Künstliche Intelligenz und Maschinelles Lernen
Formel
Künstliche Intelligenz und Maschinelles Lernen
Intelligenz
ist ein Begriff, der verschiedene Aspekte des geistigen Vermögens einer Person oder eines Systems beschreibt. Es ist die Fähigkeit, Informationen zu verstehen, zu verarbeiten, zu analysieren, zu lernen, Probleme zu lösen, zu planen, zu denken und zu kommunizieren.
Traditionell wird Intelligenz oft anhand der Fähigkeit gemessen, logisch zu denken, komplexe Probleme zu lösen und Wissen anzuwenden. Diese Art der Intelligenz wird oft als "kognitive Intelligenz" oder "intellektuelle Intelligenz" bezeichnet. Sie kann durch Intelligenztests gemessen werden, die verschiedene Aufgaben und Fragen enthalten, um die Fähigkeiten einer Person in Bereichen wie sprachlicher Ausdruck, mathematisches Denken, räumliches Denken und problemlösendes Denken zu bewerten.
In jüngerer Zeit haben Forscher jedoch erkannt, dass Intelligenz vielfältiger ist und nicht allein auf die traditionelle kognitive Fähigkeit beschränkt sein sollte. Es gibt andere Arten von Intelligenz, wie emotionale Intelligenz, soziale Intelligenz, körperliche Intelligenz und kreative Intelligenz. Diese Formen der Intelligenz beziehen sich auf die Fähigkeit, Emotionen zu erkennen und zu regulieren, Beziehungen zu anderen Menschen aufzubauen und aufrechtzuerhalten, körperliche Fähigkeiten zu koordinieren und kreative Problemlösungen zu finden.
Es ist wichtig anzumerken, dass Intelligenz ein komplexes Konzept ist und weiterhin Gegenstand von Diskussionen und Debatten in der wissenschaftlichen Gemeinschaft ist. Es gibt keine allgemein akzeptierte Definition von Intelligenz, und verschiedene Theorien und Modelle wurden entwickelt, um sie zu erklären.
Künstliche Intelligenz (KI bzw. AI)
bezieht sich auf die Entwicklung von Computersystemen oder Maschinen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern würden. Das Ziel der künstlichen Intelligenz besteht darin, Maschinen so zu programmieren oder zu entwickeln, dass sie lernen, verstehen, denken und Entscheidungen treffen können.
Unter einer künstlichen Intelligenz versteht man ein Computerprogramm, welches genau definierte Aufgaben ausführen kann, für die normalerweise menschliche Intelligenz erforderlich wäre. Die Betonung liegt auf „genau definierte Aufgaben“: Ein Schachcomputer auf Großmeisterniveau kann nicht unbedingt auch die Schachfiguren am Brett greifen, anheben, bewegen und wieder abstellen, was jedes Kind kann.
Zudem verändert sich im Laufe der Zeit unsere Einschätzung darüber, was wir als künstliche Intelligenz wahrnehmen oder eben nicht, und zwar indirekt proportional zur Vertrautheit mit der jeweiligen Technologie.
Ein Beispiel zur zeitabhängigen Wahrnehmung von künstlicher Intelligenz
- Vor 10 Jahren hat man Navigationssysteme im Auto noch als „intelligent“ bezeichnet.
- Heute versteht man sie eher rational als eine Kombination aus GPS-Signalen samt genauer Zeitmessung, einer Straßenrouten-Datenbank, einem Algorithmus aus der Graphentheorie zur Berechnung des kürzesten Weges (etwa der Dijkstra Algorithmus) und eventuell noch Echtzeit-Verkehrsfluss-Informationen, sowie einer Mensch-Maschine Schnittstelle, die heute oft das vertraute und allgegenwärtige Smartphone mit der Anwendung Google Maps ist.
Das ehemals intelligente System ist 10 Jahre später zu einem dummen Rechenknecht degeneriert.
- Heute, 02.2024, versteht man die Weiterentwicklung der Navigationssysteme, nämlich selbstfahrende Autos, als intelligente Systeme.
Es gibt verschiedene Ansätze und Techniken in der künstlichen Intelligenz, darunter maschinelles Lernen, neuronale Netzwerke, Expertensysteme, natürliche Sprachverarbeitung und Computer Vision. Diese Techniken ermöglichen es Maschinen, aus Erfahrungen zu lernen, Daten zu analysieren, Muster zu erkennen, Probleme zu lösen und Entscheidungen zu treffen.
