Künstliche Intelligenz (KI) / Artificial Intelligence (AI)
Posted by Julia Werner •
Künstliche Intelligenz programmieren: Worum geht es?
Künstliche Intelligenz zu programmieren ist der Traum vieler Computerprogrammierer. Worum es bei KI, wie die künstliche Intelligenz abgekürzt wird, eigentlich geht, ist vielen Menschen gar nicht so bewusst. Wir geben Ihnen die wichtigsten Infos.
Für Links auf dieser Seite zahlt der Händler ggf. eine Provision, z.B. für mit oder grüner Unterstreichung gekennzeichnete. Mehr Infos.
Künstliche Intelligenz: Worum es beim Programmieren von KI tatsächlich geht Die meisten Menschen stellen sich unter künstlicher Intelligenz wahrscheinlich einen Computer vor, der so programmiert wurde, dass er selbstständig "denken" kann, also intelligente Entscheidungen treffen und reagieren kann. Diese Vorstellung ist jedoch falsch. Kein Computer und keine Maschine kann tatsächlich denken - denn dazu ist ein Bewusstsein nötig. Ein Computer hat jedoch kein Bewusstsein. Ein Computer kann nur das, was ein Mensch programmiert.
Beim Programmieren von künstlicher Intelligenz geht es also nicht darum, einem Computer das Denken beizubringen. Vielmehr wird er so programmiert, dass er lernfähig ist. Er soll konkrete Probleme selbstständig lösen können.
Auch dabei geht es nicht um Denken, sondern um Nachahmen. Das betrifft auch Entscheidungen. KI kann abwägen zwischen Möglichkeiten und dann eine Wahl treffen. Allerdings kann sie nur aus den Optionen wählen, die vorher einprogrammiert wurden.
Künstliche Intelligenz kann also nur dass, was dem Computer vorher vorgegeben wurde - das allerdings meist besser, präziser und schneller als der Mensch.
Übrigens: Möchten Sie selbst Programmieren lernen, finden Sie bei uns hilfreiche Tipps zum Einstieg.
Künstliche Intelligenz programmieren: Worum es geht (Bild: Pixabay)
Programmieren von künstlicher Intelligenz nach Bedarf KI wird heute schon in vielen Bereichen angewandt, beispielsweise in komplexen Computerspielen, aber auch im Alltag. Beim Programmieren von KI spielen viele Fachbereiche eine Rolle, nicht nur Informatik oder Mathematik. Auch die Philosophie, die Psychologie, die Neurologie und die Linguistik fließen bei der Entwicklung von KI mit ein.
KI lässt sich in die neuronale und die symbolische künstliche Intelligenz unterteilen. Erstere versucht, die Strukturen und die Funktion des menschlichen Gehirns zu simulieren. Letztere orientiert sich an der jeweilige Problemstellung und dem Ergebnis.
Im Alltag wird KI beispielsweise in der Robotik programmiert und angewandt. Sie wird so programmiert, dass sie Produktionsvorgänge steuert oder einfach Aufgaben im Haushalt übernehmen kann.
Auch visuell wird künstliche Intelligenz genutzt, etwa bei der Musteranalyse bei Gesichts- oder Fingerabdruckerkennung.
Ein weiterer Schritt der Programmierung von künstlicher Intelligenz sind wissensbasierte Systeme. Dabei wird bei der Programmierung fachbezogenes Wissen eingespeist. Dieses erlaubt der KI bei Fragen logische Schlussfolgerungen und somit selbstständige Antworten. Allerdings basieren diese selbstständigen Antworten auch nur auf dem Wissen, dass der KI durch Programmierung zur Verfügung gestellt wird.
Video-Tipp: KI misst Gehirnwellen und visualisiert Gedanken
Künstliche Intelligenz: In diesen Online-Kursen lernst Du alles über KI (und wie man KI programmieren kann)
--> Das KI-System lernt selbst aus riesigen Datenbeständen, wie Aufgaben am besten gelöst werden.
Der Lernprozess mit den Trainingsdaten nennt sich Maschinelles Lernen (Machine Learning) oder Deep Learning . So wird aus Erfahrung - etwa durch Mustererkennung - Wissen erzeugt. Dabei wird mit modernen statistischen Methoden gearbeitet.
