Machine Learning für Bloody Beginners. Teil 1: Die Grundlagen

 
 
 Photo by  Hitesh Choudhary  on  Unsplash

Teil 1: Die Grundlagen
Teil 2: Deep Learning & Anwendungsfälle
Teil 3: How to get started?

Einführung

Künstliche Intelligenz wird uns tagtäglich von den Medien als Buzzword für alles mögliche an den Kopf geworfen. Meist sind es nicht wirklich intelligente Errungenschaften, die sich mit dieser Eigenschaft brüsten dürfen, wie zum Beispiel das gefakte Video von Ex-Präsident Obama, der Donald Trump beleidigt. Ich würde stark bezweifeln, dass irgendjemand einem Computerprogramm Intelligenz zuspricht, das lediglich eine Reihe vordefinierter Aufgaben abarbeitet, auch wenn diese nicht direkt simpel sind. Eigentlich reden wir nie von “richtiger” Intelligenz wenn wir mit diesem Buzzword um uns schlagen - immerhin haben wir noch nicht einmal definiert was uns als Menschen intelligent macht. Aber was versteckt sich nun wirklich hinter dem Begriff?

Starke vs. schwache KI

Bei künstlicher Intelligenz unterscheiden wir zwischen zwei Arten, der starken KI und der schwachen KI. Der starken KI schreiben wir alle Attribute zu, die wir auch uns selbst - oder Menschen im generellen - zuschreiben würden. Dazu gehört unter anderem, erlerntes Wissen auf andere Gebiete anwenden zu können, also Transferaufgaben zu lösen. Eine starke KI kann aber auch mit unbekannten, noch nie erlebten Situationen klar kommen. Die starke KI ist der Traum eines jeden KI-Forschers und mit ihr einher gehen viele Hoffnungen und Ängste. Werden die Maschinen, sollten sie einmal unser Level an Intelligenz erreichen, uns ausrotten oder versklaven wie in der Filmtrilogie Matrix? Oder können wir mit ihnen ein Zeitalter des Postkapitalismus erreichen, indem wir keine Währung mehr benötigen, ähnlich wie in Gene Roddenberrys Star Trek Universum? Viele der einflussreichsten Köpfe wie Elon Musk oder Larry Page beschäftigen sich öffentlich mit der Fragestellung - die Antwort bleibt abzuwarten. Damit wir jedoch in die richtige Richtung steuern und Szenarien wie in Matrix umschiffen, gibt es z.B. das Future of Life Insitute. Hier wird aktiv daran gearbeitet diese Horrorszenarien zu vermeiden.

Wer legt eigentlich fest wann wir das Level einer starken KI erreicht haben? Hierfür gibt es eine Reihe von Tests, welche absolviert werden können. Der erste wurde von Alan Turing entwickelt und sieht vor, dass ein Mensch mittels eines Computers zufällig mit Menschen und KIs kommuniziert. Die KI besteht den Test, wenn der menschliche Benutzer nicht unterscheiden kann ob er mit einem Computerprogramm oder einem realen Menschen interagiert. Trotz der recht einfach erscheinenden Prüfungsumgebung, ist dieser Test bisher von noch keiner KI erfolgreich absolviert worden. Mittlerweile existieren noch andere Tests, die neben rein kognitiven Aufgaben, auch manuelle Tätigkeiten beinhalten, wie zum Beispiel Kaffee einschenken.

Man kann festhalten, dass wir noch ein gutes Stück von der starken KI entfernt sind, obwohl viele Voraussagen für den genauen Zeitpunkt schon getroffen wurden. Ray Kurzweil sieht die starke KI im Jahre 2045, also in gerade einmal 27 Jahren. Andere Stimmen sagen, dass wir die starke KI nicht in diesem Jahrhundert erreichen werden.

Aktueller Stand

Was wir derzeit als BOOM innerhalb des Technologie Sektors erleben, und was man gemeinhin unter Programmen die mit  künstlicher Intelligenz umworben werden versteht, sind schwache KIs. Als schwache KI bezeichnen wir Systeme, die Ihre Arbeit in genau einem speziell abgesteckten Gebiet verrichten und ihr Wissen und ihre Fähigkeiten nicht auf ein anderes Problem übertragen können.

