In diesem Abschnitt wollen wir uns damit beschäftigen, was das Besondere an der Künstlichen Intelligenz ist. Die Betonung des ‚Künstlichen‘ in der KI verweist darauf, dass wir Intelligenz ursprünglich aus der Natur kennen. Werfen wir also zunächst einen Blick auf die natürliche Intelligenz.
Selbstcheck: Überlege einmal selber, wo du aus der Natur (zum Beispiel bei Tieren) intelligentes Verhalten findest und was daran intelligent ist.
Was heißt intelligent?
Eine Krähe, die Nüsse auf eine Fahrbahn fallen lässt, damit diese von den darüber fahrenden Autos geknackt wird; ein Affe, der einen Stock benutzt, um sich eine Frucht zu angeln, oder ein Vogel, der einen Smartphone-Klingelton nachsingt. Es gibt viele Verhaltensweisen, die wir als intelligent bezeichnen. Bei Tieren und Menschen scheinen einige der Verhaltensweisen bereits seit der Geburt „einprogrammiert“, z.B. der. Greif-Reflex oder das Erkennen des Gesichts oder der Stimme von Mutter und Vater. Anderes Verhalten wie das Auffangen eines Gegenstandes, das Laufen auf zwei Beinen oder das Sprechen muss erst erlernt und geübt werden.
Warum eigentlich ‚Künstliche’ Intelligenz?
Wir haben einige Beispiele intelligenten Verhaltens bei Mensch und Tier betrachtet. In der Natur scheint eine gewisse Form von „natürlicher Intelligenz“ verbreitet zu sein. Sie sorgt dafür, dass Lebewesen etwas Neues lerne und nicht nur „einprogrammierte Verhaltensweisen“ abspulen. Lernen und Training scheinen besondere Merkmale von Intelligenz zu sein. Das Nachbauen dieser Intelligenten Verhaltensweisen mit Computern oder Maschinen holt diese aus dem Bereich der Natur in den Bereich des Künstlichen.
Die Bedeutung des Lernens
Die Künstliche Intelligenz beschäftigt sich also mit der Frage, wie intelligentes Verhalten durch technische Verfahren oder Maschinen realisiert werden kann. Hierbei treffen wir auch auf eine spezielle Art des Lernens: das Maschinelle Lernen (engl. Machine Learning).
Zur Charakterisierung dieser besonderen Form des Lernens wollen wir noch einmal differenzieren zwischen Lernen im Sinne von Auswendiglernen und Lernen im Sinne von Trainieren. Viele Verhaltensweisen, die wir als intelligent bezeichnen, entstehen nicht durch einmaliges Auswendiglernen (wie Vokabeln, oder das 1×1), sondern durch wiederholtes Ausprobieren und Verfeinern, wodurch das Ergebnis graduell immer besser wird. So brabbelt ein kleines Kind zunächst zusammenhanglose Laute, um dann in einem Monate und Jahre dauernden Prozess immer besser im Sprachgebrauch zu werden. Soweit bis es sich eigenständig der Sprache bedienen kann und schließlich sogar eigene Gedanken sprachlich formulieren kann. Man beachte beim Spracherwerb auch, dass das beständige Feedback und Korrigieren durch Erwachsene dem Kind hilft, die Sprache richtig zu lernen. Dieser Aspekt des korrigierenden Bewerten und Eingreifen ist auch beim Maschinellen Lernen eine wichtige Komponente und ganz verschieden vom reinen Abspeichern und Abfragen von Daten.
Wir halten also fest:
Intelligenz beruht auf der Möglichkeit durch Lernen (im Sinne von Training) neue Fähigkeiten zu erlangen.
Bei der menschlichen Intelligenz kommen noch weitere intelligente Fähigkeiten hinzu, die durch einfaches Training nicht erklärbar sind. Abstraktes Wissen, logisches und mathematisches Denken finden wir in der Natur nur beim Menschen. Hier ist noch sehr viel Forschungsbedarf für die KI.
Wie hat sich die Künstliche Intelligenz entwickelt?
Historisch gibt es drei Phasen in der KI, intelligentes Verhalten mit Maschinen zu realisieren.
