Wie funktioniert künstliche Intelligenz?
Posted by Julia Werner •
Algorithmen und Künstliche Intelligenz im operativen Einsatz | Logivations
Ein Kernelement der Arbeit von Logivations besteht darin, die entwickelten Konzepte und Strategien zusammen mit dem Kunden in die operative Praxis zu bringen. Dabei werden smarte Algorithmen und Verfahren aus dem Bereich der künstlichen Intelligenz in die bestehende Systemwelt integriert oder als Standalone Applikation eingeführt. Das betrifft bspw. eine optimierte Lagerbelegung, Rundgangsbildung oder Packschemaberechnung, aber auch Lösungen zum Tracking und fahrerlose Transportsysteme. Für eine schnelle und transparente Projektdurchführung auch in komplexen Systemwelten setzt Logivations seit Jahren erfolgreich auf ein agiles Vorgehensmodell mit einem inkrementellen/iterativen Ansatz.
Dies erreicht man, indem am Ende jeder Iteration (in Scrum auch Sprint genannt) eine Zwischenversion bereitgestellt wird, welche der Kunde regelmäßig testen kann. Dadurch realisiert man ein permanentes Kundenfeedback wodurch kontinuierlich eine Konkretisierung der Anforderungen und eine Optimierung der Lösung erreicht wird.
Der mit dem Einsatz von Algorithmen aus dem Bereich der künstlichen Intelligenz verbundene Paradigmenwechsel erfordert ein angepasstes Vorgehen bei den dazugehörigen Implementierungsprojekten. Die klassische Herangehensweise berücksichtigt nicht, dass die Leistungsfähigkeit des Algorithmus vom Training mit Daten abhängt, die erst aus dem Anwendungsfall gewonnen werden können. Es ist also eine Pilotphase erforderlich, in der die Feinabstimmung erfolgt.
Mit dieser Herangehensweise erreicht man durch frühzeitige Tests in der realen Umgebung und die damit verbundene Generierung von spezifischem Trainingsmaterial sehr zügig eine leistungsfähige Zielkonfiguration.
Wie wir die Angst vor Algorithmen und KI verlieren
Algorithmen und künstliche Intelligenz (KI) erleichtern immer mehr unseren Alltag. Das Navigationssystem im Auto schlägt uns die ideale Route vor. Online Shops und Buchungsplattformen wissen, welche Produkte und Reisedestinationen wir bevorzugen. Chatbots helfen uns sofort und ausserhalb der Öffnungszeiten weiter. Dennoch haben viele Menschen Angst vor selbstlernenden Algorithmen. Ist diese Angst berechtigt? Und wenn ja, welche Auswege gibt es aus der Algorithmus-Aversion?
Grund genug in Abwehrhaltung zu gehen? Bei KI sind meistens Computerprogramme gemeint, die mittels Algorithmen intelligentes Verhalten des Menschen simulieren und dadurch Probleme relativ eigenständig bearbeiten können. KI mag für viele Lebensbereiche verheissungsvoll tönen und verspricht insbesondere langweilige Routinetätigkeiten zu reduzieren, sodass sich Menschen auf interessantere Aufgaben konzentrieren können. Gleichwohl fürchten sich laut MIT-Professorin Renée Gosline sechs von zehn Menschen vor Algorithmen (2019). Die Gründe zur Besorgnis und Ablehnung sind zahlreich und so verwundert es auch nicht, dass immerhin gut vier von zehn Menschen künstliche Intelligenz verbieten würden (Bitkom, 2020). Man denke hier beispielsweise an die selbstfahrenden Autos, die sich "verrechnet" haben und tödliche Unfälle mit Passanten verursachten. Auch der Supercomputer Watson birgt tödliches Potenzial. Statt den Ärzten bei der Krebstherapie zu helfen, indem er wertvolle Erkenntnisse aus den umfangreichen Patienten- und Forschungsdatenbanken liefern sollte, gab er oft falsche Behandlungsempfehlungen ab. Das 2013 gross angekündigte Pilotprojekt liegt unterdessen auf Eis (Krempl, 2018). Dass Facebook unsere Gefühle beeinflussen kann, stimmt bedenklich. In einem Experiment wurde der Newsfeed von über 600'000 Facebook-Usern manipuliert (Kramer, Guillory & Hancock, 2014): Wem überwiegend positive Nachrichten angezeigt wurden, produzierte mehr positive Beiträge und umgekehrt, wer mehrheitlich Negatives zu lesen bekam, postete mehr Missgelauntes. Solche Phänomene der emotionalen Beeinflussung werden zuweilen in der politischen Kommunikation auf den sozialen Medienplattformen zur gezielten Manipulation genutzt, beispielsweise bei den Präsidentschaftswahlen in den USA oder der Brexit-Abstimmung (Geissler & Tesch). Last but not least, sei hier der COMPAS-Algorithmus erwähnt. Dieser wird in den Vereinigten Staaten eingesetzt, um das Rückfallrisiko von Straftätern vorherzusagen. Dabei werden Afroamerikaner häufiger zu Unrecht in die hohe Risikogruppe eingestuft, Weisse dagegen häufiger zu Unrecht der niedrigen Risikogruppe zugeteilt. (Science Media Center, 2020). Dies kommt einer rassistischen Voreingenommenheit gleich.
