Direkt zum Inhalt
Künstliche Intelligenz (KI)

Und am Anfang war der Algorithmus

Bild: Omelchenko / Shutterstock.com

Die Entwicklung Künstlicher Intelligenz wird heute in unterschiedlichen Zusammenhängen diskutiert und angewendet: Maschinelles Lernen und Neuronale Netze sind zwei davon. Die Begriffsvielfalt verwirrt und führt zu Unklarheiten. Was genau steckt hinter der jeweiligen Methode und welchen Praxisnutzen hat sie? Der aktuelle Statusreport „Maschinelles Lernen“ des Vereins Deutscher Ingenieure (VDI) gibt die passenden Antworten.

Künstliche Intelligenz (KI), Maschinelles Lernen (ML) und der Einsatz Neuronaler Netze (NN) werden in Zukunft eine noch größere Rolle spielen. Daran zweifelt niemand mehr. Häufig fällt es jedoch schwer, diese Bereiche exakt voneinander abzugrenzen. Gemeinsam ist allen, dass sie auf Algorithmen basieren, also eindeutigen Handlungsvorschriften zur Lösung eines Problems, bestehend aus definierten Einzelschritten.

KI bildet den Oberbegriff für Algorithmen, die intelligente Entscheidungen treffen können. Die heutigen Entwicklungen von KI beruhen auf den Erkenntnissen über den Menschen als denkendem Wesen. Maschinen und Systeme ahmen dieses Vorbild möglichst umfassend und erfolgreich nach. Sie sind in der Lage, logische Schlussfolgerungen zu ziehen und wie ein Experte zu handeln. Sogar Ergebnisse, die jenseits der menschlichen Leistungsfähigkeit liegen, sind möglich, etwa der „Erkenntnisgewinn“ aus der Analyse riesiger Datenmengen. Zu Anfang der KI-Forschung in den 1950er Jahren hätte das noch niemand für möglich gehalten. Die modernste Ausprägung der KI nutzt neuronale Netzwerke, um selbstlernende Systeme für das maschinelle Lernen zu entwickeln.

 

Die EINE Künstliche Intelligenz gibt es nicht

KI ist nicht gleich KI und es gibt auch nicht die eine KI, dazu ist dieser Begriff und vor allem das, was dahintersteckt, viel zu komplex. Die heute verwendeten Ansätze in der KI unterscheiden am häufigsten die symbolische und die subsymbolische KI.

Fakten, Ereignisse und ihre Zusammenhänge sammeln und als ein abstraktes Modell darstellen, so das Vorgehen der symbolischen KI. Auf dieser Basis zieht die KI logische Schlussfolgerungen oder plant komplexere Vorgänge. Der Nachteil dieses Ansatzes: Zunächst muss eine möglichst vollständige Wissensbasis erstellt werden, was in der Praxis oft zeitintensiv und fehleranfällig ist. Die verwendeten Algorithmen sind in ihren Entscheidungen durch das vorab definierte Regelwerk begrenzt und können nur sehr schwer mit Datenunsicherheiten umgehen.

Im Gegensatz dazu lernt die subsymbolische KI aus Erfahrungen und Beispielen – sozusagen von unten nach oben. Sie verarbeitet Informationen und entwickelt daraus Problemlösungen. Die subsymbolische KI erkennt Regelmäßigkeiten (Muster) in großen Datenmengen und verwendet diese Muster, um Daten zu bewerten, zu vergleichen und zu vervollständigen. Texte analysieren oder Fotos nachbearbeiten sind beispielhafte Anwendungsmöglichkeiten.

 

Maschinelle Lern-Systeme sind leistungsorientiert

ML nutzt ausgefeilte Algorithmen, um aus enormen Datenmengen zu lernen. Je größer die Datenmenge, auf die die Algorithmen zugreifen können, desto mehr lernen sie und desto größer wird ihr Wissen. Nur durch Fortschritte beim ML, das gerne auch als Unterdisziplin von KI bezeichnet wird, kann sich KI selbst weiterentwickeln.

Im Gegensatz zu KI wird ein ML-System danach beurteilt, was es leistet und welche Ergebnisse es liefert. Beispiele für den Einsatz von ML-Systemen sind die personalisierten Produkteempfehlungen bei Amazon, die Gesichtserkennung bei Facebook oder die Vorschläge für die schnellste Route bei Google Maps.

