zurück zur Übersicht

Artificial Intelligence and Machine Learning – Buzzword Bingo für die nächste Technologiegeneration

Die Halbwertszeit unseres täglichen Wissens sinkt stetig, die Technologieentwicklung schreitet unaufhaltsam voran. Im digitalen Zeitalter fallen mehr Daten und Informationsmengen an als jemals zuvor. Es erfordert entsprechende Tools und Konzepte, um diese Datenmengen (Big Data) für verschiedenste Zwecke auszuwerten und als Entscheidungsgrundlage zu verwenden. Doch was passiert, wenn diese Entscheidungen eine kritische Zeitkomponente, z.B. Echtzeitanwendungen enthalten? Das menschliche Wesen stößt mit seinen Kapazitäten dort schnell an seine Grenzen. Ein Thema mit sehr großem Zukunftspotential ist die in den Medien oft als eierlegende Wollmilchsau beschriebene Technologie der Artificial Intelligence bzw. des Machine Learning. Doch was steckt eigentlicher hinter diesen ominösen Schlagwörtern, welche aus den Informationsmedien scheinbar nicht mehr wegzudenken sind?

1. Begriffsdefinitionen

Die von Menschenhand erschaffene künstliche Intelligenz eines digitalen Systems wird wie folgt definiert:

Artificial intelligence (AI), the ability of a digital computer or computer-controlled robot to perform tasks commonly associated with intelligent beings. The term is frequently applied to the project of developing systems endowed with the intellectual processes characteristic of humans, such as the ability to reason, discover meaning, generalize, or learn from past experience

AI kann in vier Verschiedene Bereiche unterteilt werden – Reasoning, Natural Language Processing (NLP), Planning und Machine Learning (ML):

Abb.1 – AI Konzepte, Machine Learning for Dummies – Judith Hurwitz, Daniel Kirsch

Machine Reasoning ermöglicht es einem System, Rückschlüsse aus Daten zu ziehen. Diese Technologie besitzt die Fähigkeit, trotz unvollständigen Daten Schlussfolgerungen zu ziehen. NLP umfasst die Kapazitäten von Computern mit Hilfe von Katalogen, Wörterbüchern und Sprachmodellen die menschliche Sprache sowie Text zu verstehen und zu verarbeiten. Automatisiertes Planning besteht aus der Fähigkeit, selbstständig und flexibel zu reagieren um eine Folge von Aktionen für ein bestimmtes Ziel auszuführen. Dies unterscheidet sich vom normalen deterministischen Ansatz, da das System basierend auf der Umgebung und dem Kontext die Entscheidungen trifft (und nicht aufgrund von programmierten Entscheidungsbäumen). Machine Learning ist eine AI Technologie, bei der ein digitales System selbstständig durch Daten lernt und trainiert wird. Dabei werden verschiedene algorithmische Ansätze verwendet. Diese Algorithmen lernen in einem iterativen Prozess und verändern somit pro Iteration den Output.

2. Machine Learning Algorithmen

Es gibt vier verschiedene Konzepte, mit denen Machine Learning entwickelt und implementiert wird:

  • Supervised Learning

Dabei wird mit einem klassifizierten Set aus Daten gearbeitet, d.h. In- und Output sind bekannt. Dabei wird nach bestimmten Mustern gesucht. Ein Beispiel für eine Anwendung ist die Wettervorhersage, bei der durch bekannte Muster aus der Vergangenheit und die aktuellen Bedingungen ein Ergebnis ermittelt wird.

  • Unsupervised Learning

Beim Unsupervised Learning sind die Daten noch nicht aufbereitet und klassifiziert. Der Input wird zur Mustererkennung bereitgestellt, das Verständnis der Daten wird durch den Algorithmus entwickelt. Dieser klassifiziert und verarbeitet die Daten durch die verschiedenen vorgefundenen Muster oder Cluster (Datensegmente) ohne menschlichen Eingriff. Dieser Prozess wird bei nicht klassifizierten bzw. nicht aufbereiteten Daten verwendet, bei dem ein vorprozessieren der großen Datenmenge nicht möglich ist.

