Artikel

Künstliche Intelligenz – ein Einstieg

Beitrag von Christian Setzwein
20. Oktober 2020

„Maschine schlägt Schach-Weltmeister“, „Computer fliegt Drohne“, „Beim Brettspiel Go haben Menschen keine Chance gegen Künstliche Intelligenz“. Diese oder ähnliche Meldungen lassen die Vermutung wachsen, dass Computer und Maschinen schon bald den Menschen mit seiner Intelligenz überflügeln könnten. Science-Fiction Szenarien schüren Angst vor Machtverlust, der Frankenstein-Komplex droht Wirklichkeit zu werden: Eine Maschine wendet sich gegen seinen Erschaffer, die Matrix übernimmt die Macht und wir Menschen sind die Nutztiere einer übermächtigen und allwissenden Intelligenz.

Künstliche Intelligenz – eine Definition

Diese zum Teil irrational geführte Diskussion macht es schwer, Künstliche Intelligenz realistisch zu betrachten, und so gibt es auch keine allgemein akzeptierte Definition. Was man nicht kennt, macht Angst. Dieser Angst, die kein guter Ratgeber ist, möchte ich mit einer kleinen Serie von Blogartikeln entgegenwirken und im Gegenteil Freude bei der Beschäftigung mit KI-Themen wecken. Künstliche Intelligenz, auf der guten Seite der Macht angewandt, erzeugt schon jetzt unschätzbare Werte z.B. bei der Erkennung von Krebs, und könnte gerade in Deutschland noch vielfältiger in den unterschiedlichsten Industrien und für unterschiedlichste Geschäftsideen zu immenser Wertsteigerung beitragen.

Zunächst zum Versuch einer Definition:

Eine künstliche Intelligenz ist für mich ein autonomes und adaptives System, das ohne ein Bewusstsein seiner selbst komplexe Aufgaben in komplexen Umgebungen ausführt.
Autonomie bedeutet dabei die Fähigkeit, ohne permanente Anleitung durch einen Nutzer Aufgaben in einem komplexen Umfeld auszuführen (die Maschine wird also nicht vorab von einem Menschen programmiert).
Adaptiv bedeutet dabei die Fähigkeit, aus Erfahrungen zu lernen und dadurch die eigene Leistung zu verbessern.

Der Informatiker Tom Mitchell stellt eine formalere Definition zur Verfügung: „A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.“

Wie funktioniert Machine Learning?

Neben einer Definition, die eine erste Vorstellung von dem ermöglicht, was KI macht, ist der folgende Aspekt für das Verständnis, von dem, was KI heutzutage leisten kann, grundlegend wichtig:

In der Realität ist jedes System für einen spezifischen Zweck modelliert und für genau diesen durch harte Arbeit zum Funktionieren gebracht worden. Etwas illustriert bedeutet das:

Texterzeugende Systeme können kein Kreditrisiko bewerten.
Eine Fraud Detection Software kann kein Auto steuern.
Eine Vorhersagesoftware für Hauspreise kann keinen Brustkrebs erkennen.

Wie funktioniert nun das Lernen der Maschine in all diesen Fällen, dessen Ergebnisse im jeweiligen Einzelfall beeindruckend sind?

Grundsätzlich werden drei Arten von maschinellem Lernen unterschieden:

Supervised Learning

Supervised Learning kann man sich wie das Lernen anhand von vielen Beispielen vorstellen. Dabei ist der Schüler eine in vielen Fällen sehr komplexe mathematische Funktion oder ein neuronales Netzwerk. Ein neuronales Netzwerk ist auch ein mathematisches Modell, das sehr komplexe mathematische Modellierungsmöglichkeiten bietet. Der Schüler lernt, indem er sich nach und nach eine riesige Menge von Daten als Beispiele für die Antworten anschaut, die in Zukunft von ihm selbst verlangt werden. Ein einfaches Beispiel: Der Schüler bekommt viele Datensätze der Art „Hausgröße: 110 m2 Preis: 250000 €“ und generalisiert seine Fähigkeiten mit sehr vielen Lernbeispielen. Wenn er dann später gefragt wird, für die Hausgröße:105 m2 einen Preis zu nennen, kann er mit einer sehr guten Näherung antworten.

