Künstliche Intelligenz Definition - Lexikon

Was ist KI (AI)?

Mit KI (Künstlicher Intelligenz), auf Englisch AI für Artificial Intelligence, versucht der Mensch Programme zu schaffen, die die menschliche Intelligenz nachahmen sollen, um komplexe Aufgaben bewältigen zu können. Die Prinzipien, nach denen diese Programme aufgebaut sind, stammen aus Forschung am menschlichen Hirn und orientieren sich in ihrer Funktionsweise daran.

Das, was die menschliche Intelligenz ausmacht - Lernen, Rationalität, Problemlösekompetenz, Wahrnehmung, Sprache - wird versucht, künstlich zu reproduzieren bzw. anzunähern. Das ermöglicht es Computern schon heute selbstständig zu lernen, Datensätze zu “verstehen”, sie zu sortieren und einzuordnen und dabei extreme Genauigkeit zu erreichen. Besonders beim Erkennen von komplexen Mustern und bei dessen Nachahmung sind uns künstliche Intelligenz zum Teil bereits weit voraus.

AGI

AGI steht für Artificial General Intelligence. Das ist ein anderer Begriff für starke KI.

 

Algorithmus

Im Zusammenhang mit KI bezieht sich ein Algorithmus auf einen bestimmten Satz von Rechenschritten oder Regeln, die es Maschinen, insbesondere Systemen der künstlichen Intelligenz, ermöglichen, Aufgaben auszuführen, Entscheidungen zu treffen oder aus Daten zu lernen.

 

Automatisierung

Unter Automatisierung versteht man den Einsatz von künstlicher Intelligenz und maschinellen Lernverfahren, um Aufgaben und Prozesse ohne menschliches Zutun durchzuführen. Sie ermöglicht es Systemen, automatisch komplexe Aktionen auszuführen, Arbeitsabläufe zu optimieren und Entscheidungen zu treffen, was zu einer höheren Effizienz und Produktivität in verschiedenen Bereichen führt.

 

Bestärkendes Lernen

Bestärkendes Lernen (engl. reinforcement learning) ist ein Ansatz, um den Lernprozess künstlicher Intelligenzen zu optimieren. Die KI reagiert dabei ganz ähnlich wie ein Mensch auf “Belohnungen”. Praktisch versucht die KI sich so zu “verhalten” bzw. Ergebnisse zu erzielen, sodass diese Belohnungen maximiert werden. Anders als beispielsweise beim überwachten Lernen gibt es hier zu Beginn keinen Trainingsdatensatz. Die AI lernt nach dem Trial-and-Error Prinzip.

 

Big Data

Unter Big Data versteht man große und komplexe Datensätze, die aufgrund ihres Umfangs, ihrer Geschwindigkeit, ihrer Vielfalt und ihres Wahrheitsgehalts mit herkömmlichen Methoden nur schwer zu verarbeiten sind. Sie erfordern spezielle Tools und Techniken, um sie zu analysieren und wertvolle Erkenntnisse zu gewinnen.

 

Computerlinguistik

Die Computerlinguistik (engl. Artificial / Natural Language Processing) ist ein Bereich der KI-Forschung, bei dem es darum geht, die menschliche Sprache zur Kommunikationsschnittstelle zwischen Computer und Mensch zu machen. Künstliche Intelligenzen analysieren entsprechende Datensätze mit dem Ziel, Sprache - gesprochen, geschrieben, ... - zu “verstehen”. Die KI kann dann beispielsweise Informationen aus Dokumenten ziehen und diese ordnen und kategorisieren.

 

Computer Vision

Computer Vision ist ein Bereich der künstlichen Intelligenz und der Informatik, der es Maschinen ermöglicht, visuelle Informationen aus der Welt, wie Bilder oder Videos, zu interpretieren und zu verstehen. Dazu gehören Aufgaben wie Bilderkennung, Objekterkennung und Szenenverständnis, damit Computer die visuellen Daten, die sie erhalten, "sehen" und analysieren können.

 

Data Mining

Data Mining ist ein multidisziplinäres Gebiet, das sich mit der Gewinnung wertvoller Erkenntnisse, Muster, Korrelationen und Wissen aus großen und komplexen Datensätzen beschäftigt. Es nutzt eine Kombination aus statistischen, mathematischen und maschinellen Lernverfahren, um verborgene Informationen aufzudecken und auf der Grundlage der entdeckten Muster Vorhersagen oder Entscheidungen zu treffen.

