Email to someoneTweet about this on TwitterShare on FacebookShare on LinkedIn

“Die Gefahr der Künstlichen Intelligenz liegt nicht darin, dass Maschinen mehr und mehr wie Menschen denken, sondern dass Menschen mehr und mehr wie Maschinen denken.“ Joseph Weizenbaum, Informatiker, Kybernetiker und Gesellschaftskritiker

Blog: Künstliche Intelligenz Part III Januar 2019, Daniel Joseph

Intelligenz ist eine zentrale Eigenschaft des Menschen. Künstliche Intelligenz hingegen umfasst Maschinen, die beispielsweise aktuell in der Lage sind, Bilder zu interpretieren oder auf sprachliche Äußerungen reagieren. Dennoch muss man eine gewisse Abgrenzung zum Begriff des Maschine Learning finden. Dem KI-Pionier Alan Turing war es schon zu Anfang der Künstlichen Intelligenz klar, dass man intelligente Computer kaum händisch bis ins kleinste Detail programmieren könnte. Schon im Jahre 1950 hat Turing geschrieben, dass es eine zügigere Methode geben müsste – das Maschine Learning. Mit diesen Methoden sind Computer in der Lage aus vorhandenen Daten, Beobachtungen und Beispielen zu lernen und dadurch ihr Verhalten zu verbessern. Vergleicht man nun intelligente Computersysteme mit der menschlichen Intelligenz, so stellt man fest, dass diese einen unterschiedlichen Charakter haben. 

Computer haben bereits große Durchbrüche erzielt. Man könnte sagen, dass bei Themen wie Strategie oder Bilderkennung die KI mittlerweile wie der Mensch oder gar besser funktioniert. Dennoch darf man nicht vernachlässigen bei kreativen Aufgaben hat der Mensch noch das Zepter in der Hand.

Abb. 1 – Quelle: Fraunhofer Institut: Einsatzmöglichkeiten von KI-Systemen

Interessant ist eher die Frage der Interaktionen zwischen Mensch und KI. Beim Kundenservice und bei Supportanfragen trifft man schon häufiger mal auf einen sogenannten Chat-Bot. Doch wir können nicht in einer philosophischen Weise eine Künstliche Intelligenz bestätigen. Lediglich die Nicht-Unterscheidbarkeit zwischen den Interaktionen von Mensch zu Maschine und von Mensch zu Mensch. Das ist sehr nützlich für praktische Zwecke, beispielsweise beim Kundenkontakt wo man einfache Funktionalitäten, simple Antworten auf erster Ebene geben möchte.

Neuronale Netze im KI-Umfeld

Ursprünglich biologisch inspirierte Methode des maschinellen Lernens sind die Neuronalen Netze. Man versteht darunter eine Abfolge von Funktionen, die aus einer Menge von Eingaben über mehrere Schichten Ausgaben berechnen. Ähnlich wie beim menschlichen Gehirn können Zwischenergebnisse von einem solchen Netz in ganz anderer Art aufgebaut, festgestellt oder repräsentiert werden, so dass sehr viel größere Leistungen machbar sind. Dies wird durch die algorithmischen Fortschritte und die massiven Trainingsdaten (Stichwort Big Data) möglich. 

Die Auswahl von diesen Daten ist von größter Bedeutung, gerade wenn man darauf verzichtet, vorher Wissen zu modellieren und dadurch auch für das System gewisse Grenzen zu ziehen. Vorteile von Neuronalen Netzen sind:

  • Weniger notwendig relevante Faktoren der Eingabe zu bestimmen (vgl. dazu wissensbasierten Systemen)
  • Einfacher zu entwickeln (vgl. dazu statistische Modellen)
  • Lernen (Anpassung von Parametern)
  • Inhärente Parallelität
  • Fehlertoleranz
  • Gute Ergebnisse bei Klassifikation und Vorhersage

Abb. 2 – Quelle: Fraunhofer Institut: Lern- und Einsatzphasen

 

Kurzübersicht in Maschinelles Lernen und deren Einflüsse

Die Arbeit im maschinellen Lernen konvergiert jetzt aus mehreren Quellen. Diese unterschiedlichen Traditionen bringen jeweils unterschiedliche Methoden und verschiedenste Vokabeln mit sich, die jetzt in einer einheitlicheren Disziplin aufgenommen werden. Hier sind eine der Disziplinen aufgeführt, die zum maschinellen Lernen beigetragen haben; weitere Details folgen:

  • Statistik:

Ein seit langem bestehendes Problem in Statistiken ist die beste Verwendung von Stichproben aus unbekannten Wahrscheinlichkeitsverteilungen, um zu entscheiden, aus welcher Verteilung einige neue Stichprobe gezogen werden. Ein verwandtes Problem ist es, wie der Wert einer unbekannten Funktion an einem neuen Punkt geschätzt werden kann, wenn die Werte dieser Funktion an einer Menge von Abtastpunkten angegeben werden. Statistische Methoden zum Umgang mit diesen Problemen können als Fälle von maschinellem Lernen betrachtet werden, da die Entscheidungs- und Schätzregeln von einem Korpus von Proben abhängen, die aus der Problemumgebung entnommen wurden. 