Im gerade beschriebenen Beispiel sagt die Maschine eine Zahl, den Hauspreis, voraus. Diese Art von maschinellem Lernen nennt man Regression, man spricht allgemein auch von einem Regressions-Problem. Eine zweite Art von Supervised Learning nennt man Classification. Bei Classification Problemen kann die Maschine nach dem Training mit Beispieldaten einem Eingabedatensatz einer Klasse zuordnen. Handelt es sich bei dem Bild um Brustkrebs, ja oder nein? Ist die handgeschriebene Zahl eine 1 oder 2 oder eine andere Zahl oder gar ein Buchstabe? Ist die eMail Spam oder nicht?

Unsupervised Learning

Unsupervised Learning basiert auch auf dem Trainieren der Maschine mit vielen Eingabedaten. Anders als beim Supervised Learning enthalten die Datensätze aber nicht die Antworten auf eine Klassenzugehörigkeit oder eine Zahl. Mit den im Unsupervised Learning eingesetzten mathematischen Modellen lernt die Maschine selbsttätig, ohne Vorgabe von Antworten, Strukturen in den Daten zu erkennen. Beispiele, in denen Unsupervised Learning eingesetzt wird, sind das Zuordnen von Kunden zu Segmenten, das Erkennen von Zusammenhängen in einer Business-Intelligenz Datenbank oder das Erkennen der Struktur von Anomalien bei der Herstellung von Werkstücken.

In einigen Fällen bietet sich sogar das Einsetzen von Unsupervised Learning und Supervised Learning nacheinander an. Diese Methodik nennt sich Pipelining. Ein Unsupervised Learning Algorithmus erkennt in einem Datenhaufen eine Struktur, besonders wo sich Ausreißer im Datenraum befinden. Mit diesem Wissen kann dann ein Supervised Learning Algorithmus trainiert werden (denn er hat jetzt ja in jedem Datensatz eine Antwort, die Zuordnung). Derartige Techniken werden zum Beispiel in der Fraud Detection und bei der Erkennung von Anomalien eingesetzt.

Reinforcement Learning

Beim Reinforcement Learning werden hingegen dem Schüler, dem sogenannten Agenten, keine Daten vorab zur Schulung verabreicht. Er ist in der Lage, bestimmte Aktionen durchzuführen. Als Agent, der Schachspiel lernen möchte, kann er zum Beispiel Figuren auf dem Schachbrett ziehen. Der Schüler lernt jetzt dadurch, das er Aktionen durchführt und dann für jede Aktion von seinem sogenannten Environment einen sogenannten Reward (Belohnung) erhält. Die Belohnung richtet sich nach dem Lernziel (z.B. Gegner Schach-Matt setzen) und drückt aus, ob die Aktion „gut“ oder „schlecht“ war. Beim Schachspiel ist das Environment durch den Gegenspieler und das Brett mit den Figuren gegeben. Mit jeder durchgeführten Aktion lernt der Schüler ein bisschen mehr dazu, wie er sich im gegebenen Umfeld verhalten soll. Reinforcement Learning wird in der Praxis bei Steuerungsproblemen, bei Spielen (der GO-Weltmeister hat gegen einen Reinforcement-Agenten verloren) oder beim Autonomen Fahren eingesetzt.

Ich hoffe, Ihnen mit dieser kurzen Zusammenfassung einen Einstieg in die Grundbegriffe des Maschinellen Lernens gegeben zu haben. Jede der unterschiedlichen Arten des Lernens hat diverse Arten von Algorithmen, die dann wieder für bestimmte Typen von Problemen Lösungen bieten. Um als Manager/in mit den Experten ein Gespräch auf Augenhöhe beginnen zu können, ist dieses Grundverständnis unerlässlich. Ich wünsche Ihnen viel Freude beim weiteren Einstieg in das Thema und freue mich über Anregungen und Kommentare.

Auch interessant:

| Keine Kommentare