Wichtig dafür ist insbesondere die selbständige Lernfähigkeit des Computersystems. Der Computer lernt also zunächst selbst, wie Aufgaben gelöst werden.
1. Was ist "Künstliche Intelligenz" und worum geht es dabei?
1. Was KI eigentlich ist ,
2. Warum ist KI gerade jetzt wichtig? Warum der Hype?
Verschiedene Entwicklungen führen dazu, dass die Bedeutung von Artificial Intelligence enorm zugenommen hat:
Technologiefortschritt: Die Programmierung von Machine Learning/Deep Learning-Systemen mit künstlichen neuronalen Netzen ist inzwischen weit fortgeschritten.
Datenmenge: Es stehen in vielen Bereichen unglaublich große Datenmengen (Big Data) für Trainingszwecke der KI-Systeme zur Verfügung (etwa Bilddaten, Sprachdaten, Suchanfragen).
Computing Power: Die Rechnerleistung zur Bearbeitung der großen Datenmengen ist mittlerweile verfügbar.
Relevante Anwendungen: KI-Applikationen für den Massenmarkt werden möglich, zum Beispiel:
- Internetsuche (Google RankBrain)
- Email-Spamfilter
- Spracherkennung (Siri, Amazon Echo/Alexa, Google Home)
- Automatisierte Übersetzung (Google Translate)
- Bilderkennung (zum Beispiel in der Radiologie oder Gesichtserkennung)
- Robotik und Selbstfahrende Autos (verbinden KI-Technologie und mechanische Komponenten).
Die KI-Maschinen sind in vielen Bereichen den menschlichen Experten bereits weit überlegen. Meldungen über die Erfolge in Schach und Poker, im Lippenlesen und Gedankenlesen belegen das. Auch erste Musikstücke und Gemälde können von Computer-Systemen bereits eigenständig erstellt werden. Und sogar Chatbots können inzwischen schon erstaunlich natürlich klingen.
Nach Meinung von Experten wird die Künstliche Intelligenz in den nächsten Jahren viele Lebensbereiche und Wirtschaftszweige erreichen. Ernstzunehmende Kritiker wie Professor Russel von der UC Berkeley denken daher sogar über eine mögliche zukünftige Bedrohung durch "superintelligente" Roboter nach (Videovortrag).
Viele Jobs und Projekte bei Unternehmen und Organisationen entstehen momentan in der Entwicklung und Anwendung entsprechender Software-Programme. IT-Experten mit relevanten Kenntnissen sind dabei natürlich stark gefragt.
Der KI-Experte von Google/Baidu sagt: "Artificial Intelligence is the New Electricity" (ab 2:30):
(ab Minute 2:30; Neuronale Netzwerke ab Minute 25:30)
3. Wie kannst Du mehr über KI-Programmierung lernen?
Wir stellen Dir nachfolgend Bücher und Online-Kurse vor, die vor allem die Programmierung von KI-Systemen behandeln (manche sind sogar kostenlos). Diese sind meist für Informatikstudenten oder Softwareentwickler gedacht, die sich weiterbilden wollen. Aber auch sonstige Interessenten können hier natürlich einen Einblick gewinnen!
( Hinweis: Grundlegende Vorkenntnisse in einzelnen Bereichen werden manchmal vorausgesetzt. Bei Nachholbedarf findest Du entsprechende Videokurse in unserem Verzeichnis, zum Beispiel über Mathe für Machine Learning oder Coding-Skills in der Programmiersprache Python.)
A) Einführungsbücher zu KI
Auch wenn sie ein Uni-Seminar oder einen Online-Kurs nicht ersetzen: Lehrbücher können eine sinnvolle Ergänzung und Lernhilfe für jeden KI-Lernenden sein. Hier einige bekannte Bücher:
Artificial Intelligence: A Modern Approach: Ein Klassiker-Lehrbuch der bekannten Professoren Russel und Norvig. Auf rund 1.000 Seiten wird detailliert an die Funktionsweise eines "intelligent agent" herangeführt. Auf fachlichem Niveau des ersten Studienabschnitts.