 

Data Science

Die Data Science ist eine Wissenschaft, bei der es darum geht, Wissen aus Datensätzen zu ziehen. Angesichts der vielen verfügbaren Daten ist dieser Bereich in der Industrie und auf dem allgemeinen Arbeitsmarkt bereits stark nachgefragt. Mithilfe von künstlichen Intelligenzen, die bereits exzellent im Erkennen von Mustern und kategorisieren und “verstehen” von Datensätzen sind, lassen sich diese Prozesse optimieren. Sie sind allerdings noch immer stark von kreativem menschlichem Input abhängig.

 

Deep Learning

Deep Learning ist ein Teilbereich künstlicher Intelligenz, bei dem mithilfe von künstlichen (digitalen) neuronalen Netzwerken große Datenmengen analysiert werden. Dabei orientiert man sich an der groben Funktionsweise des menschlichen Gehirns. Die Software “nimmt etwas wahr” (Dateninput), “denkt darüber nach” (Datenverarbeitung) und “zieht dann eine Schlussfolgerung” (Analyseergebnis bzw. Output).

Weitere Informationen

 

Diffusionsmodelle

Diffusionsmodelle (Diffusion Models) sind generative Modelle, die den iterativen Prozess der Datengenerierung simulieren. Sie eignen sich hervorragend für den Umgang mit komplexen und hochdimensionalen Daten, was sie für Aufgaben wie Bildsynthese und Datenvervollständigung nützlich macht.

 

Expertensysteme

Expertensysteme (Expert Systems) sind Computerprogramme, die das Wissen und die Regeln menschlicher Experten nutzen, um Entscheidungen zu treffen oder Lösungen in bestimmten Bereichen zu finden. Sie ahmen den Entscheidungsprozess menschlicher Experten nach und werden häufig in Bereichen wie Medizin, Finanzen und Technik eingesetzt.

 

Evolutionärer (genetischer) Algorithmus

Evolutionäre Algorithmen setzen künstliche Intelligenz ein, um Optimierungsprobleme zu lösen. Man orientiert sich hierbei an Evolutionsprozessen, wie man sie aus der Natur kennt. In vielen Stufen (Generationen) findet Auswahl anhand von bestimmten Kriterien (Natural Selection) und anschließende Mutation statt. Nach mehreren Iterationen dieses Vorgehens, kann die Software eine eigene Lösung zu einem Problem liefern, die einem vordefinierten Ziel entspricht. Von Generation zu Generation wird diese Lösung weiter optimiert.

 

Image Classification

Image Classification (zu Deutsch: Klassifizierung von Bildern) ist ein Einsatzgebiet künstlicher Intelligenzen. Sie sind dann dafür zuständig, gegebene Bilder nach bestimmten Kategorien zu ordnen und / oder zu kategorisieren. Bemerkenswert ist daran, dass Computer und damit KIs Bilder selbstverständlich nicht wie wir betrachten können. Für eine KI ist ein Bild nicht einmal eine Ansammlung an Pixeln, sondern, wie jeder Datensatz, eine eindimensionale Ansammlung von Zahlen. Die Algorithmen funktionieren trotzdem erstaunlich gut.

 

John McCarthy

John McCarthy wird als der Vater künstlicher Intelligenz bezeichnet. Bereits in den späten vierziger / frühen fünfziger Jahren forschte er zu dem Thema und ist so maßgeblich für den heutigen Entwicklungsstand der Forschung verantwortlich. Zusammen mit Claude Shannon, Marvin Minsky und Nathaniel Rochester bezeichnet er 1955 sein Forschungsgebiet erstmals als künstliche Intelligenz. Ihre berühmte Grundannahme: “Jeder Aspekt des Lernens und andere Eigenschaften von Intelligenz können im Prinzip so präzise beschrieben werden, dass eine Maschine sie simulieren kann.”

 

Library

Libraries bieten Entwicklern ein Grundgerüst, auf dem sie bei ihrer Arbeit aufbauen können. So muss nicht jede mathematische Funktion, jede komplizierte Technologie (wie z.B. KI, Augmented Reality, …) für jedes Projekt von Grund auf neu entwickelt werden. Das spart nicht nur viel Zeit und dadurch Geld, sondern erlaubt es dem Entwicklerteam auch, sich mehr auf die Besonderheiten des Projekts zu fokussieren.

 

LSTM (Long Short-Term Memory)

Das Long Short-Term Memory (“langes Kurzzeitgedächtnis”) ist ein Baustein rekurrenter neuronaler Netzwerke, das es ihnen ermöglicht, sich an frühere Erfahrungen zu erinnern. Das kann (in Teilen) eins der größten Probleme neuronaler Netzwerke - das Vergessen - lösen. Ohne LSTM müssten die nämlich für jede Aufgabe, jeden Datensatz wieder von vorne beginnen, alles neu lernen. Ähnlich wie beim menschlichen Gehirn ermöglichen LSTMs allerdings eine gewisse Erinnerungsspanne, was sie wesentlich effizienter macht.

