„Artificial Intelligence“ (AI) wird ins Deutsche gerne mit dem Begriff „Künstliche Intelligenz“ (KI) übersetzt. Das trifft es nicht ganz. „Artificial“ bezieht sich eher auf so etwas wie „sehr schlaue Vorgehensweise oder Handwerkskunst“. Auch „Intelligence“ ist nicht mit Intelligenz gleichzusetzen. Die „CIA – Central Intelligence Agency“ ist ja auch keine „zentrale Intelligenz – Agentur“. „Erkenntnis“, das „Gewinnen von Informationen“ auf eine „schlau, diffizile Art“, das trifft es eher. Bei AI oder der KI handelt es sich daher eher um Programme, die mit ausgeklügelten Mechanismen / Algorithmen eine verlangte Art von Informationen synthetisieren.
Nun tauchen in den letzten Jahren
zunehmend Artikel in Zeitungen und Fachpublikationen auf, die sich dem Thema
widmen. Muske Gründer von Tesla
warnen vor den Auswirkungen des Technologieeinsatzes. Die Kanzlerin würde wohl auch
hier davon sprechen, dass wir Neuland betreten.
KI ist eigentlich ganz einfach
erklärbar. Sie grenzt sich ab von den „normalen“
Computerwissenschaften. Bei der „alten“ Informatik geht es schlicht darum, Regeln in Form von Algorithmen zu formulieren
und stur abzuarbeiten. Ein Programm
geht seinen Programmcode schlicht sequentiell
(Schritt für Schritt) durch. Wenn es „Wenn
– Dann – Fälle“ gibt („Wenn der 13.03.2018 ein Sonntag ist, dann starte um
4:30 die Mars-Expedition), dann wird in einem Programm verzweigt. Der eigentliche Clou liegt in der Möglichkeit, Wiederholungen mit der Abfrage von Zählerständen
einzusetzen: „Solange Dein Weinfass
nicht geleert ist (Inhalt Weinfass > Null) verkaufst Du Wein“!
Klingt einfach. Kann man
komplizierter machen! Wie legt mensch mit Hilfe eines Computerprogramms fest,
wann und wie ein ICE zu warten sei!?!? Menschen sind schlau, manche mögen
Kreuzworträtsel. Es gibt Menschen, die es lieben, „mehrere Millionen Zeilen“ in
irgendeiner Computer – Sprache zu schreiben. Mehrere Millionen Zeilen
produzieren aber unausweichlich alle 2.000 Zeilen mindestens einen
Programmierfehler. Und manche Probleme sind so komplex, dass man sie nicht im
Detail abbilden kann. Oder, es ist einfach zu wenig Wissen vorhanden. Wissenschaftlich
ausgedrückt gibt es Probleme, die „hochgradig
indeterminiert“ sind. Bei diesen Problemen besteht die Gefahr einer „kombinatorischen Explosion“. Welcher Kreuzworträtselversteher kann hier
erfolgreich sein?
Da kommt der „Ausweg KI“ ins Spiel!
„Künstliche Intelligenz“ hat zwei
relevante Ausprägungen. Es gibt „Regelbasierte
Systeme“ und es gibt „Neuronale
Netze“. Und den Rest halt, Robotic and such. In diesem Text werden
Neuronale Netze betrachtet
Neuronale Netze
versuchen als Anspruch, das menschliche Gehirn
imitieren zu können. Die Biologie irgendwelcher Gehirne ist keinesfalls verstanden
oder gar im Detail nachvollziehbar. Aber! Auch einfache Gehirne von irgendwelchen
Tieren arbeiten vernetzt.
Nervenzellen sind mit tausenden oder millionen anderer Nervenzellen verbunden /
verknüpft. In den einzelnen Nervenzellen / Nervenknoten oder schon auf dem Weg
dahin findet jeweils eine Art von „Logik“ statt. Das Gehirn von Fliegen ist klein. Dennoch können die
kleinen Biester an Decken landen. Versuchen Sie das mal selbst mit Flügeln.
Solche „faszinierenden, diffizilen Techniken“ versucht man mit Neuronalen
Netzen zu imitieren. „Nervenknoten“ werden durch Speicherelemente auf Speichermedien (z. B. Festplatten) mit
möglichst tausenden Attributen abgebildet. Zwischen diesen Speicherknoten (mit möglichst
vielen Attributen / Adjektiven) werden „Zeiger“ / Links (logische Verweise von Knoten A zu Knoten B oder zu allen
Knoten XYZ oder mit z. B. der Logik –A +
–B = C) gesetzt. Die Logiken und Strukturen sind am Anfang überbordend gewählt.
Je mehr Zeiger mit desto mehr Logiken, umso besser. Ein Neuronales Netz ist zwar
zu Beginn nackt. Aber natürlich lernt der Mensch aus seiner Erfahrung und
baut jeder neuen Version eines Neuronalen Netzes ein paar Grundlogiken oder Heuristiken
ein. Eingangsdaten werden systematisch aufgesplittet, um die Masse der
Eingangsdaten bewußt zu steigern.
Oder sie werden eingeengt, um die Komplexität zu senken.
Danach werden die Systeme
letztendlich in drei Schritten „angelernt“. Jedes Anlernen kann schief
gehen! Jedes Anlernen ist „teuer“
und „kostenintensiv“.
