Künstliche Intelligenz
Die Antwort auf die Frage wann eine Maschine als intelligent gilt, ist abhängig von der Definition von Intelligenz, welche an sich bereits nicht eindeutig definiert wird. Ab wann gilt ein Mensch als intelligent und was gehört zur Intelligenz? In der Psychologie wird unter Intelligenz u.a. die Fähigkeit angesehen, sich an unbekannte Situationen anzupassen und neue Probleme zu lösen. [1]
Was ist künstliche Intelligenz?
Ebenso wie der Begriff der Intelligenz kann künstliche Intelligenz nicht eindeutig definiert werden. Viel mehr entwickelt sich der Begriff historisch gesehen weiter. So hat John McCarthy, einer der Vorreiter im Gebiet der KI, diese wie folgt definiert:
„Ziel der KI ist es, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz.“ – John McCarthy, 1955
Nach dieser Definition gelten bereits einfache Maschinen die mit Hilfe von Sensoren und Aktoren einen Regelmechanismus umsetzen als intelligentes System, da sie scheinbar intelligent auf ihre Umgebung reagieren können. Dabei agieren sie lediglich mit vordefinierten Regeln. Wenn unter Intelligenz die kognitiven Fähigkeiten eines Menschen verstanden werden, ist nach obiger Definition außerdem jede Maschine intelligent, die diese Fähigkeiten (teilweise) abbilden kann. Wird beispielsweise die Rechenfähigkeit des Menschen zu Rate gezogen, so wäre jeder Rechner intelligent. Elaine Rich definiert die künstliche Intelligenz u.a. aus diesem Grund wie folgt:
„AI is the study of how to make computers do things which, at the moment, people do better. “ – Elaine Rich, 1983
Durch diese Definition bringt Rich die Komplexität der durch die KI zu lösenden Probleme zum Ausdruck ohne die Notwendigkeit Intelligenz genau zu definieren, Gleichzeitig enthält diese Definition auch den temporären Aspekt der sich weiterentwickelnden Technologie. Ein Aspekt, bei dem der Mensch der Maschine überlegen ist, stellt die Adaptivität dar. Dies umfasst das Erfassen von Umweltbedingungen und das Anpassen des Verhaltens auf Basis eines Lernvorgangs. Dieser Aspekt ist auch Teil des maschinellen Lernens (Machine Learning), welches wiederum ein Teilgebiet der künstlichen Intelligenz darstellt.
Abbildung 1: KI-Teilgebiete in Anlehnung an Goodfellow 2016
Machine Learning
Machine Learning stellt die Fähigkeit einer Maschine dar, Wissen aus vorliegenden Daten zu extrahieren und Muster zu erkennen. Bei Bedarf kann dieses Muster dann auf darauffolgende Datensätze angewandt werden. [2] Die Art und Weise, wie der Lernvorgang erfolgt kann dabei in drei Kategorien aufgeteilt werden:
- Supervised (überwachtes) Learning nutzt für den Lernprozess Trainings- und Testdaten. Die Trainingsdaten beinhalten sowohl Eingangsdaten (z.B. Objektkennzahlen) als auch das gewünschte Ergebnis (z.B. Klassifikation der Objekte). Der Machine Learning-Algorithmus soll dann anhand der Trainingsdaten eine Funktion finden, welche die Eingangsdaten auf das Ergebnis abbildet. Hierbei wird die Funktion während des Lernprozesses selbständig von dem Algorithmus angepasst. Wurde eine bestimmte Erfolgsquote für die Trainingsdaten erreicht, wird der Lernprozess mit Hilfe der Testdaten verifiziert. Ein Beispiel hierfür wäre ein Clusteringverfahren, bei dem die Cluster bereits vor Beginn des Lernprozesses bekannt sind. [3]
- Unsupervised (unbewachtes) Learning nutzt für den Lernprozess lediglich Eingangsdaten, bei denen das Ergebnis noch nicht feststeht. Anhand von den Merkmalen der Eingangsdaten sollen in diesem Muster erkannt werden. Ein Anwendungsgebiet des unbewachten Lernens stellt das Clustering von Daten dar, bei denen die einzelnen Cluster vor dem Lernprozess noch nicht definiert sind. [4]
