KI-Glossar

„Künstliche Intelligenz“ (KI) ist der Oberbegriff für eine Familie von Technologien, die alle gemeinsam haben, dass sie sich zur Verarbeitung von unstrukturierten Daten eignen (z. B. Texte, Audiodaten, Bilder, Videos und Messdaten). Computer können solche Arten von Daten schon lange

speichern und verändern. Damit sie jedoch auch den Inhalt eines Bildes erkennen oder Worte in gesprochener Sprache zuordnen können, sind spezielle Vorgehensweisen notwendig. KI-Technologien bieten solche Lösungen an.

Computer können unstrukturierte Daten wie Bilddaten oder Texte einfach speichern und verändern. Sie sind jedoch nicht ohne weiteres in der Lage, auch den Inhalt dieser Daten zu erfassen. So kann ein Computer zwar eine Bilddatei von einer Dokument-Datei unterscheiden, er kann jedoch nicht erfassen, ob dieses Bild eine Katze oder ein Hund zeigt. Genau vor dieser Herausforderung stehen auch autonome Fahrzeuge: Sie müssen ihre Umgebung mithilfe von Sensoren erfassen, um nicht mit Hindernissen zu kollidieren. Dazu müssen die Systeme des Fahrzeugs verstehen, welche Informationen die Daten enthalten, die ihnen von den Sensoren übermittelt werden.

Zur Lösung dieses Problems gibt es eine ganze Gruppe von Verfahren, die sogenannten Künstlichen Neuronalen Netze (KNN). Künstliche Neuronale Netze sind Technologien, die eine stark vereinfachte Nachbildung des menschlichen Gehirns darstellen und dazu künstliche Neuronen verwenden. Ähnlich dem menschlichen Gehirn lassen sich KNN mit Hilfe von Lernverfahren (sog. Machine Learning) trainieren. Zu diesen Verfahren zählen ‚Überwachtes Lernen‘ (Supervised Learning), ‚Unüberwachtes Lernen‘ (Unsupervised Learning) sowie ‚Bestärkendes Lernen‘ (Reinforcement Learning).

Der größte Vorteil von KI-basierten Systemen liegt in ihrer Fähigkeit, sehr große Datenmengen aufzunehmen, zu interpretieren und auf dieser Basis komplexe Entscheidungen zu treffen. Solche Systeme sind zudem schnell und extrem flexibel bezüglich ihrer Einsatzbereiche. Eine Kategorie der Künstlichen Intelligenz ist das sogenannte „Machine Learning“ (ML). Machine Learning beschreibt die Menge der dynamischen Algorithmen, die in der Lage sind „eigenständig“ zu lernen, um ihre Ergebnisse bzw. Leistung zu verbessern. Diese „Eigenständigkeit“ bezüglich Problembewältigung und eigene Weiterentwicklung basiert auf Trainingsprozessen, die menschlichen Lernverfahren ähneln.

Im Gegensatz zur klassischen Programmierung, müssen beim maschinellen Lernen keine festen Regeln vorgegeben werden. Das heißt, in ML-Algorithmen muss nicht fest definiert werden, wie sich das Programm unter bestimmten Umständen verhalten soll. Es kann sich selbst regeln und Verhaltensweisen erlernen. Das verleiht den Systemen hohe Flexibilität und Effizienz.

Eine Methode des maschinellen Lernens ist das „Deep Learning“, zu Deutsch tiefes oder mehrschichtiges Lernen. Diese Methode basiert auf der Nutzung von Künstlichen Neuronalen Netzen mit zahlreichen Zwischenschichten zwischen Ein- und Ausgang (sogenannten Hidden Layers). Durch ihre umfangreiche innere Struktur sind diese Netze in der Lage, die Fähigkeiten des Algorithmus selbständig zu verbessern. Oder mit anderen Worten: Deep Learning ermöglicht Maschinen zu lernen.

Diese selbstoptimierenden Prozesse sind das besondere an Deep Learning. Sie eignen sich besonders gut für alle Anwendungen, die auf eine sehr große Menge an Daten zurückgreifen, um darin Muster zu erkennen und Modelle zu bilden.

Algorithmen im Bereich Unsupervised Learning haben zum Ziel, Muster in vorhandenen Eingangsdaten zu erkennen. Durch ein Clustering-Verfahren werden die Daten nach Merkmalen sortiert und auf dieser Basis voneinander unterschieden. Eine weniger verbreitete Anwendung für Unsupervised Learning ist die Dimensionsreduktion. Dabei werden die Algorithmen dazu verwendet, die Anzahl an Dimensionen (Parameter) bzw. Eigenschaften von Datensätzen, und somit auch die Komplexität des zugrundeliegenden Modells, zu verringern. Das ist möglich, weil die Parameter bzw. Eigenschaften der Datensätze meistens miteinander korrelieren und dadurch redundante Informationen liefern.

Die Algorithmen im Bereich Supervised Learning sollen Assoziationen herstellen. Dafür werden Künstliche Neuronale Netze mit Hilfe eines „Supervisors“ trainiert. Er stellt den korrekten Ausgangswert zu einem bestimmten Eingangswert bereit. Der Eingangswert stammt aus einem „Trainings-Set“, das kleiner ist als die insgesamt verfügbare Datenmenge. Im Laufe des Trainingsprozesses ist es Aufgabe des Künstlichen Neuronalen Netzes, beliebigen Eingangswerten durch Rechenvorgänge die richtigen Ausgangswerte zuzuordnen. Solche Algorithmen werden bspw. zur Klassifizierung von Daten und/oder zur Modellbildung mithilfe von Regression verwendet.

Letzteres beinhaltet das sogenannte "Predictive Modelling": Dabei lassen sich auf Basis der Eingangsdaten Vorhersagen über den weiteren zeitlichen Verlauf der Daten treffen. Das Supervised Learning erfordert manuelle Vorarbeit in Form von Klassen- bzw. Kategoriendefinition und ggf. auch Labeling der Daten, damit das Lernen durchgeführt werden kann.

Der Bereich Reinforcement Learning beinhaltet Algorithmen, die passende Verhaltensweisen für unterschiedliche Situationen erlernen können. Das erfolgt durch Bestrafung und Belohnung des Agenten, d.h. des Systems mit der Lernkomponente. Ist der Agent in einer bestimmten Situation nicht erfolgreich, so wird das Lernen und Anpassen an diese Situation angestoßen. Durch wiederholtes Versuchen und Anpassen findet der Agent eine Lösung für die entsprechende Situation.

Reinforcement Learning findet breite Anwendung bei aktuellen Themen wie Autonomes Fahren und ähnlichen Real-Time-Decisions-Problemen (z.B. AI-Gaming).