Phase 1 – In dieser Phase dachte man komplexe Berechnungen und das Beantworten von Wissensfragen seien typische Fälle von Intelligenz. Diese Form der KI beruht auf der Speicherung von Informationen und der Programmierung von festen Regeln. Da es hier um die Abarbeitung von vordefinierten Prozessen und Prozeduren handelt, kann man diese Phase als Prozedurale Phase der KI bezeichnen. Typische Beispiele dafür sind Schachcomputer und Expertensysteme. In Kapitel 4 werden wir uns das an einem Expertensystem ansehen
Phase 2 – Die zweite Phase der künstlichen Intelligenz macht sich den oben geschilderten Lernprozess zunutze. Statt alle Antworten fest in ein System aus Informationen und Regeln einzuprogrammieren, wird ein sogenanntes Modell durch Beispiele trainiert, sie dass es Muster in Daten erkennen kann. In dieser Stufe wurden insbesondere statistische Methoden angewandt, um statt mit sicheren Informationen (wie in Phase 1) auch unter Unsicherheit zu Ergebnissen zu kommen. Diese Phase kann man als die frühe Phase des Maschinellen Lernens bezeichnen.
In Kapitel 5 bis 10 lernen wir einige dieser Methoden kennen.
Phase 3 – Die dritte Phase der KI orientiert sind an biologischen Grundstrukturen. Die Neurobiologie hat festgestellt, dass biologische Nervensysteme und Gehirne ganz anders als Computer funktionieren. Es gibt keine fest einprogrammierten Regeln im Gehirn und auch keinen zentralen Speicher, wo unser ganzes Wissen abgelegt wird. Stattdessen entdeckte man überall da, wo in der Natur Informationen verarbeitet werden, mehr oder weniger komplexe Neuronale Netze; das sind komplizierte Geflechte aus Nervenzellen. In einem zweiten Schritt versuchte man dann, diese biologischen Strukturen nachzubauen oder zu simulieren, um die intelligenten Leistungen künstlich nachzuahmen. Da in diesen Modellen mehrere Stufen von Neuronalen Netzen hintereinandergeschaltet werden, spricht man hier auch von der Phase des Deep Learning. Im Kapitel 11 werden wir uns genauer mit diesen Künstlichen Neuronalen Netzen befassen.
Grundlegende Bausteine von Künstlicher Intelligenz
Wir haben nun einige wichtige Aspekte der Künstlichen Intelligenz aus den Eigenschaften natürlicher Intelligenz hergeleitet. Im folgenden wollen wir uns nun mit ein paar Grundbegriffen der Künstlichen Intelligenz vertraut machen, die in allen folgenden Kapiteln immer wieder vorkommen werden. Es sind vor allem drei Grundbegriffe, die in allen KI-Verfahren immer wiederkehren:
Daten
Algorithmen
Modelle
3.1 Daten
Wir hören und lesen es allerorten:
Daten sind das neue Öl
Selbstcheck: Überlege einmal! Was bedeutet dieser Satz? Was will er aussagen?
Doch wie kommen wir an Daten heran? Wo fallen Daten an? Schauen wir noch mal auf unsere Liste aus dem ersten Kapitel.
Übung: Schau Dir die Liste aus dem ersten Kapitel an. Welche Eingabedaten und Ausgabedaten spielen bei den aufgelisteten KI-Services eine Rolle. Trage diese in die Spalte Eingabedaten und Ausgabedaten ein.
