Blog

Das *umBlog – Wissenswertes aus der Welt der Daten, Tech-Trends, Termine und Einblicke in unsere unglaubliche Company.

Künstliche Intelligenz zwischen Mythos und Möglichkeiten – Teil 3: KI und die lernenden Maschinen

Verfasst am 28.07.2016 von Axel Hoffmann

Künstliche Intelligenz (KI) gehört zu den großen Technologiethemen unserer Zeit. Seit es Computer gibt, beflügelt sie Fiktion und Film, und schürt seit der zunehmenden Automatisierung die Furcht vor Verdrängung in der Arbeitswelt der Zukunft. Doch wohin geht die Reise? Was können denkende Maschinen wirklich? Wie, was und wofür lernen sie? Wir geben Antworten.

 

AmazonTap_Charging

Bild: Amazon Tap

Maschinelle oder künstliche Intelligenz?

Künstliche Intelligenz benennt in der Regel das Bestreben, Maschinen so zu bauen, dass sie sich wie Menschen verhalten. Dass sie also nicht nur "auf Befehl" Probleme lösen, sondern eigenständig lernen und logische Schlussfolgerungen ziehen ("denken") können. Zentrale Begriffe sind hierbei Machine Learning und Deep Learning.

Was ist Machine Learning?

Machine Learning ist ein Bestandteil Künstlicher Intelligenz. Ziel ist, dass die Machine komplexe Datenmengen auf Basis automatisiert erstellter Modelle (Algorithmen) analysieren – also aus Beispieldaten lernen und darin Gesetzmäßigkeiten erkennen – und diese nach kurzer Lernphase und auf unbekannte Instanzen anwenden kann.

Bei Aufgaben wie etwa der Klassifikation bekommt die Maschine so genannte Eingangs- und Ausgangsdaten und soll eine möglichst allgemeine Regel lernen, mit der die Eingabe- auf die Ausgabedaten abgebildet werden sollen. Eingabedaten können z.B. Filmbeschreibungen sein und die Ausgabe das entsprechende Genre. Hier spricht man von überwachtem Lernen. 
Beim unüberwachten Lernen dagegen gibt es keine Ausgabedaten. Statt dessen besteht die Aufgabe darin, eigenständig Muster in den Daten zu erkennen und sie bspw. in Clustern zu gruppieren. In der Praxis findet sich dieses Vorgehen z.B. Anwendung in Predictive Analytics (Ereignis, Schadens-, Verhaltensvorhersagen) oder Recommender-Systemen (Warenkorbanalysen, Kaufempfehlungen).

Von Intelligenz kann hier nur in Ansätzen gesprochen werden. Beim Machine Learning geht es in erster Linie um genaue automatisierte Mustererkennung auf Basis von empirischen Informationen und Trainingsdaten.

Was ist Deep Learning?

Deep Learning bezeichnet sowohl ein aktuelles Paradigma als auch spezielle technologische Verfahren des Machine Learnings – und einen wirklichen Entwicklungssprung in der Künstlichen Intelligenz. Es unterscheidet sich vom klassischen Machine Learning durch folgende Faktoren:

Deep Neural Networks
Die Architekturen zu Deep Learning-Algorithmen sind in der Regel so genannte mehrschichtige Neuronale Netzwerke. Je mehr Schichten vorhanden sind, desto tiefer ist das Neuronale Netz. (Deshalb auch die Bezeichnung Deep Neural Networks.) Jede Schicht lernt eine Repräsentation der eingegebenen Daten, die Ausgabe der Schicht wandert als Eingabe in die nächste Schicht, in der wiederum eine neue Repräsentation der Daten gelernt wird. Je weiter eine Schicht von den Eingabedaten entfernt ist, desto abstrakter ist die Information, die in ihr gelernt wird. So werden beispielsweise bei der bildbasierten Erkennung von Fahrzeugen in den datennahen Schichten Informationen wie Kanten und Ecken gelernt, während die Daten-ferneren Schichten Objekte wie Räder und Frontscheiben erkennen.