 

Unterschiedliche Methoden des Maschinellen Lernens

Aber auch ML ist nicht immer gleich ML. Drei grundsätzliche Methoden werden aktuell unterschieden:

  • Überwachte Lernalgorithmen trainieren mit Daten, die bereits die richtigen Antworten enthalten. Sie erstellen Modelle, die die Daten den Antworten zuordnen. Diese Modelle werden für die weitere Verarbeitung genutzt.
  • Unüberwachte Algorithmen lernen von Daten, die die richtigen Antworten nicht enthalten. Sie verwenden große, vielfältige Datensets zur eigenständigen Verbesserung.
  • Im Gegensatz zu den anderen beiden Lernmethoden braucht das bestärkende ML kein Ausgangsdatenmaterial, um das lernende System zu trainieren. Das Wissen entsteht durch viele verschiedene Simulationsdurchläufe. Dabei werden Lösungen und Strategien auf Basis von erhaltenen Belohnungen generiert. Das bestärkende Lernen ist dem menschlichen Lernen am ähnlichsten.

Doch egal, welche Methode gewählt wird, der Einsatz von ML bringt Unternehmen zahlreiche Vorteile: Sie beschleunigt und automatisiert nicht nur die Entscheidungsfindung, sie steigert auch die Effizienz von Prozessen, weil die Prognosen exakter werden und durch automatisierte Aufgaben Kosten gesenkt werden können. Unternehmen, die ML einsetzen, stellen damit die Weichen für innovative Geschäftsmodelle, Produkte und Services.

 

Das menschliche Gehirn als Vorbild

(Künstliche) Neuronale Netze (NN) stellen neben dem ML einen weiteren Zweig der KI dar. NN erkennen Muster in Datensätzen und ordnen die passenden Daten zu. Dadurch können Modelle erstellt und logische Zusammenfassungen gebildet werden. Ein Netzwerk aus miteinander verbundenen Neuronen simuliert dazu den Aufbau und die Abläufe im menschlichen Gehirn.

Die Neuronen arbeiten in kleinen Datenverarbeitungseinheiten. Sie sind schichtweise angeordnet, Verbindungskanäle leiten die Informationsdaten weiter. Damit das einzelne Neuron darauf reagieren kann, muss eine Gewichtung und ein Schwellenwert eingestellt sein. Die Gewichtung wird in den Verbindungen festgelegt und bestimmt, wie hoch der Einfluss der Daten auf das Neuron ist: ein positives Gewicht übt auf ein anderes Neuron einen verstärkenden Einfluss aus, ein negatives hat hemmende Wirkung. Der Schwellenwert legt fest, ab welcher Gewichtung das Neuron aktiviert wird. Das alles passiert in der ersten Schicht: der Eingabeschicht.

Die Informationsdaten, die die Neuronen durch die Verbindungskanäle aktivieren, werden in die nächste Schicht abgegeben: die Aktivierungsschicht. Je mehr Aktivierungsschichten es gibt, desto genauer kann das NN Informationen filtern und ordnen. Ist alles Unwichtige herausgefiltert, wird die wichtige Information in der letzten Schicht ausgegeben.

Die Industrie setzt NN beispielsweise bei der Qualitätskontrolle, in der Robotersteuerung oder in der Kapazitätsplanung ein. Im Marketing helfen Neuronale Netze, Zielgruppen zu bestimmen und Konsumanalysen durchzuführen. NN unterstützen KI-Anwendungen beim Dateimanagement und der Spracherkennung. Im öffentlichen Leben können sie zum Beispiel Fahrpläne und Ampelschaltungen optimieren. Und nicht zuletzt sind NN jedem schon als das „Gehirn“ hinter Alexa, Siri und Co. begegnet.

 

Und in Zukunft?

KI mit ihren Unterdisziplinen ML und NN eröffnet Unternehmen viele neue Möglichkeiten des technologischen Fortschritts. Künstliche Intelligenz, Maschinelles Lernen und Neuronale Netze werden in den nächsten Jahren viele weitere Gesellschafts- und Wirtschaftsbereiche erobern – gerade auch in global kritischen Bereichen wie Landwirtschaft, intelligenten Städten oder Klimawandel.

Klar ist und bleibt: Es muss immer der Mensch sein, der die Anwendungsgebiete definiert und festlegt, innerhalb welcher Bereiche KI und damit auch ML wirken dürfen. Der Grad an Autonomie eines Systems unterliegt dabei nicht nur den technischen Limitierungen der KI. Auch rechtliche und ethische Rahmenbedingungen sowie die Forderungen nach Datensicherheit setzen hier die entsprechenden Grenzen.

Die VDI-Gesellschaft Mess- und Automatisierungstechnik, Fachbereich Optische Technologien hat den Statusreport "Maschinelles Lernen" im November 2019 herausgebracht. 

Mitwirkende: haupt- und ehrenamtlichen Experten des VDI, Vertreter von Hochschulen, aus dem Karlsruher Institut für Technologie, dem Fraunhofer-Institut für Produktionstechnik und Automatisierung sowie Hersteller von industriellen Software- und Sensorlösungen.

 

Autorin: Alice Quack
Redaktion: Thomas Kresser