| KI-Service | Eingabedaten | Ausgabedaten |
| Smartwatch / Intelligenter Wecker
Schlafdatenauswertung |
Bewegung und Puls | „Guter Schlaf“/ „Schlechter Schlaf“ Weckzeit |
| Digital-Assistent (Alexa, Siri) | Gesprochene Aufforderung | Antwort oder Aktion |
| Gesichtserkennung und Fingerabdruckerkennung | Abbild des Gesichts oder eines Fingers | Identität der Nutzer*in |
| Posts bei Instagram | Bereits angeschaute Postings und Likes | Die nächsten Postings |
| Computerschach | Aktuelle Situation auf dem Brett | Nächster Zug |
| Email-Spamfilter | Bereits erhaltene Mails | Spam / Nicht Spam |
| Staubsauger-Roboter | Aktueller Ort und Gesamtsituation | Nächster Bewegung |
| Wetterprognose | Historische Wetterdaten | Wetterprognose |
| Optimale Routenplanung | Ort und Situation | Routenbeschreibung |
| Selbstfahrendes Auto | Sensordaten (Kamera, Radar), GPS und Kartendaten | Links, rechts, Gas geben, Bremsen |
| Nächster Songvorschlag | Bereits gehörter Songs und Likes | Nächster Song |
| Dienst (Musik Erkennung) | Audioaufnahme durch Mikrofon | Titel und Interpret |
| Textergänzung | Bereits eingegebner Text | Nächste Wörter |
| Objekterkennung/Artenbestimmung | Einprogrammierte Daten und Regeln und aktuelle Daten | Vogelart |
| Vogelgesang -App | Audioaufnahme durch Mikrofon | Vogelart |
Wichtig zu wissen ist, dass vieles, was zunächst nicht sofort als Daten erkennbar ist, durch die Digitalisierung in Daten umgewandelt werden kann. Z.B. Bilder, Menschliche Sprache, oder Vogelgesang.
Wie das geht, kann man links sehen
Aus dem Abbild eines ‚A‘ auf einem Bild wird zunächst ein Raster, aus Schwarz-Weißen Punkten, dann werden die Punkte in Zahlen umgewandelt, wobei hier Schwarze Punkte als 1 und weiße Punkte als 0 kodiert werden. Je feiner das Raster wird, desto exakter kann das Bild umgewandelt werden. Wenn man nicht nur 1 und 0 nimmt, kann man auch Farben in Zahlen kodieren. Dieses Prinzip finden wir in Scannern, Digitalen Fotoapparaten und auch in den Smartphone-Kameras. ( Grafik CC-BY: https://www.debacher.de/wiki/Digitalisierung)
Die Grundlage Künstlicher Intelligenz ist eine intelligente Datenverarbeitung. In den meisten Fällen besteht die Leistung der KI darin, eine Reihe von Ausgangsdaten in eine Menge von Ergebnisdaten zu überführen. Das passiert mit einer Reihe von sogenannten Algorithmen.
3.2 Algorithmen
Wie wir sehen, können die Eingabedaten unterschiedlicher Natur sein: Zahlen, Text, Audio, Bilder, Videos, Ortsangaben usw. Manchmal liegen die Daten bereits maschinenlesbar vor, manchmal müsse diese erst noch umgewandelt werden. Durch Digitalisierung können diese Eingabedaten alle in Zahlen umgewandelt werden. KI ermöglicht auf der der Basis der Eingabedaten sinnvolle Entscheidungen zu treffen. Zwischen den Eingabe- und Ausgabedaten gibt es verschiedene „intelligente“ Verfahren, die aus den Eingabedaten neue Daten erzeugen. Die Intelligenz steckt also in den „intelligenten“ Verfahren. Solche Verfahren der Datenverarbeitung nennen wir Algorithmen. Ein Algorithmus ist eine eindeutige Beschreibung, wie Daten verarbeitet werden sollen. Ein Beispiel, das du in deinem Smartphone oder Laptop vielleicht schon mal gesehen hast, ist ein Fotofilter, z.B. bei Instagram. Ein Fotofilter liest ein Foto ein und veränderte dieses, indem er z.B. die Farben verstärkt oder die Kontraste erhöht. Ein extrem simpler Filter wäre ein Filter, der aus einem Schwarz-Weiß-Bild ein Negativbild macht, also Schwarz und Weiß vertauscht.
Ein Algorithmus, der das Negativbild zu unserem digitalisierten „A“ oben herstellt, lautet. Nimm die digitalisierten Zahlen des Bildes und wandle jede 1 in eine 0 um und jede 0 in eine 1, oder noch genauer: Gehe zeilenweise durch das Zahlengitter: immer wenn du in einem Feld auf einen 0 triffst, mache eine 1 daraus, und wenn du auf eine 1 triffst mache eine 0 daraus. Das ist natürlich ein sehr simpler Algorithmus, der aber sehr gut funktioniert. Praktisch kann ein Algorithmus in einem Computer beliebig komplexe Berechnungen mit den Eingabedaten anstellen.