Maschinelles Lernen ist ein wichtiger Bereich der künstlichen Intelligenz, bei dem Algorithmen entwickelt werden, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen oder Mustererkennungen zu treffen, ohne explizit dafür programmiert zu werden. Durch die Verwendung großer Datenmengen und leistungsstarker Rechenressourcen können maschinelle Lernmodelle komplexe Aufgaben wie Bilderkennung, Spracherkennung, Übersetzung, personalisierte Empfehlungen und autonomes Fahren durchführen.
Künstliche Intelligenz wird in einer Vielzahl von Anwendungen eingesetzt, einschließlich Sprachassistenten, automatisierter Datenanalyse, medizinischer Diagnose, Robotik, Finanzwesen, Verkehr und vielen anderen Bereichen.
Obwohl künstliche Intelligenz viele Vorteile und Potenziale bietet, gibt es auch ethische und gesellschaftliche Fragen im Zusammenhang mit Datenschutz, Arbeitsplatzveränderungen, Verantwortlichkeit und dem potenziellen Missbrauch von KI-Systemen.
Der Turing-Test
ist ein bekannter Test, der von Alan Turing vorgeschlagen wurde, um die Fähigkeit einer Maschine zu überprüfen, intelligentes Verhalten zu imitieren und von einem menschlichen Beobachter nicht unterscheidbar zu sein. Der Test beinhaltet, dass ein menschlicher Prüfer über eine Textkommunikation mit einem Computerprogramm und einem anderen menschlichen Teilnehmer interagiert, ohne ihre Identitäten zu kennen. Wenn der Prüfer nicht in der Lage ist, den Computer vom Menschen zu unterscheiden, wird der Test als "bestanden" angesehen.
Stärken des Turing-Tests
- Praktische Anwendbarkeit: Der Turing-Test ermöglicht eine praktische Überprüfung der Fähigkeiten einer KI, menschliches Verhalten zu imitieren. Es stellt eine einfache und direkte Methode dar, um die Leistungsfähigkeit von KI-Systemen in Bezug auf sprachliche Kommunikation zu bewerten.
- Fokus auf Ergebnisse: Der Turing-Test konzentriert sich auf das Ergebnis und die Auswirkungen des intelligenten Verhaltens, anstatt auf die internen Mechanismen der Maschine. Es geht darum, ob die Maschine in der Lage ist, eine überzeugende Konversation zu führen, anstatt zu verstehen, wie sie das genau erreicht.
Schwächen des Turing-Tests
- Subjektivität: Die Beurteilung des Turing-Tests hängt von der Urteilskraft und dem Vorwissen des menschlichen Prüfers ab. Es kann zu unterschiedlichen Ergebnissen führen, da die Beurteilung subjektiv ist und von individuellen Einschätzungen und Erwartungen abhängt.
- Begrenzung auf sprachliche Fähigkeiten: Der Turing-Test legt den Schwerpunkt auf sprachliche Kommunikation und vernachlässigt andere Aspekte der Intelligenz, wie visuelle Wahrnehmung, körperliche Fähigkeiten oder kreatives Denken. Eine Maschine könnte den Turing-Test bestehen, indem sie eine überzeugende Konversation führt, aber in anderen Bereichen wie visuellem Verständnis oder Problemlösung möglicherweise nicht so leistungsfähig ist.
- Mangel an objektiven Kriterien: Es gibt keine eindeutigen objektiven Kriterien für das Bestehen oder Nichtbestehen des Turing-Tests. Die Debatte darüber, ob der Turing-Test ausreicht, um wahre Intelligenz zu bewerten, bleibt bestehen.
Insgesamt hat der Turing-Test eine wichtige Rolle bei der Diskussion und dem Verständnis von KI gespielt, aber er hat auch seine Einschränkungen und kann nicht als umfassende Methode zur Beurteilung der Intelligenz einer Maschine betrachtet werden.
Lernen
ist ein Prozess, bei dem Wissen, Fähigkeiten, Verhaltensweisen oder Konzepte erworben, verinnerlicht und angewendet werden. Es bezieht sich auf die Veränderung des Verhaltens oder der mentalen Repräsentationen einer Person aufgrund von Erfahrungen, Übung, Studium oder Beobachtung.
Lernen kann auf verschiedene Arten stattfinden:
- Assoziatives Lernen: Hierbei werden Verbindungen zwischen Reizen und Reaktionen hergestellt. Es umfasst klassisches Konditionieren, bei dem ein neutraler Reiz mit einem natürlichen Reiz gekoppelt wird, um eine konditionierte Reaktion auszulösen, und operantes Konditionieren, bei dem Verhaltensweisen durch Belohnung oder Bestrafung verstärkt oder gehemmt werden.
