KI klingt erstmal schwierig und kompliziert. Dabei kann man Künstliche Intelligenz leicht verständlich erklären … wie in dieser Serie von Blog-Artikeln.
Wie lernen Maschinen, damit Künstliche Intelligenz entsteht? Und warum hat KI mehr mit der emotionalen Intelligenz zu tun als mit dem Intelligenzquotienten? Darum geht es in diesem Beitrag zur Serie „Künstliche Intelligenz – leicht verständlich“.
Kurzer Rückblick
Im ersten Teil haben wir wichtige Aspekte von KI kennengelernt: Neuronales Netz, Regression, Klassifikation. Wir haben mehrere Anwendungsfälle betrachtet, wie beispielsweise Bilderkennung und Textverständnis. Und wir haben die Frage aufgeworfen, ob KI dies alles beherrscht, ob sie vielleicht sogar besser ist als der Mensch.
Auch dieser zweite Beitrag stammt von Florian Werner-Jäger. Legen wir los.
Neuronale Netze lernen
Es stellt sich die Frage: Weshalb können Maschinen/Systeme dies alles eigentlich?
Natürlich kann Künstliche Intelligenz das nicht anhand von starren Regeln. Die Grundidee der modernen KI ist, dass Neuronale Netze sich Dinge selbst beibringen. Doch wie kann das sein, dass sich ein Neuronales Netz selber die Fähigkeit beibringt?
Nehmen wir als Vorbild die Natur. Stellen Sie sich vor, ich habe einen Hund. Ein Hund hat eine gewisse Ähnlichkeit mit einem Neuronalen Netz. Nämlich kann ich dem Hund auch nicht direkt etwas beibringen, indem ich ihm etwas erkläre. Zum Beispiel kann ich ihm kein Lehrbuch vorlesen und der Hund würde verstehen, wie er sich verhalten soll.
Sondern der Hund lernt immer nur durch Feedback von seinem Besitzer. Dieser versucht dem Hund etwas beizubringen, indem er ihm Feedback gibt: „Das war gut“ oder „Es war nicht gut.“
Mein Hund ist ziemlich jung und ich möchte ihm beibringen, dass er Stöckchen holt. Also gehe ich mit ihm spazieren. Am Wegrand gibt es eine große Wiese. Das Gras ist sehr hoch gewachsen. Ich nehme ein Stöckchen und werfe es ganz weit in die Wiese. Der Hund rennt los und dann kann ich ihn erstmal nicht sehen. Ich sehe nur das Gras rascheln, weiß aber nicht, was mein Hund tut.
Irgendwann kommt er wieder und hat im Maul eine Gummiente. Komisch, was die Leute so wegwerfen.
Eine Gummiente ist aber nicht das Stöckchen. Mein Hund hat es natürlich falsch gemacht und ich kritisiere ihn. Das soll man in Wirklichkeit nicht tun, aber es ist ja nur ein fiktiver Hund. Also sage ich ihm: „Böse! Das hast du nicht richtig gemacht!“
Der Hund weiß nicht, was er falsch gemacht hat, weil ich ihm die Regeln nicht erklären kann. Aber er weiß, das war nicht richtig und wird beim nächsten Versuch probieren, sein Verhalten zu ändern.
So ist das auch bei Neuronalen Netzen. Wenn man ihnen das Feedback gibt, dass das Ergebnis nicht richtig war, werden sie über einen sogenannten Algorithmus versuchen, ihre Verhaltensweise zu ändern.
Ich werfe das Stöckchen ein zweites Mal. Mein Hund rennt wieder los und kommt mit einem Hufeisen im Maul zurück. Das sieht schon eher wie ein Stöckchen aus.
Ich kritisiere; dieses Mal nicht ganz so viel. Aber er weiß, dass es immer noch nicht richtig ist.
Beim dritten Versuch werfe ich das Stöckchen und er kommt zurück mit dem Stöckchen im Maul. „Das hast du gut gemacht! Guter Hund.“ Hier bekommt mein Hund, also das Neuronale Netz, das positive Feedback. Dies ist die wichtige Grundidee des Lernprozesses (Machine Learning) bei einem Neuronalen Netz.
Beispiele für lernende Neuronale Netze
In den Medien wird häufig formuliert, dass die Maschinen alles von selbst lernen und sich von selber weiterentwickeln. Was damit gemeint ist (oder gemeint sein sollte): Maschinen lernen nicht beliebige Dinge von sich aus, sondern sie lernen anhand von Beispielen.
Nehmen wir an, wir haben ein selbst fahrendes Auto. Dieses muss natürlich unterwegs die Verkehrsbedingungen richtig wahrnehmen. Dazu gehört auch, dass das Auto verstehen muss, welche Verkehrsschilder vor ihm sind und wie es sich dann verhalten muss.
Wie wird das trainiert? Wenn wir bei unserem Beispiel bleiben, dann zeige ich dem Neuronalen Netz Beispiele von verschiedenen Verkehrsschildern (wir haben hier eine Klassifikation, vgl. Teil 1). Das System soll nämlich erkennen, um welche Art von Verkehrszeichen es sich handelt, beispielsweise um eine Ampel.
Die Klassifikation würde vielleicht am Anfang bei einem untrainierten Neuronalen Netz sagen: „Das ist ein Stoppschild.“ Dann würde ich als sozusagen virtueller Lehrer antworten: „Nein, das ist falsch! Das hast du nicht richtig gelernt.“ Durch dieses Feedback wird das Neuronale Netz über einen bestimmten Algorithmus sein Verhalten ändern. Nach sehr vielen Trainingseinheiten, also nach sehr vielen Beispielen mit Verkehrsschildern, sollte es dann richtig funktionieren.
Das ist das Grundprinzip von Maschinenlernen: ich zeige dem System Beispiele und das System wird versuchen, diese richtig zu beantworten. Am Anfang werden die Antworten fast zu 100 Prozent falsch sein. Erst über das Feedback wird die Maschine lernen, diese Beispiele richtig einzusortieren.
Wenn man dies mit dem menschlichen Gehirn vergleicht, dann ist es das Kleinhirn, das hier arbeitet. Das heißt, so wie ein Mensch intuitiv anhand von Beispielen lernt, ist es auch hier, dass ein System intuitiv anhand von Beispielen und dem Feedback dazulernt, ob es richtig unterwegs ist oder nicht.
Jetzt bist Du dran 😉
Im ersten Teil von „Künstliche Intelligenz – leicht verständlich“ hatten wir die Behauptung, dass KI das Wahlverhalten der Bürger vorhersagen kann, wenn Fotos von Straßen mit Autos vorliegen. Ob und wie das geht, lesen Sie im nächsten Artikel (siehe auch Links in den Kommentaren unten).
Wie Sie KI in ihren beruflichen Alltag einbinden (auch wenn Sie vielleicht bisher nichts mit KI zu tun hatten), erfahren Sie im Seminar Künstliche Intelligenz (KI) erfolgreich einsetzen.
Abonniere den Blog für rechtzeitige Infos über neue Inhalte.
5 comments