Einführung in die künstliche Intelligenz
Die KI (Künstliche Intelligenz) ist in aller Munde. Die wenigsten wissen, wie sie funktioniert. Als Einstieg und Hilfe habe ich die folgenden Kapitel formuliert. Sie sollen helfen, die Funktionsweise einer KI besser zu verstehen. Ich halte mich im Wesentlichen an das Buch Künstliche Intelligenz selber programmieren von U. Schmid, K. Weitz und M. Siebers. ISBN 978-3-527-72188-7.
Wie denkt eine KI
Semantische Netze
KI haben ihr «Denken» dem Menschen abgeschaut. Ein Teil unseres Denkvorganges findet über semantische Netzte statt. Semantische Netze verfeinern und organisieren Informationen über ihren Namen (Semantik). In semantischen Netzen werden die Begriffe als Knoten und die Verbindungen als Kanten bezeichnet. Darstellen lässt sich das in einem Graph.
Wie Sie nun dem Graph entnehmen können, ist an einem beliebigen Punkt ein Einstieg möglich und Sie finden Informationen darüber als auch darunter. Eine eindeutige Zuordnung ist aber nur nach oben möglich. Dies nennt sich den transitiven Schluss.
Das ist natürlich noch lange nicht alles über unser Denken. Es gibt verschieden Arten, wie man über Dinge nachdenken kann.
Deduktives Denken
In unserem Graphen mit den transitiven Informationen lassen sich klare Resultate schlussfolgern. Das Fachwort dazu heisst Deduktion, man schliesst vom Allgemeinen auf das Besondere. Für uns ist das logisch, wir denken aber auch noch anders.
Induktives Denken
- Ich habe auf einem Bauernhof ein weisses Schaf gesehen.
- Ich habe auf einer Alp ein weisses Schaf gesehen.
- Gestern ging ich an einer Wiese vorbei und sah ein weisses Schaf.
Ich folge daraus, dass alle Schafe weiss sind. Was natürlich eine falsche Schlussfolgerung ist, da es auch schwarze Schafe gibt.
Eine induktive Schlussfolgerung kann somit auch falsch sein. Doch es gibt noch eine weitere Form des Denkens.
Abduktives Denken
- Ich habe gelesen, dass Algen das Seewasser verfärben können.
- Der See hat sich rot verfärbt.
- Ich nehme an, dass Algen dies verursacht haben.
Wie lernt eine KI
Wir haben gesehen, wie eine KI «denken» kann. Dabei haben wir angenommen, dass die KI über Informationen verfügt, also «gelernt» hat. Für das Verstehen von Denken und Lernen eignet sich gut das Perzeptron. Es ist das einfachste künstliche Neuron und der grundlegende
Baustein für neuronale Netze im Bereich der künstlichen Intelligenz.
Das Perzeptron sieht recht einfach aus, hat es aber in sich. Sein Vorbild ist das Neuron in unserem Hirn. Schauen wir uns seine Funktionsweise anhand eines fiktiven Beispiels an:
In einem Frachtterminal fallen unzählige Pakete an. Das Zollpersonal muss sie auf Schmuggelware überprüfen. Sie benötigen dazu ein Röntgengerät. Es wäre aber zu aufwendig, jedes Paket zu röntgen. Sie haben deshalb eine Übersicht erstellt, in welchen Paketgrössen und Paketfarben häufig Schmuggelware gefunden wurde und dies in einer Tabelle dargestellt:
Damit haben sie Informationen gesammelt, mit welchen das Perzeptron «lernen» kann. Gehen wir davon aus, dass Wert 1 und 2 , sowie der Output (Schmuggelware) gegeben ist, so kann mit einem Algorithmus die Wichtigkeit 1 und 2 berechnet werden.
Die Wichtigkeit 1 und 2 lassen sich z.B. mit einem Programm bestimmen. In der Eingangs erwähnten Literatur gibt es ein kleines Python-Programm. Es berechnet für dieses Beispiel die folgenden Grössen:
Wichtigkeit 1 = -3
Wichtigkeit 2 = 3
Das Perzeptron hat nun «gelernt» und ist bereit zum «denken». Es hat nun alle Informationen, um über die Eingangsgrössen Wert 1 und 2 eine Ausgangsgrösse zu berechnen, also ein «Ja» oder «Nein».
Testen wir nun das Perzeptron mit den folgenden Paketen. Keines davon entspricht genau einer gelernten Kombination. Das Perzeptron versucht nun mit seiner Logik abzuschätzen, ob sich in einem Paket Schuggelware befindet oder nicht. Vielleicht hat es recht, vielleicht auch nicht.
Natürlich kann argumentiert werden, dass diese Aufgabe auch mit einer fixen Logik gelöst werden kann. Dies ist richtig. Was aber, wenn die Schmuggler ihre Ware in anderen Pakten verstecken. Die Logik müsste neu programmiert werden. Das Perzeptron kann aber einfach neu lernen und sich den Gegebenheiten anpassen.
Ich hoffe, mit diesen Beispielen einen kleinen Einblick in die Funktionsweise einer KI zu geben. Natürlich ist die Praxis wesentlich komplexer und die Entwicklung der KI noch lange nicht abgeschlossen.