 

Machine Learning

Beim Machine Learning (dt.: maschinelles Lernen) geht es darum, einer Maschine mithilfe von Beispielen Muster und Strukturen “beizubringen”, sodass diese sie später eigenständig auf entsprechende Situationen anwenden kann. Dazu gibt es unterschiedliche Strategien, wie z.B. das bestärkende und das überwachte Lernen.

 

KI-Modell

Ein Modell ist ein vereinfachtes Bild der Wirklichkeit. Für Herbert Stachowiak definieren sich Modelle durch die Eigenschaften: Abbildung - Ein Modell steht immer für etwas anderes, Verkürzung - Modelle bilden das Original nie vollständig ab, Pragmatismus - Modelle sind auf den Menschen als Nutzer zugeschnitten. (Mehr Informationen)

Da künstliche Intelligenzen das menschliche Gehirn nachahmen, es aber nicht in vollem Umfang abbilden und definitiv auf die Nutzung durch Menschen ausgelegt sind, lassen sich auch KIs als Modelle bezeichnen. Bei speziellen KI-Modellen geht es allerdings weniger um die Nachahmung des menschlichen Gehirns, sondern mehr um die Nachahmung der menschlichen Reaktion auf die spezielle Situation. KI-Modelle sind also Modelle des ganzen Menschen, mit denen menschliche Handlungs- und Denkweisen nachgeahmt werden.

 

Mustererkennung

Bei der Mustererkennung werden KIs dazu eingesetzt, bestimmte wiederkehrende Strukturen (Muster) in (großen) Datensätzen zu erkennen, um damit zu arbeiten. Dadurch können beispielsweise Bilder sortiert oder bezeichnet werden, Gesichter in Videos lokalisiert oder erkannt werden, ob jemand in dem Video z.B. eine Mütze trägt.

 

Natural Language Processing

Natürliche Sprachverarbeitung (Natural Language Processing, NLP) ist ein Teilgebiet der künstlichen Intelligenz, das sich darauf konzentriert, Computer in die Lage zu versetzen, menschliche Sprache so zu verstehen, zu interpretieren und zu erzeugen. So kann die Kommunikation und Interaktion zwischen Menschen und Maschinen erleichtert werden.

 

Neuronales Netzwerk

Künstliche neuronale Netzwerke sind ein Modell für das menschliche Gehirn. Sie bestehen aus einzelnen “Neuronen”, die über bestimmte Pfade miteinander verbunden sind. So ahmen sie die grobe Funktionsweise des Gehirns nach. Anhand mehrerer Inputs, die auf ein Neuron zulaufen, entsteht eine “Entscheidung”, die beim nächsten Neuron zum Input wird. All das natürlich in Zahlen - in der Praxis sogar in Binär.

 

Objekterkennung

Bei der Objekterkennung werden KIs dazu eingesetzt, bestimmte Objekte in einem Input-Medium zu erkennen und identifizieren. So erkennen selbstfahrende Autos andere Verkehrsteilnehmer wie Fußgänger, Fahrradfahrer und andere Autos. Aber auch Häuser usw. können so lokalisiert werden. Außerdem ist es möglich in einem Video zu erkennen, ob jemand beispielsweise eine Maske oder eine Mütze trägt - oder ob jemand eine Gefahr darstellt, weil die Person z.B. eine Waffe bei sich trägt.

 

Predictive Analytics

Predictive Analytics ist die Nutzung von Daten, statistischen Algorithmen und maschinellen Lernverfahren, um zukünftige Ergebnisse oder Verhaltensweisen auf der Grundlage historischer Muster und Trends vorherzusagen.

 

Python

Python ist eine der bekanntesten und meistgenutzten Programmiersprachen der Welt. Sie hat einige Besonderheiten, die sie für bestimmte Anwendungen besonders attraktiv macht. Auf ihre ganz eigene Art und Weise ist sie simpel und doch komplex, gut für Einsteiger geeignet, aber trotzdem stark genug für erfahrene Programmierer. Witzigerweise wird Python zum einen besonders viel in Schulen genutzt, um jungen Menschen Informatik nahezubringen. Zum anderen ist Python die Programmiersprache für das hochkomplexe und gefragte Thema KI. Die Community rund um die Sprache ist riesig und es gibt viele KI Libraries, die einen bei der Entwicklung unterstützen.

 

Rekurrente / Rückgekoppelte neuronale Netzwerke

Rekurrente neuronale Netzwerke sind das Gegenteil zu Feedforward-Netzen. Anders in der Beispielgrafik bei neuronalen Netzwerken zu sehen, sind Neuronen dabei nicht nur mit maximal zwei Verknüpfungen verbunden - es können auch weitere Verbindungen zu folgenden oder vorhergehenden Schichten bestehen. Diesen Ansatz nutzt man bei der Verarbeitung von Sequenzen, beispielsweise bei Handschrifterkennung (Teil der Computerlinguistik).

