Fakt 1: Die Definition
Um die Definition für „Künstliche Intelligenz“ zu klären, müssen wir uns vor allem erst einmal mit deren Zweck beschäftigen. Denn dieser ist durchaus nobel, immerhin versucht die moderne Forschung nichts weniger, als den menschlichen Geist und seinen Intellekt auf ein künstliches Wesen (wie einen Computer) zu übertragen.
Das wirft aber vor allem die Frage auf: Was ist Intelligenz denn eigentlich? Die Wissenschaft und Philosophie tun sich dahingehend schwer eine Definition zu finden. Allgemein kann man aber sagen: Intelligenz bezieht sich auf die Fähigkeit eines Individuums, Informationen zu verstehen, zu verarbeiten, zu lernen, Probleme zu lösen und sich an neue Situationen anzupassen, basierend auf kognitiven Fähigkeiten wie Wahrnehmung, Aufmerksamkeit, Gedächtnis und logischem Denken.
Doch wie vergleicht man denn nun eine Maschine, die vorgibt intelligent zu sein, mit einem Menschen, dessen Intelligenz sich zu einem großen Teil auch aus emotionaler Intelligenz zusammensetzt? Hierfür wurden 2 Definition geschaffen, um maschinelle Intelligenz zu kategorisieren.
Unterschieden wird in „schwache KI“, was sämtliche Algorithmen und Programme einschließt, die auf eine, oder mehrere Aufgaben ausgerichtete ist, bestimmte Problemfälle löst, Berechnungen durchführt und gefundene Lösungen zur Wiedervorlage in ihre Datenbank speichert. Dinge die also heute (auch schon vor Chat GPT) vorkamen, beispielsweise in Fahrassistenzsystemen.
Die andere Klasse davon wäre die „starke KI“ und diese definiert genau das, was sich der normale Mensch unter einer intelligenten Maschine vorstellt. Ein Roboter (wie aus einem Sciencefiction-Heft ausgebrochen) der denkt, handelt und fühlt wie ein echter Mensch. Der Kreativität zur Lösung neuer Probleme einsetzt und sich seiner selbst bewusst ist.
Fakt 2: Machine Learning/Deep Learning kurz erklärt
Zwei sehr verbreitete Begriffe für die neuen KI-Modelle, die uns jeden Tag in den Medien um die Ohren gehauen werden, sind „Machine Learning“ und „Deep Learning“. Von den sensationslüsternen Schreiberlingen der Tagesblätter werden sie fast schon synonym miteinander und mit anderen Worten rund um das Thema KI gebraucht.
Beide Bezeichnungen beschreiben den Prozess an sich, welcher dafür verantwortlich ist, wie ein Modell für die den späteren AI-Algorithmus trainiert wird. Ein Modell bezieht sich dabei auf die Struktur und den Aufbau der verwendeten Algorithmen, um intelligentes (selbstfindendes) Verhalten zu imitieren. Ein Modell in der KI repräsentiert ebenso eine abstrakte Darstellung von Wissen, das durch Daten und Erfahrungen gelernt wurde. Diese Modelle kann man auf 2 sehr unterschiedliche Arten trainieren:
Machine-Learning: Hierbei greift der Mensch aktiv in den Lernprozess der Maschine ein. Er „füttert“ das Modell der KI mit Datensätzen unterschiedlicher Couleur. Zudem teilt er dem Algorithmus auch noch mit (beispielsweise über weitere Felder einer Datenbank) wie diese Daten einzuordnen sind und wie das System eine Vorhersage treffen soll. Anwendung findet dies beispielsweise in der Erkennung von Krankheiten und Krebs im menschlichen Körper, wobei dem Modell vorher tausende Bilder (mit Einordnung) von gesundem und erkranktem Gewebe gezeigt wurden.
Das Deep-Learning wiederum greift der Mensch nicht aktiv ein. Er gibt keine Erläuterung darüber ab, wie (beispielsweise) gezeigtes Bild einzuordnen ist und welche Schlüsse daraus gezogen werden sollen. Deep-Learning Algorithmen sind in der Lage das Gelernte mit neuen Inhalten zu verknüpfen und selbstständig zu analysieren und Vorhersagen zu treffen.
Fakt 3: Modells der AI/KI
Wie schon im letzten Fakt erläutert, benutzen Systeme und Programme, welche wir heutzutage als Künstliche Intelligenz einordnen sogenannten Modells, um dieses intelligente Verhalten eines Menschen zu imitieren. Dieses Modell, also ein Konglomerat aus Algorithmen und Techniken, ist dabei der Vergleichsoperator, welchen das System auf jeden seiner Prozessschritte anwendet, um Entscheidungen und Vorhersagen zu treffen.
Klassifikationsmodelle: Diese Modelle werden verwendet, um Objekte oder Datenpunkte in vordefinierte Kategorien oder Klassen einzuteilen.
Regressionsmodelle: Diese Modelle werden verwendet, um kontinuierliche Werte oder numerische Vorhersagen zu machen. Sie basieren auf statistischen Methoden wie der linearen Regression oder dem Entscheidungsbaum-Regression.
Clustering-Modelle: Diese Modelle werden verwendet, um ähnliche Datenpunkte zu gruppieren, ohne dass vordefinierte Kategorien vorhanden sind.