Deep Learning: Gibt eine umfassende Erläuterung des Maschinellen Lernens mit künstlichen neuronalen Netzen für Studenten und Praktiker. Enthält auch Abschnitte über die erforderlichen Kenntnisse in Linearer Algebra und Statistik.
Grundkurs Künstliche Intelligenz: Deutsches Einführungs-Lehrbuch, etwas kürzer als der Klassiker von Russel/Norvig. Für Informatik-Studenten und zum Selbststudium gedacht.
B) Online-Kurse über Künstliche Intelligenz
Einführungskurse für Anfänger
Die Basiskurse sind oft für Studierende oder Programmierer erstellt, die sich dem Bereich der KI nähern wollen. Die Mechanik von künstlichen intelligenten Systemen wird hier Schritt für Schritt erklärt. Bei einigen der Kurse kann kostenlos gelernt werden, nur ein (optionales) Zertifikat muss dann bezahlt werden.
Anfängerkurs über Künstliche Intelligenz gibt es im MOOC Einenüber Künstliche Intelligenz gibt es im MOOC AI For Everyone , der von einem der bekanntesten KI-Experten aus den USA erstellt wurde. Die Besonderheit des Kurses liegt darin, dass er nicht nur für Programmierer, sondern auch für Business-Anwender und sonstige Interessenten konzipiert wurde.
breit angelegten Überblick über das Thema. Angefangen von den statistischen Zusammenhängen und der Funktionsweise der Artificial Neural Networks bis hin zu Bildverarbeitung, Spracherkennung und Robotik werden viele wichtige Bereiche erläutert. Die Teilnahme ist kostenlos, Basiswissen in Statistik und Linearer Algebra sollte jedoch mitgebracht werden. Im bekannten Grundlagenkurs Intro to Artificial Intelligence des Anbieters Udacity erhalten Teilnehmer ebenfalls einenüber das Thema. Angefangen von den statistischen Zusammenhängen und der Funktionsweise der Artificial Neural Networks bis hin zu Bildverarbeitung, Spracherkennung und Robotik werden viele wichtige Bereiche erläutert. Die Teilnahme ist kostenlos, Basiswissen in Statistik und Linearer Algebra sollte jedoch mitgebracht werden.
praktische KI-Problemstellungen angegangen werden, sind Python-Vorkenntnisse vorteilhaft. Das Lernen im Kurs ist kostenlos, ein optionales Zertifikat kann zusätzlich gekauft werden. Auch im AI-Kurs der Columbia University (über edX) wird ein grundlegendes Verständnis über KI vermittelt. Da hier bereits auchangegangen werden, sind Python-Vorkenntnisse vorteilhaft. Das Lernen im Kurs ist kostenlos, ein optionales Zertifikat kann zusätzlich gekauft werden.
praxisorientierter Kurs bei Udemy. Hier wird gegen eine Kursgebühr in mehr als 100 kurzen Videolektionen gezeigt, wie man selbst eine Künstliche Intelligenz programmiert. Der deutsche Machine Learning-Komplettkurs ist ein rechtbei Udemy. Hier wird gegen eine Kursgebühr in mehr als 100 kurzen Videolektionen gezeigt, wie man selbst eine Künstliche Intelligenz programmiert.
bekanntesten Einführungskurse in das Thema. Der AI-Experte Andrew Ng war bei Google und Baidu zuständig für diesen Bereich (und gründete nebenher Coursera). Eine kostenlose Kursteilnahme (ohne Zertifikat) ist möglich, die erforderlichen Algebra-Grundlagen sind im Kurs enthalten. Machine Learning von der Stanford University ist einer derin das Thema. Der AI-Experte Andrew Ng war bei Google und Baidu zuständig für diesen Bereich (und gründete nebenher Coursera). Eine kostenlose Kursteilnahme (ohne Zertifikat) ist möglich, die erforderlichen Algebra-Grundlagen sind im Kurs enthalten.
Auch von Google gibt es einen kostenlosen Machine Learning Crash Course . Der Kurs wurde bereits von gut 18.000 Google-Mitarbeitern belegt und enthält natürlich auch eine Einführung in die Google-eigenen TensorFlow-Programme.