- Reinforcement (verstärktes) Learning basiert auf dem Belohnungsprinzip für erfolgte Aktionen. Hierbei wird in einem Ausgangszustand ohne Informationen über das Umfeld oder über dies Auswirkungen von Aktionen begonnen. Eine Aktion führt dann zu einem neuen Zustand und liefert eine Belohnung (positiv oder negativ). Dies wird solang durchgeführt bis eine Endbedingung eingetreten ist. Anschließend kann der Lernprozess wiederholt werden, um die Belohnung zu maximieren. [5]
Deep Learning
Deep Learning stell einen Teilbereich des maschinellen Lernens dar und verwendet künstliche neuronale Netze (KNN) für den Lernprozess. Diese repräsentieren ein Modell des menschlichen Gehirns und der neuronalen Prozesse. Dabei besteht das KNN aus Knotenpunkte, welche Neuronen repräsentieren. Hierbei wird zwischen drei Kategorien von Neuronen unterschieden. [6]
Abbildung 2: Layer eines neuronalen Netzwerks, Quelle: http://www.neuronalesnetz.de/units.html
- Input-Neuronen (Input Units) sind die Neuronen, welche Signale von der Außenwelt empfangen. Hier gibt es für jede Art von Input (Merkmal / Feature) ein Neuron.
- Hidden-Neuronen (Hidden Units) sind Neuronen, welche den eigentlichen Lernprozess repräsentieren.
- Output-Neuronen (Output Units) sind die Neuronen, welche Signale an die Außenwelt abgeben. Hierbei gibt es für jede Art von Output (Merkmal / Feature) ein Neuron.
Alle Neuronen einer Kategorie werden zu einer Schicht (Layer) zusammengefasst. Somit gibt es in jedem neuronalen Netzwerk einen Input-Layer (Abb. 2, rote Neuronen), einen Hidden Layer (Abb. 2, gelbe Neuronen) und einen Output Layer (Abb. 2, grüne Neuronen). Enthält ein KNN mehr als einen Hidden Layer wird es als Deep Neural Network bezeichnet. Die Verbindungen zwischen den einzelnen Layern bzw. den konkreten Neuronen werden als Synapsen bezeichnet. Diese enthalten eine Gewichtung, welche mit dem Signal des Startneurons multipliziert werden. Somit werden die einzelnen Signale gewichtet. Die Gewichte werden wiederum während des Lernprozesses, basierend auf Funktionen, angepasst. [7]
Anwendung
Aufgrund der Anpassungsfähigkeiten von Künstlichen Intelligenzen sind diese vielfältig einsetzbar. McKinsey hat der Studie „Smartening up with Artificial Intelligence (AI)“ acht Anwendungsszenarien beschrieben, in welchem KI besonders Potentiale aufweist. [8]
- Autonome Fahrzeuge
- Predictive Maintenance durch bessere Vorhersagen
- Gemeinschaftlich agierende Robotik mit Wahrnehmung der Umgebung (Maschine-Maschine-Interaktion & Mensch-Maschine-Interaktion)
- Qualitätssteigerung durch selbstständiges Anpassen von Maschinen an zu verarbeitende Produkte
- Automatisierte Qualitätsprüfung
- Supply-Chain-Management durch genauere Vorhersagen
- Forschung und Entwicklung
- Automatisierte Unterstützungsprozesse
1: https://www.spektrum.de/lexikon/psychologie/intelligenz/7263
2: https://www.computerwoche.de/a/machine-learning-darum-geht-s,3330413
3: Welsch, A., Eitle, V. & Buxmann, P. HMD (2018) 55: 366. https://doi.org/10.1365/s40702-018-0404-z 
4: http://oliviaklose.azurewebsites.net/machine-learning-2-supervised-versus-unsupervised-learning/
5: https://deeplearning4j.org/deepreinforcementlearning
6: https://www.bigdata-insider.de/was-ist-ein-neuronales-netz-a-686185/
7: https://deeplearning4j.org/neuralnet-overview