 

Rekursion

Auf Wikipedia ist der Begriff sehr treffend als “[...] ein prinzipiell unendlicher Vorgang, der sich selbst als Teil enthält oder mithilfe von sich selbst definierbar ist [...]” definiert. Ein Computerprogramm, das sich nach Ausführen aller vordefinierten Aufgaben selbst aufruft, wäre beispielsweise rekursiv.

(Quelle)

 

Robotik

Robotik (Englisch "Robotics") ist ein multidisziplinäres Gebiet, das sich mit der Erforschung, Entwicklung und Nutzung von Robotern beschäftigt. Ein Roboter ist ein mechanisches oder virtuelles Gerät, das so programmiert werden kann, dass es selbstständig oder halbautonom Aufgaben ausführt und dabei oft menschliche Handlungen nachahmt. Die Robotik umfasst verschiedene Disziplinen wie Informatik, Elektrotechnik, Maschinenbau und künstliche Intelligenz.

 

Schwache KI

Schwache künstliche Intelligenzen sind die, die sich auf einem sehr oberflächlichen Intelligenzlevel befinden. Sie erlangen z.B. nie wirkliche Problemlösekompetenz, nutzen immer gleiche Ansätze zur Problemlösung und sind speziell für eine Aufgabe ausgelegt. Alle bisherigen KIs sind schwache. Das Gegenstück dazu sind starke KIs.

 

Spracherkennung

Spracherkennung (Speech Recognition) ist eine Technologie, die gesprochene Sprache in geschriebenen Text oder maschinenlesbare Befehle umwandelt, damit Computer und Geräte die menschliche Sprache verstehen und darauf reagieren können.

 

Starke KI

Starke künstliche Intelligenzen sind noch nicht realisierbar und daher bisher rein hypothetisch. Sie würden der allgemeinen Definition von Intelligenz vollständig entsprechen, würden vollkommen selbstständig lernen, könnten Kompetenzen adaptieren, rational denken, hätten Vorstellungen von Moral, Recht und Unrecht. Sie würden eine gemeinsame, gleichwertige Zusammenarbeit von Mensch und Maschine ermöglichen. Allerdings bringt ihre potenzielle Existenz auch unsere Ethik an ihre Grenzen, die alt bekannte Frage “wie lange ist etwas noch Maschine und wann wird es zum Lebewesen” wird aufgeworfen.

 

Trainingsdaten

Trainingsdaten sind beispielhafte, extra zusammengestellte Datensätze, die künstliche Intelligenzen bei ihrem eigenständigen Lernprozess unterstützen. Menschen stellen diese Datensätze zusammen, um KIs zu trainieren, bevor diese ihre Aufgaben erledigen können. Trainingsdaten unterstützen KIs aber nicht nur, sie beeinflussen auch maßgeblich die Lösungen, die diese später erarbeitet. So können ungleichmäßige Datensätze beispielsweise zu rassistischen KIs mit Vorurteilen führen. Die KI wird immer nach den Mustern “handeln”, die sie in ihren Trainingsdaten vorfindet - sind die Menschen, von denen die Daten stammen, vorurteilsbehaftet, so wird es die KI auch sein. Bei der Wahl der Trainingsdaten ist also Vorsicht geboten.

 

Überwachtes Lernen

Beim überwachten Lernen ist das Ergebnis, das die KI erzielen soll, bereits bekannt. Um den Lernprozess überwachen zu können und sich somit der Berechenbarkeit der entstehenden KI einigermaßen sicher zu sein (zu Nachteilen dieser Methode gleich mehr), definiert man das Ziel zuerst und trainiert die KI so lange, bis sie das Ziel selbstständig erreicht.

Nachteilig ist natürlich, dass die “Selbstständigkeit” der KI dadurch sehr begrenzt ist. Bei einem Szenario kann man sich ihrer Aussage sicher sein - da kennt man allerdings auch schon das Ergebnis. Wie vertrauenswürdig die Antworten sind, ist besonders bei großen und komplexen Datenmengen immer fragwürdig - bei überwachtem Lernen allerdings um so mehr.

 

Unüberwachtes Lernen

Das unüberwachte Lernen ist die “klassische Methode” des KI-Trainings. Sie startet mit einem eingangs festgelegten Trainingsdatensatz (oder mehreren) und versucht darin Muster zu erkennen, die sich dann auf spätere Eingaben anwenden lassen. Dadurch sind die Ausgaben der KI stark von den Trainingsdaten abhängig und damit maßgeblich beeinflussbar.