Was hinter der der Algorithmus-Aversion steckt Oft steckt mangelndes Wissen, Angst vor Kontrolle und Jobverlust hinter der Abneigung gegenüber Algorithmen. Auch wenn manche schon einmal von künstlicher Intelligenz gehört oder gelesen haben, ja sogar glauben, erklären zu können, was man unter KI versteht, bleibt sie immer noch für viele eine Blackbox: Man weiss nicht genau, wie Algorithmen funktionieren, wie sie ihre Vorhersagen machen und welche Auswirkungen sie haben. Sie gelten zudem als unecht und unmoralisch. Fast drei von vier Menschen sind überzeugt, dass KI in Zukunft die Arbeitnehmer stärker kontrollieren wird. Sechs von zehn Menschen bestätigen, dass KI zum Abbau von Arbeitsplätzen führen wird (Bitcom, 2020). Die Frage bleibt: Übernehmen Algorithmen tatsächlich immer mehr die Kontrolle über uns und unsere Einstellungen bzw. Entscheidungen? Und wollen wir wirklich alle Entscheidungen an Maschinen abgeben?
Konstruktiver Umgang mit Algorithmen und künstlicher Intelligenz Vor Algorithmen brauchen wir keine Angst zu haben, vielmehr vor dem falschen Gebrauch. Der zugrunde liegende Prozess besteht aus einfacher Mathematik bzw. eindeutigen Schritt-für-Schritt-Anleitungen zur Lösung von Problemen. Trotzdem kann ein selbstlernender Algorithmus, der Tausende oder Millionen von Faktoren enthält, es für den Menschen schwierig machen, den Prozess zu verstehen.
Algorithmen in 3 Minuten erklärt (YouTube-Video: youknow, 2019) Aufklärung und Transparenz sind mögliche Lösungen, Ängste und Abwehrhaltung gegenüber Algorithmen zu mindern. Beispielsweise mit einer KI-Bildungsoffensive, welche das Bewusstsein für die Art und Weise schärft, wie Algorithmen eingesetzt werden und die Chancen und Herausforderungen von KI zur Debatte stellt. Ebenso gilt es, dem Bedürfnis nach vermehrter Kontrolle über künstliche Intelligenz nachzukommen. So könnte der Einbezug eines erweiterten Personenkreises Vertrauen schaffen, dass die Algorithmen keinem Bias unterliegen und keine falschen Entscheidungen treffen. Als Beispiel seien hier Mitarbeitende genannt, die bei der Entwicklung von KI-basierten Leistungsmanagement-Systemen Ihre Sichtweisen zur Konzeption der dahinterliegenden Entscheidungsstrukturen bzw. Algorithmen einbringen. Allerdings gibt es insbesondere bei moralischen Entscheidungen nicht immer die richtige Entscheidung. Wer soll beispielsweise überleben, wenn bei einem selbstfahrenden Auto die Bremsen versagen und dieses auf dem Zebrastreifen in einen Menschen prallt? Die ältere Frau oder das Kind? Eine schier unlösbare Aufgabe. (Obschon hier der Ausweg bei der künftigen Minimierung des Crash-Risikos von autonomen Autos liegen könnte.) Vor diesem Hintergrund wird der Ruf nach klaren und einheitlichen ethischen Richtlinien für künstliche Intelligenz laut. Laut einer im Nature of Machine Intelligence veröffentlichten Studie (2019) ist zwar eine globale Übereinstimmung von fünf ethischen Grundsätzen auszumachen: Transparenz, Gerechtigkeit und Fairness, Nicht-Missbräuchlichkeit, Verantwortung und Datenschutz. Doch werden die genannten ethischen Prinzipien unterschiedlich gedeutet und bringen manchmal sogar widersprüchliche Handlungsempfehlungen hervor. Seit kurzem hat die Schweiz eine Initiative ins Leben gerufen (Swiss Digital Initiative, SDI) mit dem Ziel, ethische Standards in einer digitalen Welt zu implementieren. Dabei sollen Praktiken und Werkzeuge öffentlich geteilt werden. Ein erster Schritt, der zu einem globalen Dialog über die Ethik der Digitalisierung beiträgt.
