künstliche Intelligenz

Solange wir nicht einmal wissen,
wie menschliche Intelligenz zustande kommt,
können wir keine künstliche Intelligenz schaffen.
Reinhard Furrer

Künstliche Intelligenz (KI) bzw. artificial intelligence (AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst, wobei der Begriff nicht eindeutig abgrenzbar ist, da es bekanntlich auch an einer exakten Definition von Intelligenz mangelt. Im Allgemeinen bezeichnet künstliche Intelligenz den Versuch, eine menschenähnliche Intelligenz nachzubilden, d. h., einen Computer zu bauen oder so zu programmieren, dass dieser eigenständig Probleme bearbeiten kann. Oftmals wird damit aber auch eine effektvoll nachgeahmte, vorgetäuschte Intelligenz bezeichnet, insbesondere bei Computerspielen, die durch meist einfache Algorithmen ein intelligentes Verhalten simulieren soll (schwache künstliche Intelligenz).

Es wird zwischen starker künstlicher Intelligenz und schwacher künstlicher Intelligenz unterschieden. Die starke künstliche Intelligenz setzt sich mit der Entwicklung einer künstlichen Intelligenz auseinander, die wie ein Mensch kreativ nachdenken und Probleme lösen kann und sich durch ein (Selbst-) Bewusstsein und Emotionen auszeichnet. Die schwache künstliche Intelligenz arbeitet an der Entwicklung einer Intelligenz, die im Gegensatz zur starken ausschließlich intelligentes Verhalten simuliert und deren Handlungen auf mathematischen Mitteln basieren, womit konkrete Problemlösungen angegangen werden sollen. Vereinfacht gesagt, die einen wollen Computer erschaffen, die das menschliche Denken mechanisieren sollen (starke Künstliche Intelligenz), die anderen stellen mögliche Anwendungen in den Mittelpunkt, bei denen Teilaspekte der menschlichen Intelligenz auf ihre Nachformbarkeit und Nutzbarmachung untersucht werden (schwache Künstliche Intelligenz). Die schwache künstliche Intelligenz wird derzeit eher noch auf einen sehr eingegrenzten Bereich angewendet, etwa bei der Analyse von Daten zu einer besseren Diagnose oder bei der Bilderkennung für die Sortierung großer Bildbestände. Der entscheidende Unterschied ist dabei aber immer, dass die für Bilderkennung entwickelten Algorithmen ihre Schlüsse nicht auf ein anderes Gebiet übertragen kann (Generalisierung), und zwar selbständig wie ein Mensch. Derzeit sind neuere Methoden des maschinellen Lernens wie neuronale Netze schon  in der Lage, aus großen Datenmengen eigenständig zu lernen, um etwa bestimmte Muster wie Gesichter zu erkennen. Allerdings werden noch lange nicht die komplexen Strukturen eines menschlichen Gehirns auch nur annähernd erreich, denn kein System kann es mit den Milliarden von Neuronen, den Billionen von Synapsen im menschlichen Gehirn auch nur annähernd aufnehmen.

Die neuesten Trends in der AI-Forschung gehen dahin, intelligente künstliche Systeme zu entwickeln, die sich durch Interaktion mit ihrer Umwelt Erfahrungen und Wissen aneignen und darauf basierend Lernmechanismen entwickeln. Das Verständnis kognitiver Prozesse und der Grundlagen des Lernens hat in den letzten Jahren die Grundlage zahlreicher technischer und naturwissenschaftlicher Anwendungen gebildet, wobei in der praktischen Umsetzung  diese angewandten Methoden jedoch in einem großen Maß von menschlichen Experten abhängig sind, die die Systeme mit bestimmten Parametern und Lernalgorithmen ausstatten und diese dementsprechend steuern. Vor allem versucht man nun zu erforschen, wie unabhängige Systeme auf Basis der Interaktion mit ihrer Umwelt selbständig meffiziente Lernmethoden entwickeln, um den entscheidenden Schritt machen vom rein maschinellen Lernen zu autonomen Lernen in einer komplexen Umgebung. Dabei geht es etwa um das Finden geeigneter Repräsentationen des Lernens, das Lernen hierarchischer Repräsentationen und abstrakter Ebenen, aber auch um die optimale Erforschung der Umgebung und den Mechanismen der Informationsbeschaffung. Man versucht sich daher auch in der Entwicklung von Lernmechanismen in einer fiktiven Echtweltumgebung, wobei man rationales Lernen mit der kognitiven Robotik zu verbinden sucht. Letztlich ist das Ziel neuerer Forschung in diesem Bereich die Entwicklung lernfähiger künstlicher Systeme, die im Gegensatz zum maschinellen Lernen in der Lage sind, im Zusammenspiel mit ihrer Umwelt komplex und angepasst zu agieren. Dazu gehört eetwa die Fähigkeit, das konkrete Lernproblem zu erkennen und zielgerichtet auf die Lösung dieses Problems hinzuarbeiten, wobei diese Systeme selbständig über die dazu notwendigen Aktionen, über Auswahl des notwendigen Lernalgorithmus und entsprechender Parameter entscheiden sollen. Dazu ist es notwendig, jene Lernprinzipien aufzudecken, in denen sich sowohl die eigene Morphologie als auch die Umgebungsbedingungen widerspiegeln. Man entwickelt derzeit dazu Agenten, die zunächst ohne spezifisches Wissen über ihren eigenen Körper und ihr Umfeld in einer virtuellen Umgebung platziert werden, und versucht, die nun beginnenden Bewegungsabläufe und Aktionen der Agenten und deren zugrunde liegenden autonomen Lernprozess, der sich als Zusammenspiel entsprechenden interner Repräsentationen der Welt, des eigenen Körpers und derer Interaktion gestaltet, zu verstehen und zu beeinflussen. Allerdings ist man noch immer weit davon entfernt, künstliche Systeme zu entwickeln, die sich selbstständig in natürlichen und möglicherweise auch unbekannten Umgebungen zurechtfinden.

