Was ist künstliche Intelligenz (KI)?

Abhängig von der Entwicklungsphase oder den ausgeführten Aktionen kann künstliche Intelligenz auf verschiedene Arten organisiert werden. 

Vier Stufen der KI-Entwicklung werden beispielsweise allgemein anerkannt.

1. Reaktive Maschinen: Eingeschränkte KI, die basierend auf vorprogrammierten Regeln nur auf verschiedene Arten von Stimuli reagiert. Verwendet keinen Speicher und kann daher nicht mit neuen Daten lernen. Ein Beispiel für eine reaktive Maschine war Deep Blue von IBM, der 1997 den Schachmeister Garry Kasparov besiegte.
2. Beschränkter Speicher: Die meisten modernen KIs gelten als speicherbegrenzt. Sie kann sich im Laufe der Zeit verbessern, indem sie mit neuen Daten trainiert wird, typischerweise durch ein künstliches neuronales Netzwerk oder ein anderes Trainingsmodell. Deep Learning, ein Teilbereich des maschinellen Lernens, gilt als künstliche Intelligenz mit begrenztem Speicher.
3. Theory of mind: Theory of Mind-KI gibt es derzeit noch nicht, aber es wird an ihren Möglichkeiten geforscht. Sie beschreibt eine KI, die den menschlichen Verstand nachahmen kann und über Entscheidungsfähigkeiten verfügt, die denen eines Menschen gleichkommen, einschließlich des Erkennens und Erinnerns von Emotionen und des Reagierens in sozialen Situationen, wie es ein Mensch tun würde. 
4. Eigenes Bewusstsein: Eine Stufe über der Theory of Mind-KI beschreibt die KI mit eigenem Bewusstsein eine mythenhafte Maschine, die sich ihrer eigenen Existenz bewusst ist und über die intellektuellen und emotionalen Fähigkeiten eines Menschen verfügt. Wie die Theory of Mind-KI existiert auch die KI mit eigenem Bewusstsein derzeit nicht.

Eine sinnvollere Art, die verschiedenen Formen künstlicher Intelligenz zu kategorisieren, ist die Frage, was die Maschine tun kann. Alles, was wir derzeit als künstliche Intelligenz bezeichnen, wird als künstliche „eingeschränkte“ Intelligenz betrachtet, da sie aufgrund ihrer Programmierung und ihres Trainings nur eine begrenzte Anzahl von Aktionen ausführen kann. Beispielsweise kann ein KI-Algorithmus, der für die Objektklassifizierung verwendet wird, kein Natural Language Processing ausführen. Die Google Suche ist eine Form von eingeschränkter KI, ebenso wie Vorhersageanalysen oder virtuelle Assistenten.

Künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI) wäre die Fähigkeit einer Maschine, wie ein Mensch zu „fühlen, denken und zu handeln“. AGI existiert noch nicht. Die nächste Stufe wäre die künstliche Superintelligenz (ASI), bei der die Maschine in der Lage wäre, in jeder Hinsicht besser zu funktionieren als ein Mensch. 

Wenn Unternehmen von KI sprechen, meinen sie oft auch „Trainingsdaten“. Aber was bedeutet das? Künstliche Intelligenz mit begrenztem Speicher ist KI, die mit der Zeit mit neuen Daten trainiert wird. Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der Algorithmen zum Trainieren von Daten verwendet, um Ergebnisse zu erhalten.

Allgemein werden beim maschinellen Lernen häufig drei Arten von Lernmodellen verwendet:

Beim überwachten Lernen handelt es sich um ein maschinelles Lernmodell, das eine bestimmte Eingabe einer Ausgabe zuordnet und dabei auf gelabelte Trainingsdaten (strukturierte Daten) zurückgreift. Um den Algorithmus darauf zu trainieren, Bilder von Katzen zu erkennen, füttern Sie ihn mit Bildern, die als Katzen gekennzeichnet sind.

Nicht überwachtes Lernen ist ein Modell für maschinelles Lernen, das anhand von Daten ohne Label (unstrukturierte Daten) Muster lernt. Im Gegensatz zu überwachtem Lernen ist das Endergebnis im Voraus nicht bekannt. Stattdessen lernt der Algorithmus aus den Daten und teilt sie nach Attributen in Gruppen ein. Nicht überwachtes Lernen eignet sich zum Beispiel gut für die Musterübereinstimmung und beschreibende Modellierung. 

Neben dem überwachten und nicht überwachten Lernen wird häufig ein gemischter Ansatz verwendet, der teilweise überwacht ist. Dabei werden nur bestimmte Daten mit einem Label versehen. Beim teilweise überwachten Lernen ist ein Endergebnis bekannt, aber der Algorithmus muss herausfinden, wie die Daten organisiert und strukturiert werden müssen, damit die gewünschten Ergebnisse erzielt werden.