Wie funktioniert künstliche Intelligenz?
Watson ist die KI von IBM. Er ist ein kognitives System, das durch Interaktionen lernt, und liefert laut IBM „evidenzbasierte Antworten, die für bessere Ergebnisse sorgen.“
„Evidenzbasiert“ bedeutet, dass aus Daten und Fakten Einsichten gewonnen werden. Der Computer wertet Daten aus und zieht selbsttätig – aufgrund seiner einprogrammierten Pseudo-Intelligenz – Schlüsse aus diesen Daten.
Dahinter steht die Überlegung, dass die Datenmengen schon heute kaum mehr zu bewältigen sind und in den nächsten fünf Jahren um weitere 800 Prozent zunehmen werden. Was für Menschen unübersichtlich ist, liefert für selbstlernende Systeme ideale Bedingungen: Viel Stoff zum Lernen und Erkennen von Mustern.
So soll künstliche Intelligenz in den nächsten Jahren zunehmend die Unternehmen und die Arbeitswelt revolutionieren.
KI in Unternehmen
Alexa, Siri, Cortana – die Chatbots von Amazon, Apple und Microsoft sind Beispiele dafür, wie künstliche Intelligenz die Interaktion zwischen Mensch und Computer einfacher und effizienter macht. Auch der Scoper von Scopevisio fällt in diese Kategorie.
Hersteller von Unternehmenssoftware verwenden zunehmend intelligente Algorithmen, um ihren Kunden das Leben zu erleichtern. Virtuelle persönliche Assistenten durchforsten die Millionen von Daten, die sich im Unternehmen ansammeln, und filtern das heraus, was der Anwender benötigt. Die Zugriffsrechte für die angeforderten Informationen sind dabei die einzige Bedingung.
KI übernimmt Büroarbeiten
Büroarbeiten werden in Zukunft mehr und mehr von künstlicher Intelligenz unterstützt oder ersetzt. Maschinelle Übersetzung und Sprachproduktion sind nur zwei Beispielanwendungen. Künstliche Intelligenz lässt sich überall dort anwenden, wo Lösungen durch den Vergleich mit ähnlich gelagerten Problemen generiert werden können: Zum Beispiel für die Korrespondenz, die Erstellung von Berichten, Social Media-Postings – oder die Finanzbuchhaltung.
Theoretisch könnten sogar Gutachten oder Gerichtsurteile von einer KI erstellt werden – Merkmale und andere Urteile, die in vergleichbaren Fällen ergangen sind, liegen in Hülle und Fülle vor. Es ist kein Problem, hier Muster zu erkennen und die „fitteste“ Lösung zu finden.
Die Algorithmen, auf denen KI basiert, werden im Folgenden untersucht.
Was ist ein Algorithmus?
Ein Algorithmus ist eine exakte, schrittweise Vorschrift zur Lösung eines Problems. Er besteht in einer Folge von eindeutigen Anweisungen. Er wird nicht unbedingt in einer Programmiersprache notiert, sondern oft auch als Flussdiagramm und in natürlicher Sprache.
Dennoch geht es letztlich immer darum, den Algorithmus in maschinenlesbarer Form zu implementieren. Das bedeutet, dass auf Grundlage der Verarbeitungsvorschrift ein Computerprogramm geschrieben wird, das das betreffende Problem löst.
Wodurch wird ein Algorithmus “intelligent”?
Heuristische Methoden
Viele künstliche Intelligenzen arbeiten mit heuristischen Methoden. Diese Methoden sind geeignet, schnelle Lösungen zum Beispiel in Entscheidungsbäumen zu finden. “Normale” Algorithmen brauchen vier Jahre, um einen Baum der Tiefe 15 und mit einer Verzweigungsrate von 3 zu durchforsten. Heuristische Algorithmen schaffen das in Sekunden, zum Beispiel, indem sie den kürzesten Pfad zwischen zwei Knoten in einem Netzwerk finden.
Dazu werden KI-Progamme geschrieben, die auf Schätzungen und Beobachtungen basieren – auf so genannter Fuzzy Logic oder unscharfer Logik. Viele Virenscanner implementieren Heuristik. Sie erkennen Viren anhand von typischen Merkmalen.
Erst kürzlich wurden zwei Jenaer Informatiker für ihre Weiterentwicklung der Lokale-Suche-Heuristik in Netzwerken ausgezeichnet.