Eine kritische Stimme dazu: Yulia Sandamirskaya, Neuroinformatikerin an der ETH Zürich

In der zweiten Hälfte des vergangenen Jahrhunderts hat sich der Begriff Künstliche Intelligenz für eine Form der Informatik eingebürgert, die versucht, künstliche Systeme zu bauen, die Aufgaben erledigen sollen, zu denen nur Menschen fähig sind. Dazu gehören abstraktes Denken, die Manipulation von Symbolen, Logik, das Lösen mathematischer Probleme und Spielen. Diese Form der Künstlichen Intelligenz ist Jahrzehnten auf der Stelle getreten und irgendwann haben die Menschen realisiert, dass ein großer Teil der menschlichen Intelligenz auf sensomotorischen, körperlichen Prozessen beruht und weniger mit dem Lösen von mathematischen Problemen zusammenhängt als mit Wahrnehmung, motorischer Kontrolle und der Fähigkeit zu lernen. Die Fähigkeit von Menschen, neue Objekte schnell zu erkennen, Verallgemeinerungen in neue Situationen zu treffen oder Fähigkeiten wie Radfahren oder ein Instrument spielen zu erlernen sind herausfordernder als die Planungsprozesse hinter einem Brettspiel wie Schach. Solche künstlichen kognitiven Systeme zu bauen könnte irgendwann zu robotischen Assistenten führen, die mit Objekten und Menschen interagieren können, statt nur abstrakte Probleme zu lösen. Bisher konnte man noch keine technischen Systeme bauen, die sich selbst autonom verbessern können, und zwar ohne exakt vorbereitete und kategorisierte Daten oder clever designte Belohnungs/Kosten-Funktionen, die den Lernprozess in die richtige Richtung für die Lösung einer bestimmten Aufgabe lenken können – im Fachjargon als Singularität bezeichnet. Zwar wird smarte Technologie immer mehr den Alltag durchdringen, aber sie wird unter menschlicher Kontrolle bleiben. Die Maschinen und Algorithmen von heute sind ziemlich limitiert, was intelligente und flexible Interaktion mit der echten Welt betrifft, d. h., der Fortschritt in diesen Bereichen ist zur Zeit recht langsam, auch weil Zusammenarbeit zwischen Disziplinen gefordert ist, die traditionell wenig miteinander zu tun hatten. Heute können solche Aufgaben nur unter exakt definierten Laborbedingungen bewältigt werden. Eines von ganz wenigen derartigen Systemen, die im Alltag zurechtkommen, ist der Staubsaugerroboter. Das zeigt den Stand der Technik, der weit entfernt ist von Science-Fiction-Visionen von Roboterhaushaltsgehilfen in jedem Heim. Autonome Fahrzeuge werden zwar entwickelt, sie sind aber von teuren Sensoren abhängig und auch von einer relativ kontrollierbaren und gut definierten Umgebung. Die Flaschenhälse für autonome Systeme bleiben: Wahrnehmung und effiziente Repräsentation des Status der Umwelt, Planung und Kontrolle unter Berücksichtigung dieser Wahrnehmung, Lernen und Interaktion mit Menschen.
Quelle: Zusammenfassung nach einem Interview über intelligente Maschinen bei den Alpbacher Technologiegesprächen (Hervorhebungen von mir; W. S.).
WWW: http://futurezone.at/science/go-ist-am-ende-nur-ein-weiteres-computerspiel/212.196.706 (16-08-01)

Zur Geschichte des Begriffs der Künstlichen Intelligenz

Auf einer zweimonatigen Konferenz, die der Informatiker John McCarthy im Sommer 1956 organisierte, versammelten sich in New Hampshire Vordenker wie Marvin Minsky und Allen Newell, wobei McCarthy in seinem Antrag für Fördermittel erstmals den Begriff Artificial Intelligence verwendete. Der Entwicklung vorangegangen waren Fortschritte in der Computertechnik, denn 1936 hatte der Mathematiker Alan Turing die Turing-Maschine entwickelt, ein  Rechnermodell der theoretischen Informatik, das die Arbeitsweise eines Computers auf besonders einfache und mathematisch gut zu analysierende Weise darstellt. 1941 stellte Konrad Zuse den ersten automatischen funktionsfähigen Computer der Welt fertig.

Der Turing-Test wird eingesetzt, um zu überprüfen, ob eine Maschine das Denkvermögen eines Menschen hat, wobei für den Test eine Versuchsperson mit einem Menschen und mit einem Computer spricht und dann entscheiden muss, welcher Gesprächspartner der Mensch und welcher die Maschine war. Alan Turing, sah den Test für eine Maschine dann als bestanden an, wenn mindestens dreißig Prozent der Versuchspersonen sie für einen Menschen hielten. Übrigens sind CAPTCHA (completely automated public Turing test to tell computers and humans apart), bei denen man auf Internetseiten aufgefordert wird, eine angezeigte Buchstaben- oder Ziffernkombination einzugeben, ein Ausfluss dieses Prinzips, denn UserInnen sollen so beweisen, dass sie ein echter menschlicher NutzerInnen sind und keine Bots.





Falls Sie in diesem Beitrag nicht fündig geworden sind, können Sie mit der folgenden Suche weiter recherchieren:


Das Lexikon in Ihren Netzwerken empfehlen:

You must be logged in to post a comment.

Diese Seiten sind Bestandteil der Domain www.stangl.eu

© Werner Stangl Linz 2017