Computer gelten im Allgemeinen als Klug, obwohl sie eigentlich nur Ja oder Nein kennen. Man kann mit ihnen vielleicht kluge Dinge erledigen, aber bisher nur, weil intelligente Menschen diese so programmiert haben.

 

Schon recht früh in der Geschichte der Computer hat man sich Gedanken darüber gemacht, wie die Rechenmaschinen auch intelligente Leistungen vollbringen könnten. Dies würde nämlich beinhalten, dass sie lernen und aus dem Erlernten Bewertungen ableiten könnten.

 

Man wusste bereits früh, dass die Idee des Computers, dass es einen Eingang, einen Prozessor zum Rechnen und einen Ausgang für das Rechenergebnis gibt, weit davon entfernt war, menschliches Denken nachzubilden. Man fand in den 80er Jahren heraus, dass Computer in denen mehrere Rechenoperationen gleichzeitig, quasi in mehreren Ebenen, eine Art Lernfähigkeit hatten. Allerdings waren die Rechenleistungen damaliger Prozessoren viel zu gering, um nur den Hauch einer Chance zu haben, so etwas praktisch umzusetzen.

 

Dies hat sich mit der Jahrtausendwende drastisch verändert. Seitdem wird an künstlicher Intelligenz nicht mehr nur theoretisch gearbeitet. Und die Menge der Daten (Big Data) und die Geschwindigkeit, mit der Algorithmen ihre Arbeit erledigen, hat enorm zugelegt, das bedeutet aber nicht, dass ihre Intelligenz genau so schnell zugenommen hat wie die Rechengeschwindigkeit der Prozessoren.

 

Von der Natur kopieren

 

Ähnlich wie im menschlichen Gehirn wo sogenannte Neuronen arbeiten, werden künstliche Recheneinheiten programmiert, welche durch Informationen und Reize unterschiedlich stark angeregt werden können und diese je nach Wertigkeit an andere kleine Recheneinheiten weitergeben können. Ob und ab welchem Schwellwert sie dies tun, wird durch Schwellwerte festgelegt. Im Falle von Bilderkennung können das ziemlich viele Recheneinheiten sein, schließlich müssen sie jede einzelne Bildinformation, sprich jedes Pixel einzeln auswerten.

 

All diese Informationen der einzelnen Recheneinheiten müssen in weiteren Recheneinheiten einer Auswertungsebene verarbeitet werden, welche ihre Ergebnisse wieder an weitere darüber liegende Auswertungsebenen weitergeben. Eine Ebene untersucht vielleicht die Kontraste, eine andere, die Formen, eine weitere die Farben im Bild. Am Ende der Kette von Auswertungen sollte eine Ja/Nein Entscheidung stehen. Etwa ob sich auf dem analysierten Bild ein Hund befindet.

 

Lernen durch zahllose Vergleiche

 

All das funktioniert nur über Bildervergleiche. AI benötigt eine Vielzahl von Bildern, die bereits analysiert wurden und vor allem, die von Menschen als Bilder mit einem Hund benannt wurden und mit dem neuen Bild verglichen werden. Dazu benötigen Computer Zigtausende Bilder, ein Mensch muss nur ein einziges Mal einen Hund als Kind gesehen haben um diesen künftig erkennen zu können.

 

Natürlich passieren bei dieser Art Lernen laufend Irrtümer, das Interessante aber ist, dass die Systeme im Fall eines Irrtums analysieren können, welche ihrer Rechenoperationen den Irrtum begünstigt haben und können deren Schwellwerte verändern, nachjustieren. Auf diese Weise werden die Erkennungsraten immer besser.

 

Wesentlich einfacher funktioniert das mit Text. Hier ist weniger Interpretationsarbeit notwendig, hier wird zu einem bestimmten Wort einfach der Zusammenhang mit anderen Wörtern ermittelt und im System hinterlegt. Gibt man Apfel ein, vergleicht das System, in welchen Inhalten z.B. im Internet das Wort vorkommt und in welcher Häufigkeit es mit anderen Begriffen kombiniert ist. So findet das System schnell heraus dass Apfel ein Obst ist, weil dieser Begriff häufig in diesem Zusammenhang zu finden ist. Die Nähe oder Distanz zu bestimmten anderen Begriffen wird hier ausgewertet. Passieren hier Fehler, werden die Fehlerfaktoren ebenfalls abgespeichert und künftig vermieden. Es gibt bereits Progamme, die nach gewissen festen Vorgaben Artikel für Zeitungen generieren können.

 

Referenzsystem Mensch

Und dennoch können die Systeme nur Dinge, von denen sie die menschliche Bestätigung erhalten haben, dass sich richtig erkannt wurden. Das System, welches vielleicht fast fehlerfrei einen Hund auf Bildern erkennen kann, scheitert möglicherweise grandios wenn ihm ein Bild mit einer Katze vorgegeben wird. Es kann bestenfalls erkennen, dass kein Hund auf dem Bild zu sehen ist.

 

Derartige Systeme sind immer dann aufgeschmissen, wenn sie Gegebenheiten begegnen, die sich nicht kennen. Hier arbeitet das menschliche Gehirn anders. Es kann assoziieren, kann abwägen, kann herum spinnen. Es kann Teillösungen für frühere Problemstellungen neu kombinieren, wenn neue Probleme gelöst werden sollen. Diese Fähigkeiten versuchen Forscher nachzubilden.

 

Weite Wege

Deep Learning ist die charmante Bezeichnung für etwas, was nur sehr bedingt funktioniert, weil wir noch nicht genau wissen, auf welche Weise das menschliche Gehirn wirklich arbeitet.  Vor allem ist es beeindruckend, wie schnell und auf welche Weise das menschliche Gehirn lernen kann. IA Systeme sind davon noch extrem weit entfernt. Aktuelle Systeme orientieren sich eher an simplen Lern,- und Konditionierungsversuchen bei Tieren. Trial and Error. Sie werden dahin optimiert, bestimmte Teilaufgaben alleine lösen zu können. Autos zu lenken beispielsweise.

 

Vermutlich wird es noch einige Jahrzehnte, vielleicht ein Jahrhundert brauchen, bis Computer nahe an menschliche Denkfähigkeiten heran kommen. Und selbst dann fehlen ihnen Empathie, Moral und Ethik. Das kann irgendwann in ferner Zukunft für die Menschen gefährlich werden, genauso gefährlich wie frühzeitiger, ungeduldiger und unreflektierter Einsatz von AI Vorstufen, welche die Industrie am liebsten schon heute breitflächig einsetzen möchte. Echte AI ist noch weit entfernt, was uns heute dazu als nahezu perfekt präsentiert wird, ist zu 95% geschickte Presse,- und Public Relation Arbeit.

 

Workshops 2018

Viel Kreatives vor? Mit Movie-College Hands-On Workshops Filmlicht, Filmton/Location Sound, Kamera, Drehbuch u.v.a, kann man sein Knowhow spürbar verbessern und stärkere Filme machen. Jetzt anmelden für den Workshop "Kamera" am 1. & 2. Dezember