Nehmen wir das Beispiel „Kaninchenerkennung“! Google startete das Projekt, um ein
Neuronales Netz darauf zu trainieren, gezeichnete Kaninchen erkennen zu können. „Nicht weniger als die gesamte Menschheit war und ist also seitdem (dazu) aufgerufen, in maximal 20 Sekunden eine Zeichnung“ eines Kaninchens bei
Google anzufertigen. Und Hunderttausende machten mit. Diese Bilddaten
werden als Input (Eingabedaten) für
das Neuronale Netz verwendet.
![]() | |
"Neuronale Verknüpfungen im Nervensystem des Fadenwurms Caenorhabditis elegans: Netzwerk aller seiner rund 300 Nervenzellen" (Quelle: Wikipedia: Autor: Mentatseb / Lizenz: GNU Free Documentation License, Version 1.2 ) |
Der erste Schritt! Ja! Bei Google gibt es tatsächlich Mitarbeiter, die
dem System mitteilen, dass es sich bei dem einen Bild um ein Kaninchen handelt,
bei einem anderen aber nicht. Auch diese Information ist ein Input! Der Aufwand,
ein neuronales System zu trainieren, ist also enorm, da ja auch mit einem Faktor X Bilder eingegeben werden
müssen, die halt keine Kaninchen darstellen.
Der zweite Schritt! Das Neuronale Netz „darf“ bereits während der
Trainingsphase mitteilen, ob es ein Kaninchen erkennt. Das ist im „ersten
Schritt“ einfach für das System. Sein Output
sollte 100% Erfolg zeigen!
Dann aber wird das System getestet. Es werden Kaninchenbilder eingegeben und das Ergebnis wird mit „JA“ – ein Kaninchen oder „NEIN“
– kein Kaninchen bewertet! Es werden Bilder eingegeben, die keine Kaninchen
zeigen. Der Output des Neuronalen Netzes wird kommentiert: JA oder Nein. Ist ein Kaninchen oder keines.
Im dritten Schritt finden die abschließende Testphase und die Feinjustierung
statt. Verschiedenste Prüfungen validieren
die Effektivität (weniger die
Effizienz) eines Neuronalen Netzes.
Problematisch sind einige Aspekte bei dieser Vorgehensweise.
~Es gibt tatsächlich irritierend „erfolgreiche“ Ergebnisse
in der „Mustererkennung“ ( also z.
B. das Muster ‚gezeichnetes Kaninchen‘). Aber es stellen sich halt Fragen.
~Selbst dann, wenn ein Neuronales Netz
eine Ergebnis-Rate von 80% + liefert, wird das Ergebnis von Menschen geprüft. Wozu benötigt man dann überhaupt das
Neuronale Netz? Auch ein Mensch kann erkennen, ob es sich um ein Kaninchen
handelt.
~Der „Weg“, der „Algorithmus“, den das
Neuronale Netz „verwendet“ ist nicht
nachvollziehbar. Es fehlt die „Erklärung“!
~Um es zu präzisieren. Was hat das
System erkannt? Ein Kaninchen? Oder nur den „Schwarz-Prozentwert“ zwischen Werten einer Zeichnung und deren Hintergrund
im Vergleich? Oder war es ein Vergleich mit "menschlichen Augenbrauen", der zum Tragen kam. Weil eine solche "Intelligenz" nichts ahnend vorab als "Mustererkennung" in das System eingebaut wurde?
~Manche Neuronale Netze (Facebook) arbeiten bei einem Echteinsatz mit einer minimalen Anzahl
von Input-Eingaben: „Fünf Likes reichen
aus“!
~Gerade Facebook leitet aber nicht qualifizierte Empfehlungen aus its work
ab! Es werden Intelligensprofile
erstellt.
~Bestätigen die Ergebnisse Neuronaler Netze nur die Eingaben? Handelt es
sich hier also eher um „erstellte
Horoskope“ im Ergebnis?
~Neuronale Netze werden auch gerne als
„Big Data“ bezeichnet. Fragen Sie
gerne bei der Berlin-Brandenburgischen
Akademie der Wissenschaften nach! Es kommt bei Neuronalen Netzen auf „Schwellwerte“ an! Setze ich einen
solchen Wert hoch, dann habe ich wenige Kaninchen. Setze ich den runter, dann
habe ich viele Kaninchen!
~Wertet man die Ergebnisse von
Neuronalen Netzen „sozialwissenschaftlich“
aus, so trifft man regelmäßig auf das Phänomen, dass Neuronale Netze extrem konservative Gesellschaftsvorstellungen
abbilden. Frauen stehen halt am Herd, wenn eine Fragestellung "Kaninchen" betrifft!. Oder aber: Kaninchen werden von Frauen "gestreichelt".
~Denn das Hauptproblem ist und bleibt: Diese Systeme werden nicht nach wissenschaftlichen Methoden
entwickelt! Diese „Forschung“ erfolgt „pragmatisch“!
It is Bullshit-Castle, was da „gebastelt“ wird! Es scheint zu
funktionieren! Ich selbst kann dann also zu 80% als schwul gelten. Man kann aus
der Länge meiner Nase gerne die Länge meines Penis ableiten wollen. Der bleibt
unser eigener. Es bleibt dabei:
Horoskope bringen auch „Wissenserwerb“.