  • Gehirnmodelle:

Nichtlineare Elemente mit gewichteten Eingaben wurden als einfache Modelle für biologische Neuronen vorgeschlagen. Netzwerke dieser Elemente wurden von mehreren Forschern untersucht. Gehirnmodellierer interessieren sich dafür, wie sehr diese Netzwerke den Lernphänomenen lebender Gehirne nachkommen. Man hat festgestellt, dass einige wichtige Techniken des maschinellen Lernens auf Netzwerken nichtlinearer Elemente basieren – oft auch als neuronale Netzwerke bezeichnet. Arbeit, die von dieser Schule inspiriert wird, wird manchmal als Verbindung, Berechnung im Gehirnstil oder subsymbolische Verarbeitung bezeichnet.

  • Adaptive Regelungstheorie

Kontrolltheoretiker untersuchen das Problem der Steuerung eines Prozesses mit unbekannten Parametern, die während des Betriebs geschätzt werden müssen. Häufig ändern sich die Parameter während des Betriebs, und der Steuerungsprozess muss diese Änderung nachverfolgen. Einige Aspekte der Steuerung eines Roboters basierend auf sensorische Eingaben repräsentieren Fälle dieser Art von Problemen.

  • Psychologische Modelle:

Psychologen haben die Leistung von Menschen bei verschiedenen Lernaufgaben untersucht. Ein frühes Beispiel ist das EPAM-Netzwerk zum Speichern und Abrufen eines Mitglieds eines Wortpaares, wenn ein anderes gegeben wird. Verwandte Arbeiten führten zu einer Reihe von Methoden des frühen Entscheidungsbaums und des semantischen Netzwerks. Neuere Arbeiten dieser Art wurden durch Aktivitäten in der künstlichen Intelligenz beeinflusst. Einige der Arbeiten im Bereich des verstärkten Lernens lassen sich auf Bemühungen zurückführen, zu modellieren, wie Belohnungsreize das Lernen von zielsuchendem Verhalten bei Tieren beeinflussen. Verstärktes Lernen ist ein wichtiges Thema in der maschinellen Lernforschung.

  • Künstliche Intelligenz:

Die KI-Forschung befasste sich von Anfang an mit maschinellem Lernen. Samuel entwickelte 1959 ein bekanntes frühes Programm, das Parameter einer Funktion zur Bewertung von Brettpositionen im Checkerspiel erlernte. KI-Forscher haben auch die Rolle von Analogien beim Lernen untersucht und wie zukünftige Handlungen und Entscheidungen auf vorherigem Beispielfall basieren können. Neuere Arbeiten befassten sich mit der Entdeckung von Regeln für Expertensysteme unter Verwendung von Entscheidungsbaummethoden 

und induktiver Logikprogrammierung. Ein anderes Thema war das Speichern und Verallgemeinern der Ergebnisse der Problemlösung durch erklärungsbasiertes Lernen.

  • Evolutionäre Modelle

In der Natur lernen nicht nur einzelne Tiere, bessere Leistungen zu erbringen, sondern auch Arten, die sich besser in ihre individuellen Nischen einfügen. Da die Unterscheidung zwischen Entwicklung und Lernen in Computersystemen verwischt werden kann, wurden Techniken vorgeschlagen, die bestimmte Aspekte der biologischen Evolution modellieren, als Lernmethoden zur Verbesserung der Leistung von Computerprogrammen. Genetische Algorithmen und genetische Programmierung sind die bekanntesten Computertechniken für die Evolution. 

 

KI – Muss sie sich ethisch oder moralisch verhalten?

