KI kurz erklärt: Künstliche neuronale Netze und Maschinelles Lernen
Foto: CC0 1.0 | Pixabay User geralt | Ausschnitt und Farbe angepasst
Was genau ist künstliche Intelligenz, wo liegen ihre Potenziale, wie soll ihr Einsatz gefördert und ihre Anwendung reguliert werden? Diesen Fragen widmen wir uns in unserer dreiteiligen Serie „KI kurz erklärt“. Im ersten Teil geht es um künstliche neuronale Netze und Maschinelles Lernen.
Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das Mechanismen erforscht, die intelligentes menschliches Verhalten nachbilden. Dabei geht es um die Fähigkeit, eigenständig Schlussfolgerungen zu ziehen, angemessen auf Situationen zu reagieren und aus Erfahrungen zu lernen. Im Gegensatz zur klassischen Software steht bei KI-Systemen also das Lernen anstatt der Programmierung im Mittelpunkt. Dabei wird zwischen einer „schwachen“ und einer „starken“ KI unterschieden. Eine schwache KI ist auf die Lösung konkreter Anwendungsprobleme ausgerichtet. Eine starke KI besitzt hingegen die gleichen oder größere intellektuelle Fähigkeiten als ein Mensch. Schwache KI-Systeme finden bereits breite Anwendung. Ob die Entwicklung einer starken KI irgendwann möglich sein wird, ist Gegenstand wissenschaftlicher Diskussionen.
Die Basis künstlicher Intelligenz
Die Basis künstlicher Intelligenz sind künstliche neuronale Netze (KNN). Inspiriert vom menschlichen Nervensystem ahmen sie die Informationsverarbeitung des Gehirns nach. Neuronen, die im menschlichen Gehirn für die Weiterleitung und Verarbeitung von Signalen zuständig sind, werden in KNN künstlich nachgebildet. Die Neuronen eines KNN sind schichtweise in sogenannten „Layern“ angeordnet und in der Regel in einer festen Hierarchie miteinander verbunden. Beginnend mit der Eingabeschicht nehmen die Input-Neuronen Information in Form von Mustern oder Signalen von der Außenwelt auf. Die Hidden-Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden ein internes Informationsmuster ab.
Je mehr Zwischenschichten es gibt, desto tiefer ist das neuronale Netz, im Englischen spricht man daher auch von „Deep Learning“. Output-Neuronen geben Informationen und Signale als Ergebnis an die Außenwelt weiter. Ein Mix aus Input-Neuronen, Hidden-Neuronen und Output-Neuronen bilden den Stamm einer KI – also den Algorithmus. Grundsätzlich können die Neuronen eines KNN Informationen entweder von anderen Neuronen oder von außen aufnehmen und daraus ein Ergebnis ableiten, das weitergegeben wird. Je „tiefer“ beziehungsweise komplexer ein KNN ist, desto größer ist dessen möglicher Abstraktionsgrad. Durch Deep Learning können unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umgewandelt werden. Es können also schwierigere Sachverhalte bearbeitet werden. Entsprechend findet Deep Learning im Alltag häufig in der Bild- und Spracherkennung Anwendung.
Wie Maschinen lernen
Indem sie aus vorliegenden Beispieldaten Muster erkennt, daraus Modelle entwickelt und ihr Wissen auf neue Situationen anwendet, lernt eine KI. Dieser Prozess wird als „maschinelles Lernen“ bezeichnet. Wie gut und schnell eine KI lernt, hängt wiederum davon ab, wie groß und aussagekräftig die Datenmenge ist, die ihr zur Verfügung gestellt wird. Darüber hinaus werden drei Arten des maschinellen Lernens unterschieden: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen (Reinforcement Learning). Beim überwachten Lernen wird die richtige Lösung vorgegeben und die KI soll ihre Erfahrung auf neue Situationen anwenden. Beim unüberwachten Lernen sucht die KI nach Ähnlichkeiten oder Unterschieden – es werden keine Trainingsdaten eingegeben. Beim Reinforcement Learning lernt die KI durch Feedback auf ihre Ergebnisse.
Ziel aller Lernverfahren ist, dass eine KI Zusammenhänge in einer großen Datenmenge erkennen und daraus neue Erkenntnisse generieren kann. Diese Fähigkeit macht den KI-Einsatz in vielen Teilen der Verwaltung und der Wirtschaft interessant. Ein Beispiel dafür sind Frühwarnsysteme, wie die Telefónica Deutschland sie bei der Instandhaltung ihrer Mobilfunknetze einsetzt. Durch KI können Anomalien im Mobilfunknetz identifiziert und damit frühzeitig erkannt werden. Weiterhin können Störungen durch maschinelles Lernen gezielt priorisiert werden: Das erleichtert die Wartung und Optimierung des Telefónica-Netzes. Die Techniker im Außendienst können dadurch Maßnahmen noch gezielter einleiten und Fehler schneller beheben.
Andere Beispiel für den Einsatz künstlicher Intelligenz sind Sprachassistenten, KI-gestützte Übersetzungsdienste oder die Gesichtserkennung im Bereich der Inneren Sicherheit. Eines der ältesten und bekanntesten Beispiele für die maschinelle Verarbeitung natürlicher Sprache ist die Spam-Erkennung, die die Betreffzeile und den Text einer E-Mail analysiert und entscheidet, ob es sich dabei um eine Spam-Mail handelt oder nicht.
Serie KI kurz erklärt
Teil 2: Die deutsche KI-Strategie
Die nächste Entwicklungsstufe der Digitalisierung
Aufgrund ihres Potenzials gilt die KI als nächste Entwicklungsstufe der Digitalisierung. Um dieses Potenzial zu heben, muss aber weiter geforscht und in Innovationen investiert werden. In Deutschland forschen neben dem Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) die Helmholtz-Gemeinschaft sowie die Fraunhofer- und die Max-Planck-Gesellschaft zur KI. Nach einer Auswertung des Wissenschaftsverlags Elsevier steht Deutschland im internationalen Vergleich der Anzahl wissenschaftlicher Publikationen zur KI auf Platz 5, hinter China, USA, Japan und Großbritannien. Die Bundesregierung hat sich zum Ziel gesetzt, Deutschland und Europa zu einem führenden KI-Standort zu machen. Wie sie das erreichen will und wo sie Handlungsbedarf sieht, hat sie in ihrer Strategie Künstliche Intelligenz zusammengefasst. Um diese geht es dann im zweiten Teil unserer Serie zum Thema KI.
Empfehlung der Redaktion
Artikel teilen
Autor:in
