Lerneinheit: Künstliche Intelligenz

Quelle: https://www.renuo.ch/

Am Anfang steht immer ein grosser Datensatz

Jedes KI-Projekt startet mit einer fundierten Analyse und der Aufbereitung von vorhandenen Daten und Fragestellungen. Die treibende Frage ist immer: «Wie können wir unsere gesammelten Daten sinnvoll einsetzen?». Jedes zu lösende Problem ist dabei individuell und erfordert viel Erfahrung in Data- und Business-Engineering. Ist die vorhandene Ausgangslage klar, wird mit Hilfe eines passenden Algorithmus ein Modell aufgebaut, trainiert und verbessert, bis eine zufriedenstellende Lösung gefunden werden kann.

Open

Wer profitiert von künstlicher Intelligenz?

Das Potenzial von künstlicher Intelligenz kann in jeder Branche genutzt werden. Spracherkennung kann beispielsweise helfen, Kundenanfragen 24/7 zu verarbeiten, Texte zu verstehen, zusammenzufassen oder (unterdessen gut!) zu übersetzen. Bilderkennung hilft zum Beispiel im Aufbau von Datenbanken, Produkte-Tagging oder der Diagnose von Krankheiten. Generell kann mit grossen Datenmengen jede relevante Entscheidung oder Interaktion verbessert werden. Daraus lässt sich schnell auf Veränderungen reagieren und wirtschaftlicher Vorteil gewinnen. In vielen Fällen eröffnen sich durch die gezielte Verwendung von Daten gar neue Geschäftsfelder. Künstliche Intelligenz erhebt nicht den Anspruch, bislang menschliche Interaktionen zu ersetzen. Vielmehr kann sie zur Verbesserung und Anreicherung zu Nutze genommen werden. Tatsächlich ist unser Glaube: Mensch & Maschine sind erst im Doppelpack richtig stark.

«In einer Welt, die von irrelevanten Informationen überschwemmt wird, ist Klarheit Macht.»

DER HISTORIKER YUVAL NOAH HARARI

Was ist künstliche Intelligenz?

Open

Daten sind das neue Öl im Getriebe

Um künstliche Intelligenz erfolgreich einzusetzen, sind Unmengen an Daten notwendig. Ihre Qualität und Vollständigkeit ist für die erwarteten Resultate zentral. Nebst guten Daten stellen enorme Speicherkapazitäten und Rechenleistung weitere Erfolgs-Voraussetzungen dar. Diese können mit standardisierten Lösungen aus der Cloud heutzutage jedoch gut abgedeckt werden.

Arten der künstlichen Intelligenz

Es gibt verschiedene Arten von künstlicher Intelligenz (KI), die je nach ihren Fähigkeiten und Anwendungsgebieten unterschieden werden können. Hier sind einige der Hauptkategorien von KI:

1. Schwache KI (Weak AI) oder Schmale KI (Narrow AI):

   • Diese Form der KI ist auf eine bestimmte Aufgabe oder einen bestimmten Anwendungsbereich beschränkt.

   • Sie kann spezifische Probleme lösen, aber sie besitzt keine allgemeine Intelligenz.

   • Beispiele sind virtuelle persönliche Assistenten wie Siri oder Alexa.

2. Starke KI (Strong AI) oder Allgemeine KI (General AI):

   • Starke KI zielt darauf ab, eine allgemeine Intelligenz zu erreichen, die vergleichbar mit der menschlichen Intelligenz ist.

   • Diese Art von KI könnte in der Lage sein, eine breite Palette von Aufgaben zu bewältigen und flexibel zu lernen.

   • Starke KI ist bisher theoretisch und bleibt ein Ziel für die Zukunft.

3. Reaktive KI:

   • Diese KI-Systeme reagieren auf bestimmte vordefinierte Situationen und können in begrenzten Umgebungen effektiv sein.

   • Sie handeln auf Basis von festen Regeln und Algorithmen, ohne die Fähigkeit, aus Erfahrungen zu lernen.

4. Begrenzt aufgabenspezifische KI:

   • Diese Art von KI ist auf eine spezielle Aufgabe ausgerichtet und kann in diesem Bereich sehr leistungsstark sein.

   • Selbstfahrende Autos und Bilderkennungssysteme sind Beispiele für begrenzt aufgabenspezifische KI.

5. Selbstlernende oder Lernende KI (Machine Learning):

   • KI-Systeme, die in der Lage sind, aus Erfahrungen zu lernen und ihre Leistung im Laufe der Zeit zu verbessern.

   • Machine Learning-Algorithmen werden in verschiedenen Anwendungen wie Predictive Analytics und Spracherkennung eingesetzt.

6. Reinforcement Learning:

   • Eine Untergruppe des maschinellen Lernens, bei der ein Algorithmus durch positive Verstärkung und Belohnung lernt, bestimmte Handlungen in einer Umgebung auszuführen.

7. Unüberwachtes Lernen (Unsupervised Learning):

   • Eine Form des maschinellen Lernens, bei dem das System nicht mit gelabelten Daten trainiert wird.

   • Das System sucht eigenständig nach Mustern und Strukturen in den Daten.

8. Überwachtes Lernen (Supervised Learning):

   • Hierbei wird das Modell mit gelabelten Daten trainiert, wobei es korrekte Ausgabewerte für bestimmte Eingaben lernt.

Diese Kategorien geben einen Überblick über die verschiedenen Ausprägungen von Künstlicher Intelligenz. In der Praxis werden oft hybride Ansätze verwendet, die verschiedene Techniken und Methoden kombinieren, um spezifische Anforderungen zu erfüllen.

Traditionelles Programmieren vs. Machine Learning

In der traditionellen Software-Entwicklung findet man mit Hilfe von Regeln und Daten die gewünschten Antworten. Im Bereich der künstlichen Intelligenz werden die Regeln und Antworten vertauscht: Mit Hilfe von (sehr vielen) Antworten und Daten leitet man Regelmodelle ab. Diese wiederum können für anschliessende Prognosen verwendet werden.

Was ist Machine Learning?

Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung; englisch overfitting).^[1][2] Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt: automatisierte Diagnose­verfahren, Erkennung von Kreditkartenbetrug, Aktienmarkt­analysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung sowie autonome Systeme.

Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Zwecke verwendet werden. Methoden der „Knowledge Discovery in Databases“ können genutzt werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten. Im Gegenzug dazu finden Algorithmen aus dem maschinellen Lernen beim Data-Mining Anwendung. Zu unterscheiden ist der Begriff zudem von dem Begriff „Deep Learning“, welches nur eine mögliche Lernvariante mittels künstlicher neuronaler Netze darstellt.