- Kognitives Lernen: Dieses umfasst das Verstehen von Informationen, das Erkennen von Mustern, das Problemlösen und das Anwenden von Konzepten. Es beinhaltet bewusstes Denken, Einsicht und die Nutzung von Gedächtnis- und Denkprozessen.
- Soziales Lernen: Hierbei erfolgt das Lernen durch Beobachtung und Nachahmung anderer. Es beinhaltet das Lernen von Verhaltensweisen, Normen, Werten und sozialen Fähigkeiten durch soziale Interaktionen.
- Emotionales Lernen: Emotionen können das Lernen beeinflussen, indem sie Gedächtnisbildung und Motivation beeinflussen. Emotionales Lernen bezieht sich auf das Erlernen von emotionalen Reaktionen, das Erkennen und Verarbeiten von Emotionen und die Regulierung von Emotionen.
Lernen kann bewusst oder unbewusst, absichtlich oder zufällig stattfinden. Es ist ein lebenslanger Prozess, der sowohl bei Menschen als auch bei Tieren stattfindet. Lernen ermöglicht es uns, uns an die sich ändernde Umwelt anzupassen
Maschinelles Lernen
bezieht sich auf einen Bereich der künstlichen Intelligenz (KI), in dem Computer und Maschinen die Fähigkeit entwickeln, aus Erfahrungen und Daten zu lernen, Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu sein. Es ist ein Teilgebiet der KI, das sich darauf konzentriert, Algorithmen und Modelle zu entwickeln, die es Computern ermöglichen, automatisch aus Daten zu lernen und Wissen zu gewinnen.
Unter maschinellem Lernen versteht man einen Ansatz der künstlichen Intelligenz (KI), bei dem Computer und Maschinen die Fähigkeit entwickeln, aus Erfahrungen und Daten zu lernen, ohne explizit für eine Problemlösung programmiert zu werden. Statt spezifischer Anweisungen, wie sie eine Aufgabe ausführen sollen, werden Algorithmen verwendet, um aus den Daten Muster, Zusammenhänge und Regeln abzuleiten.
Im maschinellen Lernen werden Modelle verwendet, um aus Trainingsdaten zu lernen und Informationen abzuleiten. Diese Trainingsdaten bestehen aus Eingabevariablen und den entsprechenden Ausgabevariablen oder Ergebnissen. Die Modelle werden darauf trainiert, die Muster in den Daten zu erkennen und Zusammenhänge zwischen den Eingabevariablen und den Ausgabevariablen zu lernen. Sobald das Modell trainiert ist, kann es auf neue, nicht gesehene Daten angewendet werden, um Vorhersagen oder Entscheidungen zu treffen.
Im maschinellen Lernen werden Computermodelle entwickelt, die in der Lage sind, automatisch aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Dazu werden große Mengen an Daten verwendet, die als Trainingsdaten dienen. Diese Daten können strukturiert sein, wie z.B. Tabellen oder Datenbanken, oder unstrukturiert, wie z.B. Texte, Bilder oder Videos.
Maschinelles Lernen ist eine Schlüsseltechnologie für Systeme der künstlichen Intelligenz, gewissermaßen ihr Unterbau. Als maschinelles Lernen bezeichnet man jenen Prozess, bei dem das Verhalten eines Computerprogramms nicht durch einen menschlichen Programmierer festgelegt wurde, sondern das Programm – die KI - aus Trainingsdaten lernt, darin enthaltene Muster selbsttätig erkennt, um darauf aufbauend Aufgaben erfüllen zu können.
Maschinelles Lernen bewährt sich besonders dort, wo der menschlichen Intelligenz keine Regeln in Form von Ursache – Wirkungszusammenhängen zugänglich sind, oder die Datensätze unüberschaubar groß sind.
Es gibt KIs mit und solche ohne maschinelles Lernen.
KIs ohne maschinelles Lernen, Expertensystem
Bei KIs ohne maschinelles Lernen, sogenannten regelbasierten KIs, werden die Algorithmen vom Entwickler so programmiert, dass sie bestimmte Aufgaben erfüllen. Beispiele für solche regelbasierten Algorithmen sind Regression, Klassifikation, Clustering, Zeitreihen.
Wenn eine KI darauf abzielt das menschliche Wissen eines Experten, sogenanntes Domänen-Knowhow zu modellieren und zu replizieren, dann spricht man von einem Expertensystem.
