Künstliche Intelligenz (KI) -Anwendung und Beispiele
Das Thema der Künstlichen Intelligenz (KI) wird tagtäglich in allen Bereichen der Wirtschaft, Industrie, Bildung sowie auch im privaten Leben präsenter. Es vergeht kein Tag, an dem wir uns nicht auf die Stärke von KI-Algorithmen wissentlich oder unwissentlich verlassen. Dieser Beitrag stellt die rudimentärsten Grundlagen zu Künstlicher Intelligenz, Machine Learning und Deep Learning vor.
Künstliche Intelligenz in unserem Alltag
Menschen, die sich beruflich oder privat nicht näher mit der KI-Technologie beschäftigen, haben eine vage Vorstellung von ihr. Diese ist hauptsächlich von populären Science-Fiction-Filmen wie „Terminator, ,,Matrix“ oder „A.I. Artificial lntelligence“ inspiriert. Allerdings ist die KI heute in weit weniger spektakulären und humanoiden Formen wie Spam-Filtern oder digitalen Sprachassistenten wie „Alexa“ (Amazon) oder „Siri“ (Apple) präsent und ein wesentlicher Teil des Alltags. So verstecken sich beispielsweise hinter jeder Google-Anfrage KI-Algorithmen, welche in dem nahezu unendlich großen Informationsfluss des Internets die geeignetsten Treffer filtert und kategorisch präsentiert. Spam-Filter sind ein weiteres Beispiel für den Einsatz von KI-Algorithmen, welche uns den Alltag erleichtern. Es gibt allerdings auch KI-Anwendungen, die teilweise erstaunliche, aber auch fatale Resultate erzielen, sodass die allgemeine Akzeptanz der Anwendung von KI-Algorithmen zur Lösung von Problemen in der Gesellschaft sowie bei Behörden derzeit noch nicht unbedingt vorliegt. Eine fortschreitende Digitalisierung aller Industriezweige in Verbindung mit stetig sinkenden Kosten der Datenverarbeitung und -speicherung ebnen der KI in vielfältiger Form den Weg vom akademisch geprägten Thema in den privaten und beruflichen Alltag. Aufgrund der sich unmittelbar abzeichnenden intensivierten Forschung und der zunehmenden Datenmengen werden KI-Algorithmen in mittelfristiger Zukunft fester Bestandteil unseres täglichen Lebens analog zu den Spam-Filtern. Konkrete Beispiele für diese Vision stellen das autonome Fahren von Fahrzeugen oder die nachhaltigen und optimierten Smart Cities dar, die insbesondere über KI-Algorithmen des sog. Deep Learnings (DL) bzw. Tiefen Lernens funktionieren.
Die Entwicklung von KI
KI ist eine rasant wachsende Technologie, die mittlerweile in nahezu allen Branchen weltweit Einzug gehalten hat und von der man sich eine neue Revolution aufgrund der Datenverarbeitungsmöglichkeiten verspricht.
Der Terminus Künstliche Intelligenz ist ein übergeordnetes Konzept, das im Jahr 1956 auf einer Konferenz an der Dartmouth University erstmals vorgestellt wurde. unter dem Begriff der Technologie Künstliche Intelligenz versteht man im Allgemeinen die autonome Übernahme und Bearbeitung von Aufgaben durch Maschinen unter Entwicklung und Anwendung von Algorithmen, welche es der Maschine ermöglichen, intelligent zu handeln. Eine sehr kurze und dabei prägnante Definition von KI (aus vielen möglichen) wurde durch Elaine Rich gegeben, der KI folgendermaßen definiert:
„Künstliche Intelligenz ist die Studie, wie man Computer dazu bringt, Dinge zu tun, in denen Menschen im Moment besser sind.“
KI wird als Oberbegriff für alle Entwicklungen der Informatik verwendet wird, die sich hauptsächlich mit der Automatisierung von intelligentem und emergentem Verhalten wie beispielsweise visueller Wahrnehmung, Spracherkennung, Sprachübersetzung und Entscheidungsfindung befassen. Im Lauf der vergangenen 80 Jahre haben sich eine Reihe von Teilgebieten der KI herausgebildet. Für die Produktion und Logistik betraf es in erster Linie Machine Learning, was sich zunächst auf die Mustererkennung und später auf Deep Learning unter Verwendung ausschließlich künstlicher neuronaler Netze konzentrierte. Modelle und Algorithmen bilden wesentliche Bausteine für die Anwendung der KI auf praktische Probleme. Ein Algorithmus ist folgendermaßen definiert: Er ist ein Satz eindeutiger Regeln, die einem KI-Programm gegeben werden, um ihm zu helfen, aus der Erfahrung (hier: Daten) für eine bestimmte Aufgabe (hier: das zu untersuchende Problem) unter einem Leistungsmaß (hier: der Fehler zwischen Kl-Vorhersage und einer bekannten Grundwahrheit innerhalb des Datensatzes) selbständig zu lernen. Die Erfahrung ist ein ganzer Datensatz, bestehend aus Datenpunkten (auch Beispiele genannt). Ein einzelner Datenpunkt besteht mindestens aus Merkmalen (einzelne messbare Eigenschaft; erklärende Variable).
Für spezifische Aufgaben können den Merkmalen auch Ziele (abhängige Variablen) zugeordnet wer· den. Das einfachste Beispiel hierfür ist eine Regressionsaufgabe, bei der die Aufgabe für einen Al-Algorithmus darin besteht, optimale Modellparameter bei gegebener Erfahrung zu finden, z.B. unter Nutzung des least-squares Leistungsmaßes.
Machine Learning
Für Machine Learning lassen sich zwei unterschiedliche Hauptaufgaben unterscheiden, die hier kurz vorgestellt werden. Während beim überwachten Lernen (supervised learning) ein prädiktives Modell basierend auf sowohl Einfluss- als auch Antwortvariablen entwickelt werden soll, wird beim unüberwachten lernen (unsupervised leaming) ein Modell nur aufgrund der Einflussvariablen trainiert (Clustering). Beim überwachten Lernen wird darüber hinaus zwischen Klassifizierungs- und Regressionsproblemen unterschieden. Während beim Erstgenannten die Antwortvariablen nur diskrete Werte annehmen können, liegen die Antwortvariablen bei Regressionsproblemen kontinuierlich vor.
Deep Learning
Beim Deep Learning nutzt man sog. Künstliche neuronale Netze (KNN), um vor allem Muster und hoch- nichtlineare zusammenhänge in Daten zu erkennen. Ein künstliches neuronales Netz basiert auf einer Sammlung von verbundenen Knoten, welche dem menschlichen Gehirn ähneln. Aufgrund ihrer Fähigkeit, nichtlineare Prozesse zu reproduzieren und zu modellieren, haben künstliche neuronale Netze in vielen Bereichen Anwendung gefunden, wie beispielsweise bei der Materialmodellierung und -entwicklung, Systemidentifikation und -steuerung (Fahrzeugsteuerung, Prozesssteuerung), Mustererkennung (Radarsysteme, Gesichtserkennung, Signalklassifizierung, Objekterkennung und mehr). Sequenzerkennung (Gesten-, Sprach-, Handschrift- und Texterkennung). Ein KNN wird durch die Verbindung von Schichten aufgebaut, die aus mehreren Neuronen bestehen, wobei die erste Schicht des KNN die Eingabeschicht, die letzte Schicht die Ausgabeschicht und die dazwischen liegenden Schichten als verborgene Schichten bezeichnet werden. Wenn ein KNN mehr als 3 verborgene Schichten besitzt, spricht man von einem tiefen neuronalen Netz.