  • Reinforcement Learning

Dieses Konzept basiert auf Verhaltensmodellen, der Algorithmus erhält Feedback nach der Datenanalyse. Das System wird nicht durch ein beispielhaftes Datenset trainiert, das System lernt nach dem „Trial&Error“-Verfahren. Eine Folge von erfolgreichen Entscheidungen resultiert in einem verstärktem/angereicherten (‚reinforced‘) Prozess, da er für das Problem die optimalste Lösung darstellt. Dieses Konzept wird beispielsweise in der Robotik oder in Computerspielen angewandt.

  • Deep Learning

Deep Learning verwendet neuronale Netze, welche in verschiedene Schichten unterteilt sind, um von Daten in einem iterativen Prozess zu lernen. Eine der Stärken ist das Lernen von Mustern in unstrukturierten Daten. Neuronale Netze emulieren das menschliche Gehirn, sodass Computer trainiert werden können, mit einer gewissen Abstrahierung und schwach definierten Problemen umzugehen. Ein neuronales Netz besteht aus mindestens drei Schichten – Input Layer, versteckte Middle Layer(s) und dem Output Layer. Daten werden durch den Input Layer eingespeist, der Middle Layer prozessiert die Daten, welche im Output Layer dargestellt werden. Von Deep Learning spricht man, wenn mehrere versteckte Schichten in einem neuronalen Netz eingesetzt werden. Dieses Konzept findet z.B. in der Bilderkennung und Computer Vision Anwendung.

3. Zukunftspotential von Artificial Intelligence

AI wird unsere Zukunft mehr und mehr beeinflussen und in vielen Bereichen komplett neue Möglichkeiten aufzeigen und erschließen. Die digitale Transformation in Hinblick auf eine komplette Vernetzung von Systemen und den anfallenden Daten wird diese Entwicklung weiterhin vorantreiben. Autonomes Fahren, Big Data Analysis oder auch anderweitige Programme wie z.B. IBM Watson sind aktuelle Projekte, die diese neuen Technologien aktiv einsetzen und schon beachtliche Fortschritte erzielt haben. Doch gibt es aus gesellschaftspolitischer Sicht nicht nur Chancen, sondern auch Bedenken.

Mehrere prominente Persönlichkeiten (unter anderem Elon Musk, CEO von Tesla) warnten kürzlich vor der möglicherweise unkontrollierbaren „Blackbox“ Technologie, da die Entscheidungsprozesse nicht mehr nachvollziehbar seien. Somit besteht laut ihnen die Gefahr einer AI-Apokalypse, in der Menschen durch Maschinen ersetzt oder gar beherrscht werden. Auch im Cubespotter haben wir schon über die Schattenseiten der KI berichtet. Auch ein unlängst von Google gestartetes Experiment mit der hauseigenen KI „DeepMind“ hinterlässt ein beunruhigendes Gefühl: Künstliche Intelligenzen agieren ohne moralischen Code und können selbsttätig aggressives Verhalten erlernen, um ein gesetztes Ziel zu erreichen.

Andererseits ist der Einsatz von KI – besonders in der IT-Security – ein wahrer Segen. Längst wird Machine Learning eingesetzt, um selbst gut versteckte Angreifer in Netzwerken zu identifizieren und auszuschalten. Auch in der Malware- und Virenabwehr stellen die neuen, auf KI basierenden Lösungen alle konventionellen Lösungen in den Schatten. Unsere Vergleichstests beweisen das regelmäßig sehr deutlich. Die Effektivität dieser Methoden ist tatsächlich bahnbrechend.

Was letztendlich passieren wird – wer weiß. Sicher ist für mich nur eines – ungeahnte Möglichkeiten stehen mit dieser Technologie bevor, welche in ein paar Jahren aus unserem alltäglichen Umfeld wohl nicht mehr wegzudenken sein wird.

 


Links/Quellen:

Machine Learning for Dummies – Judith Hurwitz, Daniel Kirsch

https://hackernoon.com/understanding-understanding-an-intro-to-artificial-intelligence-be76c5ec4d2e

https://thenextweb.com/artificial-intelligence/2017/09/10/glossary-basic-artificial-intelligence-terms-concepts/

https://www.britannica.com/technology/artificial-intelligence

https://www.sciencealert.com/google-deep-mind-has-learned-to-become-highly-aggressive-in-stressful-situations

https://www.vanityfair.com/news/2017/03/elon-musk-billion-dollar-crusade-to-stop-ai-space-x

The machines strike back – Artificial Intelligence from the dark side

When AI goes bad – Neue Bedrohungen durch KI-Nutzung/

 

Schreibe einen Kommentar