Machine Learning-Special

ML-Special: Das sollten Sie über Machine Learning wissen (Teil 2)

Zugegeben, dieser zweite Teil zum Thema Machine Learning hat eine ganze Weile auf sich warten lassen, kommt dafür aber umso umfangreicher daher. Viel Spaß beim Lesen!

Die Ausstiegsfrage des ersten Teils lautete sinngemäß: Was hat Machine Learning mit Neuronalen Netzen und Deep Learning zu tun. Nun, dazu muss man sich erst einmal beide Disziplinen etwas genauer ansehen.

Künstliche Intelligenz = neuronale Netze?!

Das menschliche Gehirn als Vorbild Neuronaler NetzeBetrachtet man die Arbeitsweise eines künstlichen neuronalen Netzes, erkennt man schnell die Zusammenhänge zwischen der Künstlichen Intelligenz und dem menschlichen Gehirn, dem das Ganze ja zugrunde liegt.

So arbeiten neuronale Netze wie unser Gehirn auf Basis von Millionen und Abermillionen Neuronen, die miteinander verbunden sind. Dank dieser „Verbundenheit“ sind wir als Mensch genauso in der Lage, neue Sachverhalte eigenständig zu lernen wie das eben technische neuronale Netze tun.

Damit versetzen die Programmierer solcher Softwareprogramme die Rechner, auf denen sie laufen, in die Lage, Fähigkeiten zu erlernen, die stark an das Repertoire eines Menschen erinnern. Dazu zählen also „Skills“ wie Sehen, Hören, Sprechen, Lesen und Schreiben. Und auch das Fühlen soll zu diesen Eigenschaften zählen, wenngleich das immer noch die größte Hürde von neuronalen Netzcomputern darstellt.

Damit Computer das menschliche Wesen simulieren können, ist – wie bei uns Menschen auch – eine ganze Menge an Trainingseifer Grundvoraussetzung. Wissenschaftler und Entwickler sprechen in diesem Zusammenhang vom „überwachten Lernen“, das ähnlich wie in der Schule abläuft, allerdings mit mehr Iterationen, da es sich dabei ja „nur“ um eine Maschine handelt, wenngleich das meist eine sehr lernwillige, weil extrem rechenstarke Maschine ist.

Machine Learning = Üben, üben, üben

Katze oder Hund - das ist hier die Frage?Dieses neuronale Lernen verfolgt im Grunde immer dasselbe Muster: Während der Übungsphase wird das Programm mit sinnvollen Daten gefüttert. Soll also ein Programm am Ende sagen können, ob es sich bei einem zu erkennenden Bild um eine Katze oder einen Hund handelt, wird der Algorithmus mit tausenden von Bildern gefüttert, die Katzen und Hunde jeglicher Couleur, Größe, etc. zeigen.

Muss der „Trainer“ zu anfangs dem Programm mitteilen, ob es das Bild richtig oder falsch erkannt hat, werden diese „Hinweise“ sukzessive weniger, bis das „künstliche Hirn“ mit ausreichenden Daten versorgt wurde, sodass es ab einem bestimmten Zeitpunkt mit einer hohen Wahrscheinlichkeit das richtige Ergebnis ermitteln kann.

Für einen möglichst schnellen Lernprozess ist es von größter Wichtigkeit, dass das neuronale Netz permanent nachjustiert wird, die Gewichtung der falschen und richtigen Antworten also ständig angepasst werden. Daher lautet ein wichtiger Satz der neuronalen Programmierung: Die Qualität eines neuronalen Netzes hängt maßgeblich von der Gewichtung der einzelnen Verbindungen ab. Nur dann kann das gewünschte Ergebnis erzielt werden.

Ein KI-Ecke weitergedacht: Deep Learning

Das Deep Learning (DL) geht dabei noch einen Schritt weiter. Denn im Gegensatz zu der zuvor beschriebenen Methode benötigt ein KI-Rechner mit Deep-Learning-Algorithmus keines so umfangreichen Bildvorlagen, da er selbst in der Lage ist, selbstständig die Unterschiede zwischen einer Katze und einem Hund zu lernen.

Zwar erhält ein DL-Programm ebenfalls zahlreiche Bilder von Hunden und Katzen, die allesamt mit einem entsprechenden Hinweis in Form eines Metatags versehen sind, also z.B. „hund“, „nicht_hund“, „katze“, „nicht_katze“. Anhand dieser „Klassifizierung“ erstellt die DL-Software eine Art Raster, mit dessen Hilfe das Programm ein Vorhersagemodell erstellt.

