des maschinellen Lernen, die künstliche neuronale Netze (KNN) mit zahlreichen Zwischenschichten (englisch hidden layers) zwischen Eingabeschicht und Ausgabeschicht einsetzt und dadurch eine umfangreiche innere Struktur herausbildet.

Allgemein ist anerkannt, dass man mit “Deep Learning” ein Verfahren maschinellen Lernens bezeichnet, das künstliche neuronale Netze nutzt. Sie besitzen nämlich “versteckte” Schichten und können diese beliebig oft einsetzen. Diese Anzahl beschreibt die “Tiefe” des Netzes. Ab wann allerdings von einem “deep net” geredet wird, ist noch umstritten.

Auch hier gilt also wieder: Ob es nun “Deep Learning” ist oder nicht, hängt stark vom Auge des Betrachters ab.

“Werden Maschinen uns vernichten?”

Schwierige Frage. In naher Zukunft sicher nicht. Und wenn doch, dann sind es Arbeitsunfälle in Minen oder andere nicht intelligente Maschinen, die Menschen umbringen. Jedes Modell, was heutzutage trainiert wird, ist für eine ganz bestimmte Aufgabe gemacht. Wir, bei Masasana AI, versuchen aber, eine solche Maschine zu entwickeln. Wir nennen sie MAI und erweitern ihre Fähigkeiten mit jedem Projekt. Das bedeutet, dass sie immer noch “nur” einzelne Probleme lösen kann. Allerdings soll sie selbständig entscheiden, welches der vielen Entscheidungssysteme bei dem vorliegenden Problem angewandt werden soll.

“Und was, wenn deine KI sich selbständig macht?”

Von Ultron sind wir noch weit entfernt. Eine allgemein intelligente Maschine wird es in der nächsten Zeit wohl trotz Durchbruch der Quantencomputer nicht geben. Auch MAI simuliert ihre Intelligenz nur. Ganz ähnlich ELIZA, aber etwas komplexer.

Ein Trend, der sich in den letzten Jahren aufgetan hat, ist XAI (explainable AI, erklärbare künstliche Intelligenz). Hierbei kann der Entwickler genau bestimmen, welches Neuron für welches Ergebnis verantwortlich ist.