Machine Learning Crash Course Online-Vorlesung auf Deutsch ist von der Universität Erlangen-Nürnberg Eine kostenloseist von der Universität Erlangen-Nürnberg verfügbar . Da dies lediglich die live aufgezeichnete Vorlesung ist, sind jedoch keine Prüfungen oder Zertifikate möglich.
Elements of AI der Universität Helsinki. Dies ist zwar kein videobasierter Online-Kurs (nur Texte / Links), gibt aber ebenfalls Erwähnenswert ist auchder Universität Helsinki. Dies ist zwar kein videobasierter Online-Kurs (nur Texte / Links), gibt aber ebenfalls einen Überblick über das Thema. Die deutsche Version wird von der IHK unterstützt.
Längere Kursserien für den Karrierestart in KI
Die kostenpflichtigen Kursserien bestehen in der Regel aus ca. 4-6 einzelnen Online-Kursen (MOOCs) und bereiten Dich umfassend auf eine Tätigkeit in diesem Bereich vor. Wer hier teilnimmt, sollte neben dem Studium oder Job für einige Monate etwas Zeit einplanen. Dafür gibt es dann bei Erfolg auch von potenziellen Arbeitgebern angesehene Zertifikate. ("Was bringen die Zertifikate?")
Die MOOC-Serie der Columbia University enthält 4 Kurse. Neben den Grundlagen spielen auch Machine Learning-Kenntnisse und Robotik eine Rolle. Das Programm enthält rund 1/4 der Inhalte aus dem Master-Studiengang Informatik von Columbia.
Diese Kursserie stellt eine umfassende Ausbildung im Bereich der Künstlichen Intelligenz dar, die eine sofortige anschließende Praxistätigkeit ermöglichen soll. Die Kurse und Praxisprojekte wurden mit Industriepartnern wie IBM und Amazon erstellt, das Nanodegree-Zertifikat von Udacity ist unter Branchenexperten bekannt. Zeitdauer: ca. 6 Monate.
Die Kursabfolge des weltbekannten AI-Experten Andrew Ng gibt eine detaillierte Einführung in das wichtigste Teilgebiet des Machine Learning. Die Videokurse und Projekte können innerhalb einiger Monate abgeschlossen werden. Coding-Vorkenntnisse sind jedoch vorteilhaft.
Weitere interessante AI-Kurse
Ein Experte des Fraunhofer-Instituts gibt in diesem Interview einen kurzen Überblick über KI:
Edukatico ist Dein Suchportal für Online-Kurse
Tausende Online-Kurse von verschiedenen Anbietern aus 22 Fachgebieten findest Du in unserem Verzeichnis (Online-Vorlesungen, MOOCs und andere Videokurse). Wir zeigen Dir auch, wie Du Dich online weiterbilden kannst.
Mit dem kostenlosen Kursmanager kannst Du Dein Online-Lernen organisieren und Deinen individuellen Lernrhythmus festlegen.
Interessierst Du Dich fürs Online-Lernen? Unseren Newsletter kannst Du hier bestellen. Und folge uns auch auf Facebook oder Twitter!
Künstliche Intelligenz (KI) / Artificial Intelligence (AI)
Künstliche Intelligenz (KI) / Artificial Intelligence (AI)
Marvin Minsky hat die wissenschaftliche Disziplin "künstliche Intelligenz" (KI) bzw. englisch "Artificial Intelligence" (AI) im Jahr 1956 erschaffen. Ursprünglich war damit die Nachbildung der menschlichen Intelligenz gemeint. Die Idee war, den Mensch zu ersetzen.
Inzwischen erzeugt die Vernetzung aller Geräte zunehmend mehr Daten, die sinnvoll verarbeitet werden müssen, um daraus Informationen abzuleiten und daraus Wissen generieren zu können. Deshalb versteht man heute unter künstlicher Intelligenz vielmehr die Erweiterung der menschlichen Intelligenz. Es geht also darum, den Mensch zu unterstützen und zu entlasten. Die künstliche Intelligenz ist demnach als ein Werkzeug oder eine Funktion zu verstehen.