Neuronale Netzwerkmodelle: Diese Modelle sind von der Struktur des menschlichen Gehirns inspiriert und bestehen aus künstlichen Neuronen, die in Schichten organisiert sind. Sie werden häufig für komplexe Aufgaben wie Bilderkennung, Spracherkennung oder maschinelles Übersetzen verwendet.
Generative Modelle: Diese Modelle werden verwendet, um neue Daten zu generieren, die den Mustern und Eigenschaften der vorhandenen Daten ähneln.
Fakt 4: Was ist ein neuronales Netz?
Ein neuronales Netz ist ein Teilgebiet des Deep-Learning. Mit neuronalen Netzen, oder besser gesagt mit Neuronen, soll das menschliche Gehirn imitiert werden. Durch Zusammenschluss vieler künstlichen Neuronen, die als „künstlicher Neuronen“ oder „Knoten entsteht ein Netz.
Diese Neuronen sind in Schichten untereinander organisiert, einer Eingangs- und einer Ausgangsschicht, sowie einer verdeckten Schicht. Jedes Neuron ist durch „Gewichte“ mit einem anderen verbunden.
Mit maschinellem Lernen wird das Netz mit Trainingsdaten gefüttert, welche aus Ein- und Ausgabevektoren bestehen. Eingabevektoren beschreiben den eingehenden Datensatz und die Ausgabevektoren sind dabei das zu erwartende Ergebnis. Ist das Modell fertig trainiert kann es eingesetzte werden. Es durchläuft bei jedem Abgleich seine Netzknoten, um Muster und Übereinstimmungen zu finden und baut anschließend seine Ausgabe zusammen. Es kann so beispielsweise für die Textübersetzung, Bilderkennung und Sprachverarbeitung genutzt werden, also Anwendungsfälle, die nicht nach einem expliziten Plan ablaufen (Es gibt hunderte Arten einen Satz zu schreiben).
Fakt 5: Die Stufen der Künstlichen Intelligenz?
Da heutzutage, besonders durch das mediale Interesse und dem Sensationsjournalismus, jegliche Art von AI-Tool als Künstliche Intelligenz klassifiziert wird, scheint es so, als gäbe es keinen Unterschied zwischen einem KI-Bildgenerator, einem Fahrassistenten und einem Kampfroboter aus Asimovs „I Robot“. Dass dem nicht so ist zeigt, dass die Informatik das Gebiet der „Künstlichen Intelligenz“ in 4 Typen einteilt.
Typ 1: Die Reaktiven Maschinen: Eine Maschine ohne Erinnerung und ohne Wahrnehmung der Welt, welche nur eine einzige Aufgabe, basierend auf der vorliegenden Situation erfüllen können. Ein bekanntes Beispiel für eine solche KI der Stufe 1 ist der IBM Schachcomputer DeepBlue, welcher 1997 ein Schachspiel gegen den amtierenden Weltmeister Garry Kasparov bestritt und gewann. Deep Blue konnte anhand der Positionen der Schachfiguren vorrausschauend mögliche Züge seines Gegners berechnen und das ziemlich gut. Jedoch würde Deep-Blue als Fahrassistent gänzlich versagen, da er nur auf das Schachspiel ausgelegt war.
Typ 2: Maschine mit begrenztem Speicher: Im Grunde genommen eine verbesserte KI des Typs 1 mit dem Unterschied, dass diese Maschine nun auf Daten vergangener Situationen zugreifen kann und so eine Entscheidung basierend auf dieser Erfahrung zu treffen. Roboter mit einer KI-Typ 2 analysieren also eine Situation und gleichen diese Beobachtung mit den Daten ihres Speichers ab, welcher mit vergangenen Situationen und deren Ausgängen gefüttert ist. Ein Beispiel für so eine Typ 2 KI sind beispielsweise moderne Fahrassistenzsysteme, die Google-Suche, oder smarte Home-Speaker.
Typ 3: Theorie des Denkens: Roboter, welche mit einer solchen KI ausgestattet sind, können menschliche Emotionen wahrnehmen und verstehen und passen daraufhin ihr Verhalten uns gegenüber an. Sie besitzen ein Bild von der Welt, in der sie sich befinden und besitzen ein Gedächtnis. Nicht nur, dass sie Daten über gelernte Situationen besitzen, sie passen auf Grund dieser ihre Arbeitsweise selbstständig an. Diese Art von KI, die man in Roboterform mit den Droiden aus StarWars vergleichen könnte, sind heutzutage immer noch Zukunftsmusik. Dies liegt zum einen an der technischen Grenze, sowie am fehlenden Verständnis der Wissenschaft des menschlichen Gehirns und der menschlichen Emotionen.
Typ 4: Die Selbsterkenntnis: In dieser Phase erreicht die Maschine die vollständige Ebene des menschlichen Bewusstseins mit einer vollständigen Wahrnehmung der Welt, in der sie sich befindet. Das Bewusstsein der Maschine wandelt sich an diesem Punkt also von „Ich denke“ zu „Ich weiß, dass ich denke“. Zu diesem Zeitpunkt ist die Maschine ebenso intelligent, wenn nicht noch intelligenter als der Mensch. Es wäre der Punkt der technologischen Singularität erreicht und der Mensch als höchstentwickelte Lebensform überholt.
