Spielarten der Künstlichen Intelligenz: Maschinelles Lernen und Künstliche Neuronale Netze

Wissenschafts­jahr 2019: Künstliche Intelligenz
Wissenschafts­jahr 2019: »Künstliche Intelligenz« Die Arbeitswelten der Zukunft werden entscheidend von der Entwicklung Künstlicher Intelligenz geprägt sein. Das Wissenschaftsjahr 2019 wird sich mit den Chancen und Herausforderungen dieser Technologie auseinandersetzen.

In unserem ersten Blogbeitrag haben wir aufgezeigt, dass es gar nicht so einfach ist, den Begriff »Künstliche Intelligenz« zu fassen und wie wir es trotzdem geschafft haben, im Projekt SmartAIwork zu einer gemeinsamen Definition zu kommen. Künstliche Intelligenz ist ein Sammelbegriff zum Teil sehr unterschiedlicher Disziplinen und Spielarten, die wir uns im heutigen Blogbeitrag etwas genauer anschauen wollen: Maschinelles Lernen, Neuronale Netze und Deep Learning.

Das Gebiet der Künstlichen Intelligenz ist historisch gesehen sehr breit aufgestellt. In den Medien liest man sehr häufig den Begriff »Maschinelles Lernen«. Dieser Begriff wird sogar zum Teil synonym zu »Künstliche Intelligenz« verwendet. Im eigentlichen Sinne stellt das Maschinelle Lernen jedoch nur eines von vielen Teilgebieten der KI dar. Beim maschinellen Lernen handelt es sich um eine Klasse von Algorithmen und Verfahren, bei denen das Lernen aus Daten bzw. aus Erfahrungswissen im Mittelpunkt steht.

Maschinelles Lernen und Künstliche Neuronale Netze
Einordnung von Begriffen im Kontext der Künstlichen Intelligenz.

Wie funktioniert das? Systeme trainieren sich mittels maschineller Lernverfahren, z. B. über Neuronale Netze, selbst bestimmte Fähigkeiten an, indem sie bekannte Muster verwenden, um neue Entscheidungsfälle zu interpretieren. Dazu sind Trainingsdaten für den jeweiligen Entscheidungsfall notwendig, die das Ergebnis bereits vorwegnehmen. Je höher die Datenqualität ist und je mehr Daten vorliegen, desto besser kann das System trainiert werden. Durch den Abgleich des berechneten Ergebnisses mit dem gewünschten Zielergebnis lernt es, immer bessere Entscheidungen zu treffen.

Im Falle eines Bildklassifikators würde die KI beispielsweise lernen, Hunde von Katzen zu unterscheiden. Für diesen Lernprozess müssen der KI zunächst zehntausende klassifizierte Bilder von Hunden und Katzen als Trainingsdaten übergeben werden. Im Trainingsset ist das Ergebnis bereits bekannt – also ob es sich um eine Katze oder einen Hund handelt. Das System trainiert, gleicht seine Ergebnisse mit dem Zielergebnis ab, lernt aus Fehlern und kann sich so verbessern.

Maschinelles Lernen und Künstliche Neuronale Netze
Darstellung eines Neuronalen Netzes am Beispiel Bilderkennung von Hund und Katze.

Ein weiteres Beispiel wäre ein Expertensystem zur automatisierten Beschaffung z. B. von Büromaterial. Das System lernt hier auf Basis von vergangenen Entscheidungen, wie optimale Beschaffungen erfolgen sollten. Ist eine Beschaffung automatisiert abgerechnet worden oder waren manuelle Korrekturen eines Mitarbeiters notwendig? Wenn ein entsprechendes Set an Trainingsdaten zur Verfügung steht, kann die KI darauf trainiert werden und so lernen, Entscheidungen immer genauer zu treffen.

Neuronale Netze: Schichtweise zum besten Ergebnis

Im großen Blumenstrauß der maschinellen Lernverfahren gibt es eine Klasse von Lernverfahren, die aktuell besonders viel Aufmerksamkeit auf sich ziehen: »Künstliche Neuronale Netze«. Ein Neuronales Netz besteht dabei aus einer Vielzahl miteinander verbundener künstlichen Neuronen (im Bild als blaue Kreise dargestellt). Diese werden üblicherweise in Schichten (Layers) angeordnet. Dabei bezeichnet man die Schicht, welche die Eingabedaten erhält, als Input Layer. Im Fall der Bilderkennung wären das die einzelnen Farbpunkte eines Bildes (Pixel). Der Output Layer erzeugt die Ausgabe und kann beispielsweise angeben, ob auf dem Bild eine Katze oder ein Hund dargestellt ist. Zwischen Input und Output Layer können sich quasi beliebig viele weitere Schichten – sogenannte Hidden Layers – befinden. Jedes Neuron erzeugt nun eine individuelle Ausgabe, die abhängig von der jeweiligen Eingabe und der internen Aktivierungsfunktion des Neurons ist. Dabei werden alle Ausgaben einer Schicht als Eingaben für die jeweils nächste Schicht weitergeleitet, wobei jede Verbindung die Informationen unterschiedlich stark weiterleiten kann. Die Stärke jeder einzelnen Verbindung wird beim Erzeugen und Trainieren des Neuronalen Netzes durch einen speziellen Lernalgorithmus (Back-Propagation) festgelegt.

Deep Learning: Königsdiziplin der Künstlichen Intelligenz

Auch die Neuronalen Netze gibt es in zahlreichen Ausprägungen. Oft sind es Netze, die eine große Anzahl an »Hidden Layern« aufweisen, die besonders gute Ergebnisse erzielen. Man nennt solche Netze auch tiefe neuronale Netze, weshalb man sie unter dem Begriff »Deep Learning« zusammenfasst. Des Weiteren existieren u.a. auch noch Netze mit Rückkopplungen zu vorigen Schichten (Recurrent Neural Networks) sowie Netze, die spezielle Schichten zur Bildverarbeitung enthalten (Convolutional Neural Networks).

Heutige KI-Anwendungen erfüllen meist sehr zielgerichtete Zwecke. Dazu gehören zum Beispiel Problemstellungen wie Textverstehen, Bilderkennung, Expertensysteme oder digitale Assistenten wie Chatbots. Bei den beschriebenen Anwendungen handelt es sich um Beispiele aus der sogenannten »schwachen KI«, d. h. sehr eng definierten Aufgaben, die eine KI ggf. selbstoptimierend ausführen kann. Heute noch nicht realisierbar ist die »starke KI« oder auch Superintelligenz genannt, da die momentan bekannten und verwendeten Verfahren sowie die aktuellen technischen Möglichkeiten nicht ausreichen, um die gesamten intellektuellen Fähigkeiten von Menschen zu erlangen oder gar zu übertreffen. Trotzdem ermöglichen Verfahren wie Neuronale Netze bereits heute, dass KI-Anwendungen Aufgaben bewältigen, die noch vor wenigen Jahren undenkbar erschienen.

Wollen Sie mehr darüber erfahren, wie Maschinelle Lernverfahren funktionieren? In unseren Data Science und KI-Seminaren führen wir Sie leicht verständlich in das Gebiet ein und zeigen Ihnen, welche Daten Sie benötigen, um selbst mit KI zu arbeiten und wie Sie diese Daten im Unternehmen finden und aufbereiten.

Leselinks:

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.