KIs mit maschinellem Lernen
Bei KIs mit maschinellem Lernen findet das Computerprogramm die spezifischen Regeln durch selbstständiges Ausprobieren und Benchmarken an einem vorgegebenen Ziel selbst. Durch maschinelles Lernen können also Regeln gefunden werden, die dem Programmierer zuvor nicht zugänglich waren.
Maschinelles Lernen umfasst also die Fähigkeit des Programms Erfahrungen zu machen, in dem es Regeln sucht und findet, um die Zielerfüllung eigenständig zu verbessern, dazu passt es während eins Lernvorgangs die Parameter des Modells an. Beispiele für solche Algorithmen sind Entscheidungsbäume, k-nächste Nachbarn, Support-Vektor-Maschinen (SVM) und neuronale Netze.
Je nach der spezifischen Aufgabe und der Art der verfügbaren Trainingsdaten können verschiedene Lernmethoden verwendet werden, um optimale Ergebnisse zu erzielen.
Überwachtes maschinelles Lernen (Supervised Learning)
Beim überwachten maschinellem Lernen werden dem Algorithmus Daten mit „richtigen“ Lösungen zur Verfügung gestellt!
Daher teilt man die Trainingsdaten in 2 Kategorien: 70% Lerndaten und 30% Testdaten.
- Lerndaten: Anhand der Lerndaten lernt der Algorithmus Vorhersagen zu treffen, da ihm die richtige Lösung bereits mitgegeben wird.
- Testdaten: Anhand der Testdaten wird anschließend der Grad der Zielerreichung ermittelt. Daher spricht man von „überwachtem“ Lernen.
Beispiel:
- Ein KFZ-Sachverständiger verfügt über Trainingsdaten, die aus 1.000 Fotos von PKWs samt Typbezeichnung bestehen.
- 700 Fotos samt Typbezeichnung werden dem Algorithmus als Lerndaten zur Verfügung gestellt.
- Den Testdaten, bestehend aus den restlichen 300 Fotos, die dem Algorithmus jedoch ohne Typbezeichnung vorgelegt werden, muss der Algorithmus die Typbezeichnung auf Grund der gelernten Regeln selbsttätig zuordnen.
- Der KFZ-Sachverständige überprüft anschließend den Erfolg in Prozent der richtigen Antworten.
Bei überwachtem Lernen sind sowohl Eingabemuster als auch die gewünschten Ausgabemuster bekannt. Das neuronale Netz vergleicht das berechnete Ausgabemuster mit dem gewünschten Ausgabemuster und passt die Gewichtungen zwischen den Neuronen entsprechend an. Dieses Verfahren ist effizient und schnell.
Es erfordert das Vorhandensein von Daten mit der „richtigen“ Antwort, sogenannte "gelabelte Daten", die mit menschlicher Expertise erstellt wurden. Ausreißer bzw. atypische Daten, die nicht in den Lerndaten enthalten waren, verursachen Probleme.
- Überwachtes Lernen wird häufig für Aufgaben wie Klassifikation und Regressionsprobleme verwendet.
Unüberwachtes maschinelles Lernen (Unsupervised Learning)
Beim unüberwachten maschinellem Lernen werden dem Algorithmus keine Daten mit "richtigen" Lösungen zur Verfügung gestellt. Unüberwachtes Lernen erfolgt ohne Trennung zwischen Lern- und Testdaten. Dem Algorithmus werden also während des Lernens keine Vorlagen für „richtige“ Lösungen mitgegeben. Das Netzwerk muss eigenständig lernen, Muster in den Daten zu erkennen und in verschiedene Gruppen oder Kategorien einzuteilen, indem es Ähnlichkeiten bzw. Unterschiede zwischen den Mustern erkennt. Die Gewichtungen im neuronalen Netzwerk werden so angepasst, dass ähnliche Eingabemuster ähnliche Ausgaben erzeugen.
Beispiel:
- Ein KFZ-Sachverständiger verfügt über Trainingsdaten, die aus 1.000 Fotos von PKWs bestehen und die ohne weitere Angaben dem Algorithmus vorgelegt werden.
- Der Algorithmus versucht nun Muster in den Daten zu erkennen.
- Eventuell sortiert er die Autos nach KFZ-Typ, eventuell nach deren Farbe, eventuell nach Spuren von Unfällen, eventuell sortiert er auch nur die sehr seltenen Pick-Ups aus. Es kann sogar sein, dass sich die gefundenen Muster nicht interpretieren lassen, weil sie nicht zur Erlebniswelt des Sachverständigen passen.