Neuronale Netze
Neuronale Netze verfolgen einen Ansatz, der der Funktionsweise von Neuronen ähnelt. Künstliche neuronale Netze sind parallel verbundene Netzwerke aus einfachen, adaptiven Elementen in hierarchischer Anordnung, die mit ihrer Umgebung in derselben Weise wie biologische Nervensysteme interagieren. Diese etwas sperrige Definition stammt vom KI-Pionier Teuvo Kohonen (1984).
Neuronale Netze sind gekennzeichnet durch massive parallele Informationsverarbeitung. Sie haben mehrere Schichten. Sie leiten Informationen über künstliche Synapsen weiter (Propagation) und sind in der Lage zu lernen. Wie das? Indem sie gezielt trainiert werden und Schwellenwerte sowie Gewichte für Richtig-Falsch-Bewertungen in diesem Prozess immer neu anpassen. Die einzelnen Formeln, nach denen dies geschieht, dürfen hier ausgespart bleiben.
Schematisch ist der Ablauf in der (kontrollierten) Trainingsphase wie folgt:
Beispiel-Daten werden dem Netz als Input übergeben.
Der Output für die Beispiele ist bekannt.
Der tatsächliche Output wird mit dem Soll-Output verglichen.
Wenn beide voneinander abweichen, werden Schwellenwert und Gewichte zwischen den einzelnen Schichten so angepasst, dass der mittlere Fehler zwischen Soll und Ist sinkt.
Fehlerdaten werden durch das Netz zurückgegeben (Backpropagation).
Systeme, die Muster erkennen, verwenden häufig neuronale Netze. Diese können auch mit unvollständigen und unklaren Input-Werten arbeiten und verschiedene Arten von Input aufnehmen – Wörter, Zahlen, Töne, Farben usw.
Dies macht neuronale Netze zu sehr guten Kandidaten, wenn es gilt, Sprach- oder Gesichtserkennung, Schrifterkennung (OCR), Data Mining oder allgemein wissensbasierte Systeme zu programmieren.
Genetische Algorithmen
Genetische Algorithmen wurden von John Henry Holland in den 1970er Jahren erfunden. Sie werden auch als evolutionäre Algorithmen bezeichnet, da sie ihre Problemlösungsmethoden aus der Evolutionsbiologie abgeschaut haben.
Sie kennen bestimmt Charles Darwins Diktum vom “Survival of the fittest”, dem Überleben des am besten angepassten Organismus. Genetische Algorithmen verwenden eine so genannte “Fitness-Funktion”, die mithilfe von genetischen Operatoren die natürliche Auslese simuliert.
Fitness-Funktionen implementieren diesen Ausleseprozess wie folgt:
Lösungen werden als binäre Zeichenfolgen (Bitstrings) codiert.
Der Input in den genetischen Algorithmus besteht aus mehreren Lösungsvorschlägen.
Diese bilden eine Population, in der die besten Lösungen die größten Fortpflanzungschancen haben.
Die Fitness-Funktion wählt die besten Lösungen aus und entscheidet über eine Rekombination von deren Bestandteilen.
Das Ergebnis sind Kreuzungen und Mutationen; so entstehen neue Lösungen.
Der Output ist die beste Lösung.
Fazit
Künstliche Intelligenz ist heute schon weit verbreitet. Sie arbeitet in Spielprogrammen, in Suchmaschinen, in Fahrassistenzsystemen, in maschinellen Übersetzungsprogrammen und in allen Anwendungen, die etwas “erkennen”. Dazu gehören Bilderkennung, Spracherkennung, Schrifterkennung, Gesichtserkennung.
Auch Hersteller von Unternehmenssoftware verwenden zunehmend KI-Anwendungen. Virtuelle persönliche Assistenten ermöglichen es, mit dem Computer zu sprechen. Selbstlernende Systeme werden schon bald einen Großteil der Büroarbeit leisten – ähnlich wie Roboter dies heute schon in der Industrieproduktion tun.
KI-Systeme arbeiten mit intelligenten Algorithmen. In diese Kategorie fallen heuristische Verfahren, künstliche neuronale Netze sowie evolutionäre (genetische) Algorithmen. Diese Algorithmen können Daten-Input entgegennehmen und Lösungs-Output ausgeben. Sie kopieren biologische und evolutionäre Mechanismen, um aus einer Menge von Lösungen die beste herauszufinden. In diesem Prozess “lernen” sie aus Fehlern und perfektionieren ihr Verhalten selbsttätig.
Autor:in dorothea heymann-reder
Tagged: