0
Generationen an Ingenieuren und Wissenschaftlern konnten die Idee einer künstlichen Intelligenz einfach nicht loslassen. Die Faszination für das Thema trotzte vielen Herausforderungen und heute ist K.I. Teil zahlreicher Lebensbereiche. Hinter künstlicher Intelligenz steht nicht nur eine einzige Technik. Deswegen existieren auch viele unterschiedliche Begriffe in Bezug auf K.I., die für Verwirrung sorgen. Wir wollen ein bisschen Klarheit im Dschungel der Begrifflichkeiten schaffen.
Künstliche Intelligenz ist keineswegs etwas Neues – alles begann bereits Mitte des 20. Jahrhunderts. Seit seinen Anfängen musste die Entwicklung von K.I. einige Rückschläge hinnehmen: Obwohl Neugierde und Motivation zur Erforschung ausreichend vorhanden waren, konnte die vorhandene Computertechnologie die notwendigen Verarbeitungs- und Speicherleistungen nicht erfüllen. Weiters wurden die finanziellen Fördermittel immer wieder zurückgezogen, da die damaligen Fortschritte nicht den Erwartungen der Geldgeber entsprachen. Also dauerte es eine Weile bis aus K.I mehr als nur Theorie und Science-Fiction wurde.
Künstliche Intelligenz umfasst viele unterschiedliche Modelle und Techniken. Einige der bekannteren sind Machine Learning, Deep Learning und Reinforcement Learning.
Das Ziel von künstlicher Intelligenz ist grundsätzlich menschliches Verhalten zu imitieren. Die Technologie kann komplexe Aufgaben erfüllen, die eigentlich die kognitiven Fähigkeiten eines Menschen benötigen würden. Um dies zu erreichen, wurden unterschiedliche Modelle und Techniken entwickelt. Du hast vielleicht schon von Machine Learning, Deep Learning und Reinforcement Learning gehört. Sie alle sind Teilfelder von K.I.
Zwei der wichtigsten Elemente eines Expertensystems ist die Knowledge Base, die organisierte Fakten enthält und die Interference Engine, die diese Fakten interpretiert und evaluiert.
GOFAI – gute alte künstliche Intelligenz – dominierte das Forschungsgebiet bis in die späten 80er hinein. Es basiert auf hartkodierten Algorithmen mit explizit programmierten wenn-dann-Anweisungen. GOFAI feierte seinen kommerziellen Durchbruch in den 80ern als Unternehmen viel Geld mit dem Einsatz von Experten-Systemen sparen konnten. Diese Systeme beruhen auf Wissensdatenbank und einer Komponente, die die hinterlegten Fakten interpretiert. Unter anderem kann ein Experten-System überprüfen, klassifizieren und planen – jedoch alles nur in einem sehr spezifischen Feld.
Sogenannte schwache K.I. erfüllt Aufgaben ohne menschliches Denken nachzuahmen, sondern indem es beispielsweise Muster mit Hilfe von eingespeisten Bedingungen zuordnet. Starke K.I. hingegen imitiert menschliche Denkprozesse. Die Fortschritte in der Neurowissenschaft in den 1990ern gab dem damals nicht sehr beliebten Bottom-up-Zugang mit seinem Fokus auf neuronale Netzwerke einen gehörigen Schub. Der Unterschied zwischen GOFAI und Machine Learning ist was der Name des letzteren impliziert: Lernen.
Machine Learning ist Teil der K.I.-Welt. Es beschäftigt sich mit der Frage „Wie lernen Maschinen?“ Mit ML – kurz für Machine Learning – imitieren Computer wie Menschen lernen und daher auch menschliche Entscheidungsfindung. Die mathematischen Modelle, die bei ML zum Einsatz kommen brauchen eine große Menge an Daten damit sie Prognosen machen oder Lösungen finden können.
Die Strukturen eines menschlichen Gehirns sind die Basis für die im Deep Learning verwendeten Algorithmen. Neuronen erhalten Signale, verarbeiten sie und geben sie an die anderen Neuronen weiter. Ein Deep Learning Algorithmus funktioniert ähnlich. Es besteht aus Schichten und die Komplexität der lösenden Aufgabe bestimmt wie tief das Netzwerk gehen muss. Diese künstlichen neuronalen Netzwerke brauchen große Datenmengen, um lernen zu können. Das Wissen, das gewonnen wurde, kann dann auf ein neues Datenset angewendet werden.
Reinforcement Learning beruht auf Feedback. Diese „Trial und Error“ Technik strebt Belohnung an. Oft wird im Zusammenhang mit Reinforcement Learning das Beispiel eines Kindes erwähnt, das zu gehen lernt. Nachdem es hingefallen ist, adaptiert es seine Schritte und Bewegungen. Die Belohnung ist tatsächlich gehen zu können. Da Reinforcement Learning ein unabhängiges, selbst-lernendes System ist, kann es sich an sein Umfeld anpassen, wenn die Komplexität der zu lösenden Aufgabe das verlangt.
Obwohl Wissenschaftler und Ingenieure bereits großartige Fortschritte bezüglich K.I. gemacht und die Technologie in unser tägliches Leben integriert haben – man denke an Siri, Spotify, Chat Bots, Drohnen, … gibt es noch viel zu entdecken. Die Techniken, die derzeit Anwendung finden, sind jedoch nicht das Ende der Fahnenstange. Sie können kombiniert werden und gemeinsam mit bisher unerforschten Techniken, ergeben sich große Potenziale, die die Effizienz in allen Bereichen unseres Lebens steigern können.