(Quelle: SeaRick1/Shutterstock.com)

Die Begriffe Künstliche Intelligenz (KI), Maschinelles Lernen (ML) und Algorithmus werden allzu oft falsch verwendet, verwechselt und missverstanden. Sie werden durcheinandergebracht, obwohl sie klar definierte Bedeutungen haben. Leider können diese Bedeutungen bei falscher Auslegung in einem sich schnell entwickelnden Bereich, der schon für sich komplex genug ist, für zusätzliche Verwirrung sorgen. Lassen Sie uns daher einen Blick auf die Grundlagen von Algorithmen, künstlicher Intelligenz und maschinellem Lernen werfen und herausfinden, was diese Disziplinen im Einzelnen bedeuten, wie und wo sie verwendet werden und warum sie jeweils geschaffen wurden. Wir beginnen mit den Algorithmen, da sie die Grundlage für KI und ML bilden.

Vereinfacht ausgedrückt ist ein Algorithmus ein Satz von Regeln, die bei der Durchführung von Berechnungen oder der Lösung eines bestimmten Problems befolgt werden müssen. Dabei enthält ein Algorithmus eine Abfolge von Schritten, um zu einer Lösung zu gelangen. Während die meisten von uns Algorithmen mit Anweisungen an einen Computer in Verbindung bringen, können sie auch ein einfaches Rezept darstellen, das Sie vielleicht für Ihr Abendessen heute Abend verwenden.

Algorithmen funktionieren, indem sie als Abkürzungen fungieren, die einem Computer sagen, was als Nächstes zu tun ist, und diese Anweisungen durch die Verwendung von „und“, „oder“ oder „nicht“ Anweisungen geben. Sie können extrem einfach (Abbildung 1) oder unglaublich komplex sein.

Abbildung 1. Ein einfacher Algorithmus zum Finden der größten Zahl in einer zufällig geordneten Liste von Zahlen. (Quelle: Wikipedia)

In Abbildung 1 lautet die High-Level-Beschreibung des Algorithmus:

1. Wenn es keine Zahlen in der Menge gibt, dann gibt es auch keine höchste Zahl.
2. Nehmen Sie an, dass die erste Zahl in der Menge die größte Zahl in der Menge ist.
3. Für jede verbleibende Zahl in der Menge: Wenn diese Zahl größer ist als die aktuell größte Zahl, betrachten Sie diese Zahl als die größte Zahl in der Menge.
4. Wenn es keine Zahlen mehr in der Menge gibt, über die iteriert werden kann, wird die aktuell größte Zahl als größte Zahl der Menge betrachtet.

Die Anweisungen können explizit programmiert werden, andere Algorithmen erlauben es Computern jedoch, selbständig zu lernen, wie beim maschinellen Lernen. Bevor wir über ML sprechen, wollen wir uns mit dem umfassenderen Thema der Künstlichen Intelligenz beschäftigen.

Künstliche Intelligenz (KI) kombiniert eine Reihe von Algorithmen, um unvorhergesehene Umstände zu bewältigen. KI ist ein Überbegriff und maschinelles Lernen und Deep Learning (DL) sind Untergruppen. KI-Systeme interagieren mit dem Benutzer auf natürliche Weise. Amazon, Google und Apple sind die Vorreiter bei der Nutzung von KI und den unstrukturierten Daten, die ihr zugrunde liegen.

Im Jahr 2018 gab es einen großen Schub in Richtung Humanparität beim Leseverständnis. Die Entwickler machten sich das überwachte Lernen und gelabelte Beispiele zunutze, um KI-Modelle darin zu trainieren, spezifische konkrete Zielaufgaben wie eine Bildklassifizierung durchzuführen. Ein Jahr später entstand daraus ein neuer KI-Trend. Selbstüberwachtes Lernen wurde eingesetzt, um den Modellen zu helfen, ein Verständnis für die reichhaltige kontextuelle Semantik der Sprache durch leicht verfügbare relevante Inhalte zu entwickeln. Eine Art, wie dieser bahnbrechende Ansatz den Modellen beim Lernen hilft, ist das Lesen von Text, das Ausblenden verschiedener Wörter und deren Vorhersage auf der Grundlage des verbleibenden Textes.

Durch die Nutzung dieses selbstüberwachten Lernens erreichte das Turing-Modell von Microsoft im Jahr 2020 eine neue Höchstmarke von 17 Milliarden Parametern, die eine Vielzahl praktischer Sprachmodellierungsaufgaben wie Zusammenfassungen, kontextbezogene Vorhersagen und die Beantwortung von Fragen ermöglichen. Das Turing-Modell von Microsoft verfügt über ein tiefes Grundverständnis der menschlichen Sprache und kann so die beabsichtigte Bedeutung ableiten und in Echtzeit auf Unterhaltungen und Fragen aus einem Dokument präzise reagieren.

Im gleichen Maße, wie KI-Systeme lernen, verbessert sich ihre Genauigkeit. Es wird erwartet, dass die Anzahl der Parameter innerhalb weniger Jahre in die Billionen gehen wird, was es für KI einfacher macht, Benutzer zu unterstützen und eine unglaubliche Genauigkeit zu liefern, die mit strukturierten Daten allein nicht zu erreichen ist. Wie findet dieses Lernen, das zu einer noch nie dagewesenen Genauigkeit führt, statt?

Beim maschinellen Lernen werden strukturierte Dateneingaben und Algorithmen verwendet, um Annahmen zu treffen, die Daten neu zu bewerten und die ursprünglichen Algorithmen basierend auf neu entdeckten Bedingungen neu zu konfigurieren. Dies erfolgt ohne menschliches Zutun, daher der Begriff Maschinelles Lernen. Da ein ML-System sehr viele Daten sehr schnell verarbeitet, hat es den Vorteil, alle möglichen Muster und Lösungen in einer Geschwindigkeit und Fähigkeit zu entdecken, die ein Mensch niemals erreichen könnte.