Schaubild: Was ist ein Algorithmus? Und Illustration zum Fotofilter (fehlt noch)
Es gibt zwei Möglichkeiten, wie Algorithmen uns bei der „intelligenten“ Datenverarbeitung unterstützen:
Regelbasierte Algorithmen und Lernende Algorithmen
3.2.1 Regelbasierte Algorithmen
Hierbei wird alles Wissen durch ganz klare Regeln in den Prozess vom Entwickler in die Maschine „reinprogrammiert“, so wie bei dem Negativfilter oben. Das heißt eine Reihe von unveränderbaren Regeln legt fest, was mit den Ausgangsdaten passieren muss, um zu den Ergebnisdaten zu gelangen. Der Vorteil solcher regelbasierter Algorithmen ist, dass sie sicher und schnell zu einem eindeutigen Ergebnis führen und dass die Art wie der Algorithmus dort hingekommen ist, einfach nachvollziehbar ist. Ein Nachteil ist, dass jedes neue Wissen explizit in Regeln formuliert werden muss und nur das bereits einprogrammierte auch wieder verwendet werden kann.
Schaubild (todo)
Ausgangsdaten —> Regeln
Neue Daten —> Regeln —> Ergebnis
3.2.2 Lernende Algorithmen
Hierbei wird das Wissen nicht explizit in den Algorithmus eingeschrieben, sondern es werden Beispiele präsentiert, aus denen der Algorithmus selber „lernt“, was die Ausgabe sein soll. Die Vorteile dieser lernenden Algorithmen ist, dass diese durch neue Daten immer wieder etwas Neues lernen können. Man braucht keinen Programmierer, der alle Daten in Regeln umformuliert, so dass diese Verfahren viel flexibler sind als vorprogrammierte Systeme.
Schaubild:
Trainingsdaten —> Lernender Algorithmus —> Modell
Neue Daten —> Modell —> Ergebnis
Aus den sogenannten Trainingsdaten entsteht ein Modell. Nach der Trainingsphase kann das Modell verwendet werden, um neue Daten zu verarbeiten.
Beispiel: Ich zeige dem Algorithmus hunderte verschiedene Bilder von Zahlen oder Buchstaben, und der Algorithmus entwickelt daraus ein internes Modell. Etwa so: ein gerader Strich von oben nach unten entspricht einer 1, ein geschlossener Kreis oder Oval entspricht einer 0 usw.
Das Modell kann eine einfache mathematische Formel sein, oder eine super-komplizierte Berechnung. Entscheidend ist, dass es die Eingabedaten alleine durch Berechnung in Ausgabedaten umwandelt. Wie das genau funktioniert, werden wir in den nächsten Kapiteln an vielen Beispielen sehen.
Bei den Lernenden Algorithmen unterscheiden wir drei Formen:
3.2.2.1 Überwachtes Lernen: Ein „Trainer“ sagt der Maschine bei jedem Beispiel, was die richtigen Ausgangsdaten sein sollen; solange bis die Maschine es kapiert hat (z.B. bei jeder neuen Mail, ob diese Spam oder nicht ist).
3.2.2.2 Unüberwachtes Lernen: Hierbei wendet der Algorithmus statistische Methoden an, um die unstrukturierten Daten in eine neue Ordnung zu bringen, ohne dass ein Mensch dabei „vorsagt“ was richtig oder falsch ist. Damit kann der Algorithmus Zusammenhänge in den Daten entdecken, die selbst der Mensch vorher nicht erkannt hatte. Ein Beispiel ist die automatische Zuordnung von Kunden beim Online-Shopping in verschiedene Gruppen (Vielkäufer, Gelegenheitsshopper)
3.2.2.3 Verstärkendes Lernen/ Reinforcement Learning: Hierbei wird der Algorithmus wie ein Hund dressiert. Mit den Ausgangsdaten probiert der Algorithmus verschiedenen Lösungen aus und je nachdem, ob diese nützlich sind oder nicht, erhält er eine Belohnung oder Bestrafung nach einem Punktesystem. Am Ende wird das gemacht, was am meisten Punkte bringt. Auch dieses Lernen ist eine Form des überwachten Lernens, da ein Trainer über die Punkte entscheidet, die das jeweilige Verhalten bewerten. Beispiele für verstärkendes Lernen finden wir in Computer-Games, Schachprogrammen und bei automatischen Staubsaugerrobotern.