Bestärkendes Lernen ist ein Modell für maschinelles Lernen, das allgemein als „Lernen lernen“ bezeichnet werden kann. Ein „Agent“ lernt, eine bestimmte Aufgabe per Versuch-und-Irrtum-Methode (eine Feedbackschleife) auszuführen, bis seine Leistung in einem gewünschten Bereich liegt. Der Agent erhält eine positive Bestärkung, wenn er die Aufgabe gut ausführt hat, und eine negative Verstärkung, wenn er eine schlechte Leistung erzielt. Ein Beispiel für den Einsatz des Bestärkendes Lernen ist das Lehren einer Roboter-Hand, sodass die Hand einen Ball aufnehmen kann. 

Ein gängiges Trainingsmodell in KI ist ein künstliches neuronales Netzwerk, das ungefähr auf dem menschlichen Gehirn basiert. 

Ein neuronales Netzwerk ist ein System künstlicher Neuronen – manchmal auch Perceptronen genannt –, die rechengestützte Knoten nutzen, um Daten zu klassifizieren und zu analysieren. Die Daten werden in die erste Ebene eines neuronalen Netzwerks eingespeist, wobei jedes Perzeptron eine Entscheidung trifft und diese Information dann an mehrere Knoten in der nächsten Ebene weitergibt. Trainingsmodelle mit mehr als drei Ebenen werden als „neuronales Deep-Learning-Netzwerk“ oder „Deep Learning“ bezeichnet. Einige moderne neuronale Netzwerke haben Hunderte oder Tausende von Ebenen. Die Ausgabe der endgültigen Perceptronen erfüllt die Aufgabe, die dem neuronalen Netzwerk gestellt wurde, z. B. die Klassifizierung eines Objekts oder das Auffinden von Mustern in Daten. 

Einige der gebräuchlichsten Arten von künstlichen neuronalen Netzwerken, denen Sie begegnen können, sind:

Neuronale Feed-Forward-Netzwerke (FF) sind eine der ältesten Formen neuronaler Netzwerke, bei denen Daten durch Ebenen von künstlichen Neuronen fließen, bis die Ausgabe erreicht wird. In der heutigen Zeit werden die meisten neuronalen Feed-Forward-Netzwerke als „deep feedforward “ mit mehreren Ebenen und mehr als einer „ausgeblendeten“ Ebene betrachtet. Neuronale Feed-Forward-Netzwerke sind in der Regel mit einem Fehlerkorrekturalgorithmus namens „Backpropagation“ gekoppelt, der, einfach ausgedrückt, mit dem Ergebnis des neuronalen Netzwerks beginnt und bis zum Anfang zurückarbeitet, um Fehler zu finden und die Genauigkeit des neuronalen Netzwerks zu verbessern. Viele einfache, aber leistungsstarke neuronale Netzwerke sind Deep-Feedforward-Netzwerke.

Rekurrentes neuronales Netz (RNN) unterscheidet sich von den neuronalen Feed-Forward-Netzwerkmodelle insofern, als sie in der Regel Zeitachsendaten oder Daten verwenden, die Sequenzen enthalten. Im Gegensatz zu neuronalen Feed-Forward-Netzwerkmodellen, die Gewichtungen an jedem Knoten des Netzwerks verwenden, haben rekurrente, d. h. rückgekoppelte, neuronale Netze einen „Speicher“ dessen, was im vorherigen Layer passiert ist, der einen Beitrag zur Ausgabe des aktuellen Layers leistet. Bei der Verarbeitung natürlicher Sprache können RNN andere Begriffe, die bereits in einem Satz verwendet wurden, „berücksichtigen“. RNNs werden häufig für die Spracherkennung, die Übersetzung und die Erstellung von Untertiteln verwendet. 

Langzeit-/Kurzzeitspeicher (LSTM) ist eine erweiterte Form von RNN, die sich mithilfe von Speichern daran „erinnern“ kann, was in den vorherigen Ebenen passiert ist. Der Unterschied zwischen RNNs und LTSM besteht darin, dass sich LTSM mithilfe von „Speicherzellen“ merken kann, was vor mehreren Ebenen passiert ist. LSTM wird häufig für die Spracherkennung und für Vorhersagen verwendet. 

Convolutional Neural Networks (CNN) (faltendes neuronales Netzwerk) enthalten einige der gängigsten neuronalen Netzwerke in der modernen künstlicher Intelligenz. CNNs werden meist in der Bilderkennung eingesetzt und verwenden unterschiedliche Ebenen (eine Faltungsebene, dann eine Pooling-Ebene), die verschiedene Teile eines Bildes filtern, bevor sie diese wieder zusammensetzen (in der vollständig verknüpften Ebene). Die früheren Faltungsebenen können nach einfachen Merkmalen eines Bildes wie Farben und Kanten suchen, bevor sie in weiteren Ebenen nach komplexeren Merkmalen suchen.

Generative adversarial networks (GAN) (erzeugende gegnerische Netzwerke) bezeichnen zwei neuronale Netzwerke, die in einem Spiel gegeneinander konkurrieren. Dies verbessert letztendlich die Genauigkeit der Ausgabe. Ein Netzwerk (der Generator) erstellt Beispiele, die das andere Netzwerk (der Diskriminator) versucht, als wahr oder falsch zu beweisen. GANs werden verwendet, um realistische Bilder zu erstellen und sogar Kunstwerke zu schaffen.