Komplexe Systeme stellen aber auch komplexe Herausforderungen dar. Da Maschinelles Lernen weitestgehend auf Annahmen beruht, können Systeme schnell den falschen Weg einschlagen, was zu unerwartetem Verhalten und Ergebnissen führt. Ein Beispiel ist das Scheitern des Programms für selbstfahrende Fahrzeuge von Uber im Jahr 2018, nachdem falsche Annahmen dazu führten, dass ein Fußgänger getötet wurde.

Abbildung 2. Beim maschinellen Lernen handelt es sich um Computeralgorithmen, die sich aufgrund von Erfahrungen automatisch verbessern. Die Algorithmen bauen ein Modell auf Basis von Beispiel- oder Trainingsdaten auf, mit dem Ziel, Vorhersagen zu treffen (Lernen). (Quelle: Wikipedia)

Es gibt zahlreiche ML-Beispiele. Nehmen wir zum Beispiel die Erkennung von Kreditkartenbetrug. Sollte die Kreditkartennutzung außerhalb eines für diesen Karteninhaber vorhergesagten Musters liegen, wird der Benutzer aufgefordert, die Legitimität verdächtiger Transaktionen zu überprüfen. Das ML-System passt sich dann weiter an und modifiziert sein Verständnis von akzeptablen Nutzungsmustern.

Maschinelles Lernen kann eine Reihe von Ergebnissen liefern, die alle richtig sein können, aber viele der Ergebnisse sind möglicherweise nicht von Anfang an vorhersehbar. Es gibt auch viele Gründe, warum ein ML-Projekt nicht genau genug sein kann.

Ein Grund dafür, dass die meisten Experimente mit künstlicher Intelligenz scheitern, ist, dass es ihnen an frühzeitiger Anleitung fehlt, um Schlussfolgerungen zu erlernen. Maschinen handeln in Form von Nullen und Einsen. Zweideutigkeit funktioniert nicht.

Betrachten Sie beispielsweise das Prinzip des Schmerzes. Ein Kind braucht einen Trainer, der ihm sagt: „Wenn du den Herd anfasst, tut es weh und das ist schlecht.“ Oder, nach dem gleichen Muster: „Wenn du läufst, wirst du wahrscheinlich Schmerzen verspüren. Es wird weh tun, und das ist gut so.“ Schlussfolgerungen helfen einem ML-System, zwischen positiven und negativen Ergebnissen zu unterscheiden. Wie im Uber-Beispiel zu sehen, wird dies beim Deep Learning noch wichtiger, da das System ohne das Feedback einer Art Coach möglicherweise eine falsche Annahme trifft. Bis eine ausreichende Menge an Erlerntem vorhanden ist, muss die Maschine durch mehrdeutige Ergebnisse geführt werden. Wenn eine Frage mit „vielleicht” statt „ja” oder „nein” beantwortet werden kann, müssen weitere Fragen gestellt werden!

Eine weitere Herausforderung ist, dass, wenn es unendlich viel Zeit und unbegrenzte Mittel gäbe, Routinen mit jeder möglichen Kombination und Bedingung entwickelt würden, und der Prozess nicht dort stoppen würde. Es wäre sinnvoll, darüber nachzudenken, wie sich die Bedingungen und Kombinationen in Zukunft ändern könnten. Üblicherweise werden Routinen zu starr gestaltet, was zu einem unflexiblen Datenstrom führt.

Schlussfolgerungen sind alles beim Lernen. Sobald eine Engine intelligenter wird, ist eine Korrektur möglich. Ein scheinbar eindeutiger Eintrag von „half-and-half“ auf einer Einkaufsliste wird, wenn er nicht vom Benutzer korrigiert wird, zweimal als „half“ (halb) angezeigt. Wenn der Benutzer den Eintrag jedoch korrigiert, berücksichtigt die Engine die Korrektur und möglicherweise die gleiche Korrektur von 10.000 anderen und akzeptiert standardmäßig half-and-half als gültigen Eintrag. Es ist, als würde man einem Kind die Muttersprache beibringen. Wie wenn man die Bedeutung eines Wortes versteht und dann begreift, dass sich die Bedeutung ändern kann, wenn man ein Wort mit einem anderen Wort unter diesen Bedingungen verbindet.

Alle Regeln und Vorschriften müssen vorhanden sein, damit der Algorithmus richtig funktioniert. Der Algorithmus hat keinen gesunden Menschenverstand und keine Ahnung von Dingen, die offensichtlich falsch sind – das Programm versteht es einfach nicht. Ein Algorithmus muss perfekt sein, mit sehr spezifischen und klaren Aktionsplänen, um zu funktionieren. Und genau da liegt der Haken.

Zusammenfassend lässt sich sagen, dass, wenn man sich die Natur dieser beiden Begriffe ansieht, es klar ist, dass sie nicht austauschbar verwendet werden sollten. Stattdessen ist es am besten, die Begriffe auf folgende Weise zu betrachten: Ein Algorithmus ist die Formel oder Anleitung zur Lösung eines Problems, KI nutzt Daten und Algorithmen, um Aktionen zu initiieren und Aufgaben zu erledigen. Maschinelles Lernen hingegen ist eine Anwendung von KI, gleichbedeutend mit automatischem Lernen auf der Grundlage früherer Daten und der Historie. Während Algorithmen die Grundlage für KI und ML bilden, sind letztere die Grundlage für unsere Zukunft.