3.3 Modelle
Was ist also nun ein Modell? Für’s erste können wir folgende Definition verwenden:
Ein Modell wandelt Eingabedaten in Ausgabedaten um.
Dabei kann das Modell einen einfachen mathematischen Zusammenhang beschreiben oder ein sehr komplexes Verfahren darstellen, das durch viel Beispiele von Trainingsdaten trainiert wurde.
Beispiel für ein einfaches Modell:
Ich stelle fest, dass ein neuer Pre-Paid-Kunde in den ersten drei Monaten etwa 25€ für Datenverkehr mit seinem Handy ausgibt. Ein einfaches Modell, um den Jahresumsatz zu berechnen, wäre es den Monatsumsatz mit 12 zu multiplizieren. So erhalte ich als vorhergesagten Jahresumsatz:
25€ x 12 = 300€
Ein komplexeres Modell schaut sich mehrere verschiedene Kunden an, z.B. eine Stichprobe von 300 und stellt fest, dass 100 Kunden etwa 10€ im Monat ausgeben, weitere 100 Kunden etwa 20€ und noch weitere 100 Kunden etwa 30€.
Das zugehörige Modell für den Jahresumsatz ist nun komplizierter:
Zuerst errechne ich den durchschnittlichen Monatsumsatz der Stichprobe:
(100 x 10€ + 100 x 20€ + 100 x 30€) / 300 = 20 €
Dann multipliziere ich den durchschnittlichen Monatsumsatz mit 12
Jahresumsatz: 20* 12 = 240 €
Zum einen ist das zweite Modell besser als das erste, weil es auf der Basis von detaillierteren Kundendaten zustande kommt, zum anderen werden im zweiten Modell drei Typen von Kunden zusammengeworfen, über die man viel mehr herausbekommen könnte, wenn man sie mit einem noch komplexeren Modell als drei verschiedene Kundengruppen betrachten würde.
Später werden wir z.B. beim Maschinellen Lernen Modelle kennenlernen, die automatisch auf der Basis von Eingabedaten Prognosen über die Ausgabedaten machen können, ohne dass wir eine mathematische Formel dort einprogrammieren müssen.
Weitere Beispiel für Modelle:
| Eingabe | Ausgabe | Modell |
| Eigenschaften von einem Tier | Genaue biologische Bestimmung des Tieres | Expertensystem |
| Preise von gebrauchten Handys | Preis für ein Handy mit einem bestimmten Alter | Preisvorhersage-Modell |
| Stunden, die man für eine Prüfung lernt | Wahrscheinlichkeit, mit der man die Prüfung besteht | Vorhersagemodell |
| Filme, die man schon gesehen hat | Vorschlag für einen neuen Film, der einem gefallen könnte | Empfehlungsmodell |
| Verschiedene Songs | Gruppierung zu einem Musik-Typ | Gruppierungsmodell |
| Karte von einer Umgebung | Bester Weg zu einem Ziel | Zielfindungsmodell |
| Bestimmte Verhaltensweisen | Einordnung als Zombie oder Mensch | Klassifikationsmodell |
| Fragen zu einem Thema | Antworten | Sprachassistent |
Alle diese Modelle werden wir uns in den nächsten Kapiteln genauer ansehen.
Links zum Inhalt:
Die Reflexe des Neugeborenen: https://www.swissmom.ch/baby/medizinisches/das-neugeborene/die-neugeborenenreflexe/
Vögel imitieren Klingeltöne: https://www.nabu.de/news/2005/03960.html
Krähen knacken Nüsse: https://www.brodowski-fotografie.de/beobachtungen/kraehe-knackt-nuss.html
Papageien schlauer als Hunde und Kleinkinder: https://www.sueddeutsche.de/wissen/denkleistungen-bei-tieren-papageien-beherrschen-logik-wie-menschenaffen-1.1435515
Video, das erklärt, wie analoge in digitale Daten umgewandelt werden.
