Glossarartikel - Was ist Artificial Intelligence?

Artificial Intelligence

Artificial Intelligence (kurz: AI) oder auch künstliche Intelligenz bezeichnet ein Portfolio von Techniken in der Informatik, welche dazu dienen, Computerprogrammen und -systemen automatisches Handeln beizubringen. Vereinfacht ist es die Idee, das menschliche Gehirn und dessen Denkmuster und Lernverhalten zu simulieren.

Intelligenz bezeichnet dabei die Fähigkeit der Programme, zu lernen, Muster zu entdecken und daraus Daten zu ziehen, welche sich dann in der Optimierung ihrer eigenen Funktion zeigen. So finden sich in der Google-Suche oder in der Anzeige von Beiträgen in verschiedenen sozialen Netzwerken selbstlernende Algorithmen, die aus dem Userverhalten lernen. Am bekanntesten sind wohl aber virtuelle Systeme wie Siri oder Alexa, die die Fähigkeiten besitzen, menschliche Sprache zu verarbeiten.

Machine Learning

Die Basis für AI ist Machine Learning – eine Technik, in welcher Software-Modelle mithilfe von Data-Input trainiert werden. Durch verschiedene Methoden lernt die Applikation aus bestehenden Daten und Fällen, um so für nicht bekannte Fälle Vorhersagen zu treffen und korrekt zu berechnen, also „intelligent zu handeln“. Dabei unterscheidet die Informatik zwischen Supervised Learning, Unsupervised Learning und Reinforcement Learning.

Supervised Learning

Das Ziel vom Supervised Learning (überwachtem Lernen) ist es, korrekte Vorhersagen zu machen, also eine Variable (Y) – auch Label genannt – durch Daten (X) zu berechnen. Dies ist ein klassisches Input-Output-System. Um dies zu ermöglichen, werden neben den Inputdaten bereits bekannte Label, also der zu erreichende Output, mit eingepflegt. So wird der Algorithmus im ersten Schritt mit einem Teil der bekannten Daten trainiert. Im zweiten Schritt werden die restlichen Daten verwendet, um die Leistung des Modells zu validieren. Dabei werden die Ergebnisse des Programms mit den tatsächlichen Labelwerten verglichen. Sind diese korrekt, kann die AI mit Eingabe-Datensätzen gefüllt werden, um neue unbekannte Label zu generieren bzw. hervorzusagen.

Unsupervised Learning

Bei der Methode des Unsupervised Learnings (unbeaufsichtiges Lernen) werden ebenfalls Datensätze eingepflegt, welche mithilfe eines Algorithmus analysiert werden. Die Algorithmen fokussieren sich auf Ähnlichkeiten zwischen den einzelnen Datensätzen, die dann in Cluster unterteilt werden.
Der Hauptunterschied zum Supervised Learning liegt dabei darin, dass in den Trainingsdatensätzen keine Label (Output) bekannt sind. Stattdessen sind die Algorithmen selbstständig aktiv, um verborgene oder zugrundeliegende Strukturen in den Datensätzen zu erkennen und zu modellieren.

Reinforcement Learning

Reinforcement Learning (bestärkendes Lernen) kann man am ehesten mit Erziehung gleichsetzen. Applikationen werden hier trainiert, indem sie auf eine Aktion eine positive oder negative Reaktion erhalten. Voraussetzung ist der Einsatz eines Programms, welches komplett autonom agiert– ein sogenannter Agent. Der Mensch greift von außen – im Gegensatz zum Supervised Learning – nicht mehr ein. In diesem Lernverfahren kalkuliert der Agent zukünftige Aktionen anhand der Erfahrungen, um so auch in komplexen oder mehrdimensionalen Situationen zu einem „intelligenten“ Ergebnis zu kommen.

Deep Learning

Deep Learning ist keine eigenständige Lernmethode, sondern eine komplexere Variante des Supervised Learnings. Einer Software wird eine große Datenmenge zugeführt. In neuronalen Netzen werden diese Informationen zwischen verschiedenen Knotenpunkten ausgetauscht, um so erlernte Funktionen wiederholt mit zusätzlichen Daten zu verknüpfen. Dadurch werden vorher gemachte Prognosen beispielsweise selbstständig bewertet und so für die Zukunft optimiert, oder ähnliche Variablen miteinander verglichen, um bestmögliche Ergebnisse zu erzielen. Wie Reinforcement Learning funktioniert Deep Learning mithilfe von Feedback.

Neuronale Netze ähneln dabei einer technischen Übersetzung des menschlichen Gehirns und dessen Impulse zwischen den einzelnen Synapsen.

Schwache vs. starke AI

Nach ihrem Intelligenzgrad wird AI in schwache und starke AI unterschieden.
Eine schwache AI beschreibt beispielsweise Systeme, die autonomes Verhalten simulieren, aber nicht eigenständig dazu lernen. So kann beispielsweise NLP (Natural Language Processing) trainierte Programme natürliche Sprache erkennen, aber nicht verstehen. Das heißt, ein schwacher Sprachagent erkennt bestimmte Wörter und führt anhand dessen eine bestimmte vorab programmierte Funktion aus, wie z. B. Alexa und Siri.

Die starke AI hingegen ist theoretisch intelligenter als der Mensch, da sie durch Algorithmen und eigenständiges Feedback ihr Verhalten permanent optimiert und so auch unvorhergesehen agieren kann. Sie basiert meist auf unbewachten Lernmethoden, bei welchen sie Daten sammelt, verarbeitet und clustert. So lernt sie permanent hinzu. Der aktuell verbreitetste Einsatz findet sich in Videospielen, bei denen der AI Spielzüge, Situationen und weitere Variablen vorgegeben werden, die sie aber soweit optimiert und weiterentwickelt, dass sie dadurch Menschen in den Spielen, wie z.B. Poker, schlagen kann.