Wenn man diese Frage beantworten will, so muss man erst einmal zwischen »starke« und »schwache« KI unterscheiden. Es gibt keine universell akzeptierte Regelung. Die Diskussion um »schwache« oder »starke«  KI hat damit zu tun, ob wir KI lediglich als sich intelligent verhaltend klassifizieren. Diesbezüglich müssen wir uns die Frage stellen, ob wir einem KI-System gar ein Bewusstsein oder Personenrechte zubilligen würden, d.h. sowohl philosophisch, emotional oder auch nur juristisch.Nur was ist in einem tiefen Sinne intelligent, was kreativ? Wie wollen wir Menschen künstliche intelligente Systeme akzeptieren und behandeln?Ich denke es wäre niemals akzeptabel, würde sich eine KI weniger ethisch, weniger moralisch, korrekt, gesellschaftlich akzeptiert verhält als ein Mensch. An die KI müssen wir also mindestens die gleichen Maßstäbe setzen wie an Menschen. Was und wie das im konkreten (Einzel-)Fall heißt, wird natürlich noch zu diskutieren sein. Man nehme nur die beispielhafte Debatte bei autonomen Fahrzeugen. 

 

Einschätzung

Die Diskussion darüber wird eben durch die Fähigkeiten und die Verlässlichkeit maschineller Systeme weniger kompliziert. Wir müssen das positiv bewerten, wenn KI-Systeme gefährliche Situationen von vornherein gar nicht aufkommen lassen. Ich wünsche mir grundsätzlich eine engagierte, gesamtgesellschaftliche Debatte darüber, was KI-Systeme tun und können sollten und was nicht. In vielen verschiedenen Bereichen, etwa im Bereich Bildverarbeitung, haben intelligente Lösungen, die nun durch die Lernfähigkeit nochmals intelligenter geworden sind. Im ganzen Bereich der Industrie, der Produktion, der visuellen Inspektion sind solche Systeme im Einsatz (Stichwort: Maschine-Vision). Dies wird für die Öffentlichkeit vor allem im Bereich des autonomen Fahrens, Chat-Bots und Benutzeroberflächen sichtbar – zum Beispiel bei der stark verbesserten Fähigkeit von Computern, mit Sprache umzugehen. In den vergangenen Jahren hat man in der Forschung bei den Möglichkeiten sehr parameterreicher, tiefer neuronalen Netze, die man tatsächlichen trainieren kann, einen beträchtlichen Fortschritt gemacht. Aber wir sind bei der Entwicklung noch lange nicht am Ende. Wichtig wird sein, dass wir in den nächsten Jahren auch andere, wissensbasierte Techniken im Bereich der KI wieder anzubinden versuchen. Das ist ein derzeitiger Forschungsschwerpunkt. Unternehmen sollten sich genau mit den aktuellen Möglichkeiten der KI befassen und darüber nachdenken: Wie können wir von diesen Möglichkeiten profitieren und diese nutzen? Das muss von oberster Ebene geschehen, denn natürlich hat dies Auswirkungen auf das eigene Geschäftsmodell und die eigene Positionierung.  Wenn die Daten die zentrale Ressource sind, dann müssen diese Daten sicher sein. Außerdem muss ich in manchen Fällen als Unternehmen überlegen, mit wem teile ich diese Daten, mit wem baue ich dieses Geschäftsmodell auf? Welche Daten kann und darf ich sammeln und wie ist es um die Cybersicherheit bestellt? Meine Meinung ist ganz einfach: Man sollte als Unternehmen direkt durchstarten, investieren und Kompetenzen aufbauen. Außerdem sollte man sich die richtigen Partner mit einem gewissen Know-how (KI, Digitalisierung, Big Data) suchen, denn diese Fragen hängen eng zusammen. 

Über ihre Meinungen oder ideenreiche Diskussionen sowie Kritik freue ich mich sehr!

Bis bald und herzliche Grüße aus Frankfurt!

 

Portrait

Daniel Joseph

Practice Lead Germany
Technology, Data, Digital, Strategy & Change

Morgan Philips Executive Search Germany

 

 

Quellen:

  • Data Analytics, 2015, Dr. F. Moser, R. Dunkerbeck, V.Ossendoth, EY
  • Big Data – Changing the way businesses compete and operate, April 2014, P. van Kessel, J. Layman, J. Blackmore, I. Burnet, Y. Azuma, EY
  • Enabling Big Data – Building the capa-bilities that really matter, Mai 2014, R. Agarwal, E.Baltassis, J. Brock, J. Platt, BCG
  • The Trust Advantage – How to win with Big Data, November 2013, J. Rose, C. Barton, R. Souza, J. Platt, BCG
  • Big Data trifft auf künstliche Intelligenz – Herausforderungen und Implikationen für Aufsicht und Regulierung von Finanzdienstleistungen, BaFin
Email to someoneTweet about this on TwitterShare on FacebookShare on LinkedIn

Es kann nicht mehr kommentiert werden.