In meiner noch sehr jungen Reihe zum Thema „Künstliche Intelligenz“ versuche ich verständlich an das kompliziert klingende Thema heranzuführen – jetzt erst in der 2. Ausgabe. Letzten Monat ging es erst einmal um die Frage: was ist dran an der KI? Gibt es das und ist es so wie immer in Filmen und Medien dargestellt? Dabei haben wir gemeinsam festgestellt, dass KI ziemlich weit weg von selbstbestimmten kybernetischen Organismen ist, sondern sich in erster Linie Aufgaben widmet wie Mustererkennung. Und die umgibt uns jeden Tag. Überall da wo unsere Daten ausgewertet werden, oder wo wir auswerten wollen. Am Smartphone tragen wir die KI beispielsweise schon in rudimentärer Form mit uns herum. Heute widmen wir uns (mit etwas Verspätung) der Frage: Wie „macht“ man KI?

Was ist das Ziel?

Gute Frage. Wenn man als erstes Künstliche Intelligenz hört, könnte man denken, dass es sich ein verrückter Wissenschaftler zum Ziel setzt einen perfekten Androiden zu schaffen, der Emotionen hat und selbstständig handelt, Bedürfnisse und Wünsche hat. Ich behaupte Mal: davon spricht gar nicht so wirklich jemand in der Forschung. Weil es zu schwierig ist. Wenn man will, dass etwas einen „freien Willen“ hat – wo soll das herkommen, außer aus dem Zufallsgenerator? Das ist eine (auch moralisch) schwierige Diskussion. Viel mehr ist es oft so, dass die Herangehensweise von der anderen Seite aufgezäunt wird. Man hat eine Aufgabe die bewältigt werden soll und für Menschen ist die zu mühselig. (Zigtausend Datensätze auswerten und dort eine bestimmte Auffälligkeit suchen … juhu, meine Traumaufgabe. Nicht.) Computer können vielleicht gut durch die Datensätze sausen. Denen fehlt aber das Verständnis dafür, was die Auffälligkeit ist. Eine Aufgabe wurde geboren! Die Mustererkennung. Eine beliebte Disziplin. Undzwar eine an der wir nun eine bestimmte Technik erläutern wollen wie man zur KI gelangt:

Maschinelles Lernen

Wir lassen die Maschine die Muster lernen, von der wir wollen, dass sie automatisch erkannt werden. Wie bei einem Kind. Nur mit weitaus mehr Zahlen. Eigentlich nur Zahlen. Ansonsten hat es aber viel mit einem Kind gemein. Ausgangssituation: wir wollen, dass das Kind (unser Programm, dass eine KI werden soll) später alle möglichen Mustererkennungsaufgaben bewältigen kann. Aber wir lernen erstmal mit einer Menge Beispiele, damit das Kind später möglichst „eigenständig“ Muster dieser Art erkennen kann. Also: Grundvoraussetzung: Beispieldaten.

Nun haben wir drei Möglichkeiten mit unserem „Kind“ zu lernen.

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen sind wir wie ein Lehrer. Wir geben dem Kind die Aufgabe und lassen es einfach mal machen. Da wir die Lösung kennen (wir sind ja schließlich der Lehrer und Lehrer kennen immer die Lösung, nicht wahr? 😉 ), lassen wir das Kind einfach mal machen. Dann schauen wir auf die Lösung. Ist die falsch, dann würden wir im normalen Leben dem Kind erklären, was hier schief gelaufen ist. In der Realität ändern wir Parameter an dem Programm. Irgendwelche Werte. Trial – and – Error. Nichts anderes. Und das eventuell sehr oft! Dabei müssen wir wohl oder übel auf unsere Lieblingsdisziplin die Mathematik zurückgreifen. Nachdem wir das Kind die Aufgaben ein paar tausende Male lösen ließen, haut es dann irgendwann hin. Die Parameter stimmen, die Aufgabe gelingt.

Unüberwachtes Lernen (Unsupervised Learning)

Bei der Methode ist es so, als ob wir das Kind einfach losrennen lassen würden. Und nichts tun. „Mach einfach mal.“ Wie kommt man da zur Lösung? Gute Frage, schwierige Frage. Diese Methode eignet sich lediglich für bestimmte und klar umrissene Aufgaben, ansonsten läuft das Kind wahrscheinlich öfter gegen den Baum.

Bestärkendes Lernen (Reinforcement Learning)

Diese Form des Maschinellen Lernens arbeitet nach dem beliebten Prinzip von Belohnung und Strafe. Man stelle sich vor … wenn das Kind die Aufgabe richtig oder ziemlich richtig löst, bekommt es nen Lolli. War eine Lösung falsch, dann nehmen wir ihm den Lolli wieder weg. In der Realität ist der „Lolli“ eine Funktion, ein mathematisches Modell, dass wir schrittweise anpassen. Das klingt ähnlich wie die überwachte Methode oben, unterscheidet sich aber beispielsweise darin, dass es keinen Lehrer gibt bzw. dieser die Lösung nicht kennt und nur wie auf einer Skala einschätzen kann, ob das jetzt eher gut oder eher schlecht geklappt hat. Während man bei der 1. Methode dauernd optimiert, kann es hier auch mal in die entgegen gesetzte Richtung gehen. Deswegen „Strafe“.

Das ist nun etwas unromantisch, oder? Nichts mit freiem Willen, Emotionen und solchem Gedöhns. Strikt Zahlen und Algorithmen. Auch wenn es zehnmal Lernverfahren heißt. Hattet ihr euch das so vorgestellt? Habt ihr vielleicht sogar selber mit Verfahren des maschinellen Lernens gearbeitet? Damit ihr nicht zu entsetzt seid, nächste Woche wirds vielleicht etwas cooler. Da beschäftigen wir uns in dieser Reihe mit dem Thema „Künstliche Neuronale Netze“. Die sind eine Technik des Maschinellen Lernens und basieren auf der Funktionsweise von nichts geringerem als … unserem Gehirn!

Zu den bisherigen Artikeln der Reihe:

‘Künstliche Intelligenz’ (I) – Was ist dran?

Netzgeflüster ist eine Kategorie meines Blogs in der ich mich immer zwischen dem 10. und 15. eines jedes Monats Themen rund um IT, Forschung, Netzwelt, Internet und eben auch Gerüchten widme. 🙂