Dabei geht es sehr hierarchisch zu: Auf der obersten Ebene werden beispielsweise die Helligkeitswerte der Bildpunkte gespeichert. Auf der zweiten Ebene kann das Programm dann schon sagen, ob und wie einige dieser Pixel miteinander verbunden sind. Dies setzt sich dann so lange fort, bis das Programm zum Beispiel Beine erkennen kann. Ab einem bestimmten Zeitpunkt weiß die Software, welche Beine zu einem Hund oder einer Katze gehören, und so fort. Und je mehr Iterationen durchlaufen werden, desto genauer wird am Ende das Ergebnis. Und das geht natürlich mit der Rechenleistung einher, die dem DL-Programm zur Verfügung steht.

Kommerzielles Maschine Learning

Maschine Learning kommt bereits in zahlreichen Anwendungen zum Einsatz. Dabei handelt es sich oft um Empfehlungsalgorithmen, wie sie Amazon schon seit vielen Jahren einsetzt, die stetig verfeinert und verbessert werden können, und das als Selbstlernprozess. Es lassen sich aber auch per Maschine Learning Supportanfragen automatisiert auswerten, um mögliche Gemeinsamkeiten der Anfragen zu erkennen, woraus sich ein Fehlermuster ableiten lässt.

Aber auch Chatbots sind ein oft genanntes Beispiel, wenn es um Machine Learning geht. Diese automatisierten Chatprogramme sollen selbstständig bei Kundenanfragen helfen und sogar dank ihrer KI-Fähigkeiten im Laufe der Zeit Kundenanfragen besser verstehen können, um somit die Erfolgswahrscheinlichkeit zu erhöhen. Und falls der Bot nicht mehr weiter weiß, kann er immer noch einen Supportmitarbeiter zu Rate ziehen.

Darüber hinaus kommen KI-Proggramme im Bereich Personalwesen verstärkt zum Einsatz. Denn wo heute noch Personaler hunderte von Lebensläufen, Arbeitszeugnissen und anderen Dokumenten mühevoll durchforsten, erledigen diese Job intelligente ML-Algorithemen in einem Bruchteil der bisher aufgewendeten Zeit. Und das vermutlich sogar unbestechlicher als ein Mensch, da dieser auch emotionale Aspekten bei seiner Bewertung einfließen lässt.

Recruiter und Personaler werden zunehmen von KI-Programmen unterstützt

Autonom = Künstliche Intelligenz at its best

Und natürlich ist der Bereich des autonomen Fahrens, Arbeitens, etc. zu nennen: Immer dort, wo es auf ein möglichst fehlerfreies und interaktives Miteinander von Mensch und Maschine ankommt, helfen KI-Programme, diese Kooperation bestmöglich zu unterstützen. Sei es beim autonomen Fahren, bei kollaborativen Robotern, bei automatisierte Diagnosen, dem Erkennen von Kreditkarten- und Versicherungsbetrug und in vielen anderen Bereichen. Und sogar beim robotergestützten Aufspüren von Landminen kommen ML-Progamme zum Einsatz. Damit kann die Künstliche Intelligenz sogar Leben retten!

Informationen über die Künstliche Intelligenz

Was die Künstliche Intelligenz mit uns Menschen zu tun hat

Wenn man sich mit dem Thema Künstliche Intelligenz genauer befasst, stößt man zwangsläufig auf zahlreiche Parallelen, die mit uns Menschen in Verbindung stehen. Klar, es sollen ja dank KI neue Wege gefunden und genutzt werden, die vor allem etwas mit dem menschlichen Gehirn zu tun haben. Denn unsere Denkzentrale, bestehend aus rund 85 Milliarden Neuronen, schicken permanent elektrische Impulse in sehr schneller Abfolge durch unser Nervensystem. Hierfür stehen zehntausende von Verbindungen zwischen den einzelnen Nervenzellen parat, womit das menschliche Gehirn wohl das größte vorzustellende Netzwerk des Universum darstellt.