Nicht­-Linearität
In jeder Schicht findet eine nicht­lineare Transformation der Daten statt. Nichtlineare Funktionen sind komplexer als lineare Funktionen, die oft bei klassischen Verfahren Anwendung finden. Durch die Verknüpfung der Schichten werden diese komplizierteren Funktionen quasi hintereinander geschaltet und ermöglichen somit noch komplexere Transformationen der Daten. Es konnte mathematisch bewiesen werden, dass solche Deep Learning-Netze jede noch so komplexe mathematische Funktion modellieren können; dafür müssen sie nicht mal besonders "tief" sein. Das zeigt ihre Universalität und damit auch ihr enormes Potenzial.

Automatisiertes Feature Learning
Bei klassischen Ansätzen des Machine Learnings müssen die Rohdaten aufbereitet werden, um nützliche Merkmale zu gewinnen. So hat man z.B. bei der bildbasierten Erkennung von Fahrzeugen zunächst händisch fahrzeugtypische Merkmale wie Räder und Scheinwerfer spezifizieren und kombinieren müssen. 
Die Merkmalsextraktion und -kombination ist oft der aufwendigste Schritt bei der Erstellung eines Machine Learning-Algorithmus. Bei einem Deep Learning-Algorithmus gibt es ihn quasi automatisiert, ohne "manuellen" Eingriff. Dies trägt dazu bei, dass Neuronale Netze eigenständig lernen können, welche Kombinationen von Merkmalen nützlich sind und welche nicht.

Wo kommt Deep Learning zum Einsatz?

Beispiel Gesichtserkennung
Ein anschauliches Einsatzgebiete für Deep Learning ist das Erkennen von Dingen auf Bildern (Visual Object Recognition). Das Mehrschichtenmodell des Neuronalen Netzwerks ist dabei ein entscheidender Erfolgsfaktor, denn es ermöglicht – ähnlich dem Gehirn –, bestimmte Merkmale getrennt von einander zu erfassen. (Ebenfalls entscheidend für den Erfolg sind die heute verfügbaren Rechenleistungen. Deep Learning braucht viele Beispiele und große Datenmengen, aus denen es lernen kann.)

Deep Learning bei Gesichtererkennung: Pixel werden zu Linien zusammengesetzt, diese zu komplexeren Formen bis hin zu Prototypen von Gesichtern.

Bild: Wissensdatenbank Wirtschaftsinformatik

Beispiel Objekterkennung
Ein weiteres Beispiel für angewandtes Deep Learning ist die automatisierte, schnelle und komfortable Ersatzteilerkennung im industriellen Maßstab, wie kürzlich in einem eigenen Beitrag von LEADdigital und uns beschrieben.

Beispiel Spracherkennung
Erkenntnisse und Methodiken des Deep Learnings finden sich längst auch in den virtuellen Assistenten unserer Smartphones und in der digital basierten Kommunikation. Alle Technologiekonzerne nutzen heute entsprechende Software – von den Spracherkennungsmodulen für Apples Siri oder Microsofts Cortana bis zur Textanalyse und automatischen Übersetzung auf Skype.

Wie geht es intelligent weiter?

Trotz zahlreicher aktueller Erfolge und enormer Entwicklungssprünge, ist die Künstliche Intelligenz weiterhin eine Zukunftstechnologie. Ihre Möglichkeiten werden gerade einmal ansatzweise genutzt. Deep Learning ist auf absehbare Zeit ihre wichtigste Komponente. Ob es jedoch alle Anforderungen bedienen können wird, ist fraglich. Für komplexere und strategische Aufgaben in einer weiter automatisierten Zukunft werden weiter entwickelte Lösungen zu finden sein. Der initiale Anspruch an Künstliche Intelligenz – „denkende Maschinen" zu bauen, die das Leben erleichtern und verbessern – aber bleibt. Wir sind dran.

 

In der produktiven & angewandten Zwischenzeit könnte dich das interessieren:
*um über Machine Learning/Deep Learning as a Service
*um über Advanced Machine Learning/anwendbares Deep Learning
*um Data Scientists leisten entscheidenden Beitrag für Machine Learning und Industrie 4.0

Aktuelle Blogeinträge

Social Media

Kontakt

The unbelievable Machine
Company GmbH
Grolmanstr. 40
D-10623 Berlin

+49-30-889 26 56-0 +49-30-889 26 56-11 info@unbelievable-machine.com

Kostenloses Whitepaper

Künstliche Intelligenz:
der Schlüssel zur Marktführerschaft

Zum Whitepaper