- Der KFZ-Sachverständige muss anschließend entscheiden, ob die Sortierung für ihn einen praktischen Nutzen hat oder nicht.
Da das Verfahren ohne gelabelte Daten auskommt, ermöglicht es die Entdeckung von neuen Zusammenhängen, die im Voraus nicht bekannt waren. Das kann aber auch negativ sein, wenn die erlernten Muster nicht für die vorgesehene Anwendung relevant sind, d.h. die KI entwickelt dann Lösungen, für die womöglich niemand das zugehörige Problem hat.
- Unüberwachtes Lernen wird oft beim Clustering angewendet. Es kann Musikvorschläge liefern oder Brustkrebs auf Grund von Strukturen in Bildern erkennen.
Bestärkendes maschinelles Lernen (Reinforcement Learning)
Beim bestärkenden maschinellem Lernen werden dem Algorithmus keine Daten mit "richtigen" Lösungen zur Verfügung gestellt, aber der Algorithmus erhält positives oder negatives Feedback. Bestärkendes Lernen wird in Situationen eingesetzt, die sich permanent verändern. Der Algorithmus führt verschiedene Aktionen aus und erhält für Versuch und Irrtum positives oder negatives Feedback, je nachdem ob seine Ausgabemuster richtig oder falsch sind. Er muss aber selbstständig die richtigen Ausgabemuster finden, indem er versucht das positive Feedback zu maximieren und das negative Feedback zu minimieren.
Beispiel:
- Ein Roboterarm mit Greifzange muss ein Wasserglas anheben, welches jedes Mal an einer anderen Stelle am Tisch steht. Dazu positioniert er über Motoren den Greifarm relativ zum Wasserglas.
- Es gibt eine positive Bewertung, wen er das Wasserglas hochhebt, ohne es zu zerbrechen.
- Es gibt eine neutrale Bewertung, wenn das Wasserglas nur vermeintlich hochgehoben wird, aber unversehrt stehen bleibt.
- Es gibt eine negative Bewertung, wenn das Wasserglas zerbricht.
Dieser Lernprozess ist nicht so schnell wie das überwachte Lernen, aber er eignet sich für Situationen, in denen keine klaren Entscheidungskriterien vorhanden sind, wie etwa beim autonomen Fahren.
Bedeutung von Trainingsdaten und Big Data für maschinelles Lernen
Für maschinelles Lernen sind neben Hardwareanforderungen an die verarbeitende IT noch qualitativ hochwertige Trainingsdaten erforderlich, geeignete Algorithmen und die Definition eines klar beschriebenen Ziels. Interessant ist, dass die Lernalgorithmen teils schon seit Jahrzehnten bekannt sind.
Da aber die Trainingsdaten umfangreich sein müssen, ging der Durchbruch beim maschinellen Lernen, Hand in Hand mit den Fortschritten bei der Verarbeitung von Big Data.
Der Nutzung von Trainingsdaten gehen zwei Arbeitsschritte voraus:
- Datenquellen müssen zugänglich gemacht werden und die daraus resultierenden Daten müssen digital erfasst werden
- In den erfassten Daten allenfalls enthaltene Fehler müssen korrigiert werden und die Daten müssen so aufbereitet werden, dass sie für den eigentlichen maschinellen Lernprozess automatisiert und im Falle von Wiederholungen unverändert zugänglich sind.
Die Beschaffung von Trainingsdaten ist daher sehr aufwändig und kostenintensiv. Nachfolgend 2 öffentlich zugängliche Quellen für Trainingsdaten:
- Wikipedia wird gerne für Trainingsdaten herangezogen. Dabei wird gerne übersehen, dass die Artikelverteilung keineswegs ausgewogen ist.
- Veröffentlichungen des Übersetzungszentrums für die Einrichtungen der EU werden gerne als Trainingsdaten für Übersetzer verwendet, da dort professionelle Übersetzungen innerhalb der 24 Amtssprachen der EU vorliegen.
Schon den nächsten Badeurlaub geplant?
Auf maths2mind kostenlos auf Prüfungen vorbereiten!
Damit niemand mehr bei Mathe in's Schwimmen kommt!
![Startseite Illustration Schwimmerin 1050x450](/sites/default/files/2021-06/stock.adobe_.com_392851565.jpg)
Wissenspfad
Aktuelle Lerneinheit
Künstliche Intelligenz und Maschinelles Lernen |