Künstliche Intelligenz erfordert schnelle Rechner, schlaue Programme und ganz viele Daten

All dies ermöglicht unsere angeborene Fähigkeit, neue Dinge zu lernen, aus erlebten Erfahrungen die richtigen Schlüsse zu ziehen, abstrakt zu denken und vieles mehr. Da die aktuellen Computer hierfür gar nicht geschaffen und gebaut wurden, stellen sich derzeit zahlreiche Experten diese eine Frage: Lässt sich ein hochkomplexes Gebilde wie das menschliche Gehirn mithilfe von Hard- und Software so nachbauen, dass es einen höchstmöglichen Nutzen bringt. Und genau damit beschäftigt sich die Wissenschaft der Künstlichen Intelligenz.

Für den optimalen Einsatz von Künstlicher Intelligenz sind vor allem zwei Dinge notwendig: Ein Computersystem, das möglichst schnell rechnen kann, und eine Software darauf, die mit all den Berechnungen klar kommt und anhand der vorliegenden Daten die richtigen Schlüsse zieht und die gewünschten Ergebnisse ermittelt.

Von schwacher und starker KI

Bei den aktuellen KI-Programmen wird unterschieden zwischen der schwachen und der starken KI. Zur Kategorie der schwachen KI gehört beispielsweise der Schachcomputer Deep Blue von IBM, der 1996 zum ersten Mal den damaligen amtierenden Schachweltmeister Garri Kasparov schlagen konnte, aber auch Apple Siri, Amazon Alexa und andere Programme, die auf ihrem Gebiet schon ganz erstaunliche Dinge können.

Die starke KI hingegen bietet viel weiter gehende Möglichkeiten, da sie in der Lage ist, die erzielten Ergebnisse auf andere Disziplinen zu übertragen und dort auch anzuwenden. So wie es eben der Mensch kann. Allerdings steht die Forschung in diesem Bereich noch ganz am Anfang.

Neuronale Computerprogramme müssen gefüttert werden

Doch welche Schritte sind notwendig, um eine Anwendung der schwachen KI in ein Programm der starken KI zu transformieren? Nun, dazu muss man erst einmal grundlegend verstehen, wie das menschliche Gehirn funktioniert. Ein wichtiger Baustein hierfür sind computergestützte neuronale Netzwerke, die im besten Fall wie der menschliche Verbund an Neuronen arbeiten. Hierfür sind große Datenmengen erforderlich, damit ein künstliches neuronales Netz genauso funktionieren kann wie unseres. Denn so wie wir Erlerntes in neue Erkenntnisse und Fähigkeiten umsetzen, kann ein neuronal arbeitendes Computerprogramm mithilfe von Bildern, Mustern, Audiodateien, etc. lernen. Nur dass es hierfür eine sehr große Zahl an Daten benötigt, mit dem es zuvor gefüttert werden muss.

Man kennt solche einfachen Algorithmen zum Beispiel vom Apple Foto-Programm, das auf jedem Mac-Rechner vorinstalliert ist. Dort legt man zum Beispiel fest, wie Onkel Karl aussieht, und der Apple-PC versucht daraus alle vorhandenen Bilder von Onkel Karl zu erkennen. Und je öfter dies erfolgreich geschieht, desto besser ist die Trefferquote von Apple Fotos. Dies ist zwar ein sehr triviales Beispiel von KI, aber ein doch recht anschauliches.

„Deep Learning“ als wichtiger Baustein der Künstlichen Intelligenz

Dieses Lernen von neuen Fähigkeiten mithilfe vieler, vieler Daten und Muster wird in der Disziplin der Künstlichen Intelligenz „Deep Learning“ genannt. So hilft beispielsweise IBM Watson schon heute, Krebszellen zu erkennen und damit Ärzte und Krankenhäuser bei der Früherkennung der heimtückischen Krankheit zu unterstützen. Aber auch das Analysieren und Erkennen von Emotionen und Sprache zählt zum KI-Fachgebiet des Deep Learning sowie das Automatisierte Fahren oder das simultane, computergestützte Übersetzen.

Was unterscheidet den Menschen vom KI-Computer?

Doch zur Künstlichen Intelligenz gehören jenseits der technischen Anforderungen auch ganz andere Fragen:

Erfordert die KI ein Bewusstsein?

Wie entstehen Emotionen?

Gibt es so etwas wie eine Seele?

Oder anders ausgedrückt: Was macht aus dem Menschen einen Menschen und was unterscheidet ihn vom neuronalen Computerprogramm?