Im Zusammenhang mit künstlicher Intelligenz spricht man eigentlich von "Cognitive Computing" oder auch "Data Science", wobei die Schlagwörter künstliche Intelligenz (KI), Machine Learning (ML) oder neuronale Netze gängiger sind.
Im Folgenden versuchen wir die verschiedenen Verfahren, die im Zusammenhang mit künstlicher Intelligenz stehen zu erläutern.
Wie funktioniert maschinelles Lernen?
Konzepte wie maschinelles Lernen und neuronale Netze folgen der Idee, dass sich Programme etwas selbstständig aneignen können ohne das jemals ein Programmierer Einfluss darauf nimmt. Im Gegensatz dazu steht bei der klassischen Programmierung ein Problem im Zentrum, das eine Software lösen soll.
Beispiel: Aus der Eingabe von Zahlen soll die Summe gebildet werden. Dafür gibt es einen Algorithmus mit dem man von der Eingabe zum gewünschten Ergebnis kommt. Aus der Erfahrungen der Vergangenheit ist dem Programmierer die dafür notwendige Formel bekannt, die er in einer beliebigen Programmiersprache abbilden kann. Dafür braucht man keine KI.
Es gibt allerdings komplizierte Aufgaben, die sich mit dem EVA-Prinzip (Eingabe-Verarbeitung-Ausgabe) und der klassischen Programmierung nicht darstellen lassen. Hier kann ein selbstlernender Algorithmen helfen, wenn das Rechenverfahren zum gewünschten Ziel unbekannt ist oder die Daten zu umfangreich sind.
Die Idee ist, dass beim maschinellen Lernen der Computer die optimale Formel findet, indem eine Software aus den vorgegebenen Daten lernt, welche Ausgabe bei welchen Eingabedaten zu erwarten ist. Über interne Einstellungen kann man sich den gewünschten Ergebnissen immer mehr annähert. Nach dem Lernvorgang (Training) ist die Software in der Lage, für eine noch nie gesehene Eingabe ein Ergebnis auszuwerfen (im Optimalfall).
Damit Programme selbständig Lernen, bedarf es großer Datenmengen, die als Erfahrungswerte dienen und die Grundlage bilden, auf der sich Zusammenhänge zwischen Eingabegrößen ermitteln lassen.
Beispiel für maschinelles Lernen: Schrifterkennung
Bei der Schrifterkennung bildet man über ein Zeichen eine Matrix aus z. B. 28 x 28 Feldern. Jedes Feld ist eine Eingabevariable, deren Farbe die Eingabe darstellt. Jede Eingabe beeinflusst also die Ausgabe.
Die Aufgabe besteht jetzt darin, zu ermitteln, zu welcher Klasse ein geschriebenes Zeichen gehört. Daher stuft man dies im maschinellen Lernen als Klassifizierungsproblem ein.
Damit der Algorithmus zur Schrifterkennung anwendbar ist, muss er trainiert werden. Er braucht sehr viele bereits kategorisierte geschriebene Zeichen. Nach einer bestimmten Anzahl von Lernschritten ist der Algorithmus in der Lage ein Zeichen in X von 100 Fällen als richtig zu erkennen. X muss in dem Fall sehr hoch sein, weil das in der Praxis sonst nicht zu gebrauchen ist.
Die Ausgabe entspricht der Wahrscheinlichkeit, dass es sich um eine bestimmte Ziffer handelt. Im einfachsten Fall kann man das beste Ergebnis als richtig annehmen, oder man prüft, welches das zweit- oder drittbeste Ergebnis gewesen wäre.
Das Ergebnis verbessert man dadurch, dass man das neuronale Netz länger trainiert oder neben der Wahrscheinlichkeit auch noch den Kontext berücksichtigt.
Neuronale Netze
Seit den 1950er-Jahren existiert der Begriff "neuronale Netze". Damals haben Forscher entdeckt, dass die Neuronen im Gehirn unterschiedlich gewichtete Eingabeimpulse bekommen und daraus einen Ausgabeimpuls erzeugen, der wieder anderen Neuronen als Eingabe dient. Computerwissenschaftler haben dann versucht, diesen Vorgang mit der damaligen Technik durch Matrixberechnungen nachzuprogrammieren.