Die “KI”, die ein Video von Ex-Präsident Obama fälscht, indem er Präsident Trump beleidigt, hat nicht die Fähigkeit Krebszellen von gesunden Zellen zu unterscheiden und kann dies auch nie erlernen. Auch wird das Programm nicht alleine den Inhalt erzeugen können, lediglich gelieferten Inhalt an eine vordefinierte Person und ihre Stimme anpassen. Und das ganze wird auch nicht von alleine passieren, noch immer muss ein Mensch den Knopf dafür drücken.

Machine Learning / Funktionsweise

Wenn wir heutzutage von künstlicher Intelligenz reden, meinen wir eigentlich immer eine schwache KI, ein Expertensystem, das genau eine Aufgabe oder ein Problem lösen oder bewältigen kann. Um dies zu bewerkstelligen werden normalerweise selbstlernende Algorithmen benutzt - man spricht hier von maschinellem Lernen oder Machine Learning.

Während herkömmliche Algorithmen entworfen werden um mit einer bestimmten Eingabe eine bestimmte Ausgabe zu erzeugen, so stellt maschinelles Lernen dieses Prinzip auf den Kopf. Hierbei wird die Eingabe und die Ausgabe in den selbstlernenden Algorithmus gegeben, und als Output erhält man den Algorithmus, der aus einer Eingabe eine Ausgabe erzeugt.

Beispiel: Möchte man Bilder von Katzen und Hunden mit einem herkömmlichen Algorithmus unterscheiden, so würde man versuchen die Unterschiede die eine Katze und einen Hund ausmachen, zu formalisieren. Mögliche Unterscheidungsmerkmale wären vielleicht die Kontur der Tiere, die unterschiedliche Größe, die Form der Ohren oder des Fells. Man merkt direkt, man muss sich immens viele Gedanken um die Formalisierung der richtigen Merkmale machen, die einen Hund oder eine Katze ausmachen, um einen Algorithmus zu erzeugen der beide unterscheiden kann. Bei maschinellem Lernen wird der selbstlernende Algorithmus lediglich mit vielen Bildern versorgt, die bereits der richtigen Ausgabe, “Hund” oder “Katze”, zugeordnet sind. Anschließend lernt er komplett selbständig, welche Merkmale für die Unterscheidung wichtig sindund wie er einen Hund von einer Katze auseinanderhalten kann.

Dies ist auch der Grund warum Daten so ungemein wichtig sind - manche sprechen davon, dass Daten das neue Öl seien. Ohne eine angemessene Anzahl an Eingabe und Ausgabe Beispielen, kann mittels maschinellem Lernen kein Algorithmus entwickelt werden, der das Problem löst.

Maschinelles Lernen verändert derzeit unser Leben. Immer mehr simple, geistig nicht fordernde Aufgaben werden mithilfe von selbstlernenden Algorithmen vereinfacht oder können sogar komplett automatisiert werden. Die Frage ist nicht ob sich unser Leben verändern wird, sondern vielmehr, wie wir uns daran beteiligen wollen um nicht  nur vom Rand zuzusehen sondern selbst mitzugestalten.


Dies schließt den ersten Teil unserer Serie über Machine Learning ab. In Part 2 wird Deep Learning in den Fokus gerückt und auf spezifische Anwendungsfälle von Machine Learning eingegangen.

 

Philipp_Schelske_Ignaris.jpg

Philipp Schelske

Philipp studierte Informatik an der Leibniz Universität Hannover und war Teamleiter beim Pilotprojekt “Autonomous Driving” von Horsepower. Hier konnte er insbesondere Erfahrungen in der Anwendung und Optimierung von komplexen Machine Learning Modellen des autonomen Fahrens sammeln.
Bei Ignaris (ehemals Refindit) entwickelt und optimiert er Machine Learning Modelle und beschäftigt sich mit Data Engineering.

Kontakt: Philipp Schelske (E-Mail)