Heute haben neuronale Netze nichts mehr mit der Hirnforschung zu tun. Übrig geblieben sind nur noch die Matrixberechnungen.
Während ein Mathematiker von einer Matrix spricht, ist das für einen Programmierer ein zweidimensionales Array. Vereinfacht ausgedrückt eine Tabelle mit zwei Spalten. In der KI spricht man von einem Tensor der Stufe zwei. Ein Array mit drei Dimensionen wäre ein Tensor der Stufe drei. Und so weiter.
Der Begriff "Tensor" bezeichnet ein mathematisches Objekt der linearen Algebra und Differenzialgeometrie.
Deep Learning
Aus Informatiksicht sind neuronale Netze nur eine Verkettung von Funktionen, deren Parameter sich über immer neue Eingabedaten anpassen lassen.
Unterscheiden muss man, dass wenn bei neuronalen Netzen immer mehr Operationen nacheinander folgen, dann heißt das "deep", wie bei "Deep Learning". Mittels Deep Learning können neuronale Netze aus mehr als hundert Ebenen bestehen. Verwenden die Netze stattdessen immer größere Matrizen, dann spricht man von "wide".
Deep Learning ist als Optimierungsmethoden für neuronale Netze zu verstehen. Hier geht es darum Vorhersageanalysetechniken, Diagnostik und Empfehlungen zu verbessern. Training, Inferenz (Anwendung) und Anpassung des Modells sind die Schritte, die Deep Learning mit neuronalen Netzen so aufwendig machen. Allein schon das Training erfordert die Auswertung großer Datenmengen. Die Parallelisierung dieser Arbeitsschritte ist der einzige Weg, um Deep Learning effizient zu bewältigen.
Konkrete Anwendungen und Einsatzgebiete
Spracherkennung und Sprachausgabe
Bild- und Gesichtserkennung
Übersetzung
Textanalyse nach Schlüsselwörtern
Wetter- und Klimavorhersage
Präzisionsmedizin für personalisierte Diagnosen, Therapien und Medikamente
Betrugserkennung und Risikomanagement
realitätsgetreue Animationen und VR-Anwendungen
Filme in Echtzeit editieren und rendern lassen
Auffinden unbekannter Zusammenhänge
neues Wissen in bestehenden Daten entdecken
Anwendung: Spracherkennung
Was man allgemein als Spracherkennung bezeichnet ist in der KI die Verarbeitung natürlicher Sprache (NLP, Natural Language Processing). Hier unterscheidet man ganz grob zwischen der Spracherkennung und -ausgabe (Speech) und dem Sprachverständnis (Language).
Dienste zur Spracherkennung und -ausgabe umfassen Chat- und Sprachbots oder digitale Assistenten, die sich mit einzelnen Kommandos oder Sätzen steuern lassen.
Bei Diensten zum Sprachverständnis muss die KI die Absicht des Sprechers oder Texters erkennen. Also das Gesagte oder Geschriebene in einen Kontext einordnen. Das ist notwendig, wenn eine Konversation über mehrere Stufen hinweg geführt werden soll.
Anwendung: Bild- und Gesichtserkennung
Bei der Bilderkennung und -verarbeitung geht es um das Interpretieren von Inhalten in visuellem Material.
Die maschinelle Bild- und Mustererkennung dient dem Erkennen von Gegenständen und Gesichtern, um unerwünschte Inhalte zu sperren oder Personen zu überwachen.
Anwendung: Autonomes Fahren
Beim autonomen Fahren geht es hauptsächlich um die Umgebungserkennung. Gefährliche Verkehrssituationen sind zum Glück selten, müssen aber zweifelsfrei erkannt werden. Leider folgen solche Situation keinem festen Muster, was kein ideales Umfeld für die KI ist.
Besonders Fälle, in denen Verkehrsregeln gebrochen werden müssen, bspw. wenn eine durchgezogene Linie ausnahmsweise überfahren werden muss, sind hohe Hürden.
Die Grenzen der künstlichen Intelligenz
Die Grenzen der künstlichen Intelligenz sind schnell erreicht und damit unterliegen die Verfahren einer eingeschränkten Anwendbarkeit.
So ein neuronales Netz lernt nur das, was in den Trainingsdaten enthalten ist, ohne dabei die allgemeinen Muster zu verstehen. Ein neuronales Netz verhält sich wie ein Schüler oder Student, der nur das lernt, was gerade sein muss.
Außerdem deckt die Anwendung von KI nur die Vergangenheit ab. Wenn in Zukunft etwas völlig neues passiert oder erzeugt werden soll, dann versagt die KI an dieser Stelle.
Denkbar wäre, dass man mit künstlicher Intelligenz einen Nummer-1-Hit komponiert oder sogar einen Bestseller schreiben lässt. Im Prinzip kann jeder, der sich ein wenig mit Computern und Musiksoftware auskennt, auch mit künstlicher Intelligenz Musik produzieren.
Dazu müssen die Algorithmen nur mit den entsprechenden Stilrichtungen gefüttert werden, die daraus ähnliche Sounds produzieren. Dabei entsteht aber nur etwas neues aus etwas bekanntem, dass natürlich Ähnlichkeit mit einem bestimmten Künstler oder einer Stilrichtung hat. Die KI kann keinen eigenen Stil erfinden.
Ein weitere Einschränkung tritt in dem Fall auf, wenn die KI einen Fehler macht oder nicht funktioniert. Bei einer traditionell programmierten Software haben wir am Ende einen Quellcode. Wenn die Software einen Fehler macht, dann kann man nachschauen welcher Teil des Quellcodes dafür verantwortlich ist und dann kann man das sofort reparieren. Der Fehler ist dann behoben.
Bei Machine-Learning-Verfahren ist das nicht so. Hier wird zum Beispiel ein neuronales Netz trainiert. Wenn das später nicht hinreichend gut funktioniert, dann kann man das nicht reparieren. Man kann nur weiter trainieren, was aber auch dazu führen kann, dass bereits erlerntes entlernt wird.
Ein weitere Einschränkung tritt dann auf, wenn ein neuronales Netz irgendetwas besonders gut kann. Nur kann man das nicht erklären, warum das so ist.
Das heißt, wir bewegen uns auf eine Zukunft zu, in der wir von Maschinen umgeben sind, die wir nicht verstehen und deshalb auch nicht vertrauen können. Wenn wir eine Software haben, die auf einem neuronalen Netz basiert, nicht funktioniert, dann muss die Software im Zweifelsfall neu geschrieben werden, weil eine Korrektur des neuronalen Netzes nicht möglich ist.
Fazit zur künstlichen Intelligenz
Seit es technische Vorrichtungen, Maschinen und Computer gibt geht die Angst um, dass der Mensch zuerst verdrängt und dann ersetzt wird. Besonders wenn es um Arbeitsplätze geht kann die Einführung von KI die Mitarbeiter in einem Unternehmen in Angst und Schrecken versetzen. Unabhängig davon, ob das wirklich so kommt, Mensch und Maschine sind ungleiche Gegner und deshalb nicht vergleichbar. Einzelne Tätigkeiten, die der Mensch verrichtet, können durch Computer und damit durch KI ersetzt werden. Meist sind das stupide sich immer wieder wiederholende Tätigkeiten, die zwangsläufig irgendwann automatisiert werden.
KI ist immer dann gut, wenn gut trainierte neuronale Netze auf eine möglichst enge Aufgabenstellung treffen.
Weitere verwandte Themen:
Alles was Sie über Computertechnik wissen müssen. Computertechnik-Fibel Die Computertechnik-Fibel ist ein Buch über die Grundlagen der Computertechnik, Prozessortechnik, Halbleiterspeicher, Schnittstellen, Datenspeicher, Laufwerke und wichtige Hardware-Komponenten. Das will ich haben!
Alles was Sie über Computertechnik wissen müssen. Computertechnik-Fibel Die Computertechnik-Fibel ist ein Buch über die Grundlagen der Computertechnik, Prozessortechnik, Halbleiterspeicher, Schnittstellen, Datenspeicher, Laufwerke und wichtige Hardware-Komponenten. Das will ich haben!
Tagged: