Vorlesung 5: Arten von KI

Teil 1 — Verständliche Einführung: Welche Arten von KI gibt es? (20 Minuten)

Wenn wir „Arten von KI“ sagen, sind damit zwei grundsätzliche Perspektiven gemeint: eine funktionale Perspektive (was ein System kann) und eine technologische Perspektive (wie es das macht). Funktional unterscheidet man häufig zwischen "schwacher" bzw. "narrow" KI, die auf eng definierte Aufgaben spezialisiert ist, und der hypothetischen "starken" oder "generellen" KI, die allgemeine menschenähnliche Intelligenz erreichen würde. Technologisch unterscheidet man dagegen beispielsweise zwischen regelbasierten Systemen (Symbolik) und lernenden Systemen (Statistik und neuronale Netze). (Vgl. Britannica; Russell & Norvig.)

Eine einfache Analogie hilft: Stellen Sie sich vor, Sie wollen ein Haus bauen. Ein regelbasiertes System ist wie eine sehr detaillierte Bauanleitung, in der für jeden Fall eine feste Regel steht: "Wenn Wandfeuchtigkeit > x, dann Maßnahme A." Ein lernendes System ist eher wie ein erfahrener Bauleiter, der aus vielen abgeschlossenen Bauprojekten Muster erkennt: nach vielen Beispielen lernt er, welche Kombinationen oft zu Rissen führen, auch wenn keine einzelne Regel das exakt beschreibt. Expertensysteme sind typisch regelbasiert; moderne Bild- oder Sprachverarbeitung nutzt meist lernbasierte Methoden wie neuronale Netze. (Vgl. Britannica: Expertensystem; Goodfellow et al.)

Im Alltag begegnet uns heute fast ausschließlich schwache KI in Form von spezialisierten, lernenden Systemen oder kombinierten Systemen. Beispiele sind die Autokorrektur beim Tippen, Empfehlungssysteme in Online-Shops, die Bilderkennung in Foto-Apps, Navigationsrouten oder Sprachassistenten. Diese Systeme lösen je eine begrenzte Aufgabe sehr gut, ohne allgemein zu "verstehen" wie ein Mensch. (Vgl. IBM; Britannica.)

Teil 2 — Vertiefung und Fachbegriffe (20 Minuten)

Beginnen wir mit der Unterscheidung regelbasiert versus lernend. Regelbasierte Systeme arbeiten mit explizit codierten Regeln und einer Wissensbasis. Typischer Aufbau ist: eine Wissensbasis (Fakten, Regeln) und eine Inferenzmaschine, die Schlussfolgerungen zieht. Solche Systeme sind erklärbar, weil die Regeln nachvollzogen werden können, aber sie sind empfindlich gegenüber unvollständigem Wissen und skaliert selten gut, wenn die Anzahl möglicher Situationen groß wird. (Vgl. Britannica: Expertensystem.)

Lernende Systeme beruhen auf dem Konzept eines Modells, das aus Daten gelernt wird. Zentrale Begriffe sind: Datensatz (Trainingdaten), Modell (mathematische Repräsentation), Trainingsprozess (Anpassung des Modells an die Daten) und Generalisierung (wie gut das Modell auf unbekannte Daten reagiert). Man unterscheidet hierbei grob: überwachtes Lernen (supervised learning), bei dem Eingabebeispiele mit Zielwerten vorliegen; unüberwachtes Lernen (unsupervised learning), das Muster ohne vorgegebene Zielwerte sucht; und bestärkendes Lernen (reinforcement learning), bei dem ein Agent durch Versuch und Irrtum und eine Rückmeldung (Belohnung) lernt. (Vgl. Britannica: Machine learning.)

In der Untergruppe der lernenden Methoden nehmen neuronale Netze, besonders tiefe neuronale Netze (deep learning), eine prominente Rolle ein. Sie bestehen aus vielen Schichten vernetzter Knoten und sind besonders gut darin, komplexe Muster in Bildern, Ton oder Text zu erfassen. Deep Learning hat in den letzten Jahren viele praktische Erfolge erzielt, allerdings auf Kosten geringerer Transparenz: Die internen Repräsentationen sind schwer zu interpretieren, und Modelle können unerwartet versagen, wenn sie mit Daten konfrontiert werden, die deutlich von den Trainingsdaten abweichen. (Vgl. Goodfellow et al.; Britannica: Machine learning.)

Neben dieser technologischen Unterscheidung gibt es eine horizontale Einteilung nach Fähigkeiten, wie sie häufig in Lehrbüchern diskutiert wird: reaktive Systeme (die nur aktuell verfügbare Informationen nutzen), Systeme mit begrenztem Gedächtnis (die vergangene Beobachtungen berücksichtigen), „Theory of Mind“-artige Konzepte (die andere denkende Agenten modellieren) und hypothetische selbstbewusste Systeme. Diese Stufen sind eher konzeptionell und dienen zur Einordnung; die obere Stufe (selbstbewusst) ist bislang nicht erreicht und bleibt Gegenstand wissenschaftlicher Diskussion. (Vgl. Russell & Norvig; IBM.)

Zu einigen wichtigen Risiken und Grenzen in Fachbegriffen: Overfitting bezeichnet das Phänomen, dass ein Modell die Trainingsdaten zu genau abbildet und dadurch auf neuen Daten schlecht generalisiert. Bias im Modell kann entstehen, wenn Trainingsdaten systematische Verzerrungen enthalten; dies führt zu diskriminierenden Ergebnissen. Erklärbarkeit (explainability) ist ein Forschungsfeld, das Methoden entwickelt, um Entscheidungen lernender Systeme nachvollziehbar zu machen. Bei Regelbasiertheit ist Erklärbarkeit oft leichter erreichbar, bei tiefen neuronalen Netzen schwieriger. (Vgl. Goodfellow et al.; Britannica.)

Teil 3 — Anwendungen, Grenzen und Denkaufgaben (10 Minuten)

Konkrete Anwendungen, die Ihnen im Alltag begegnen: Empfehlungsalgorithmen (E-Commerce, Streaming), Spracherkennung und Sprachassistenten, automatische Übersetzung, Bild- und Gesichtserkennung in Foto-Apps, Betrugserkennung in Banktransaktionen, Navigation und Verkehrsprognosen, Autokorrektur und Textvorhersage. Diese Systeme sind meist Kombinationen von regelbasierten Vorverarbeitungsschritten und lernenden Modellen für die eigentliche Mustererkennung. (Vgl. IBM; Britannica.)

Wesentliche Grenzen in der Praxis sind: 1) Datengrenzen — es werden hohe Qualitätsanforderungen an Trainingsdaten gestellt; 2) Robustheit — Modelle können bei abweichenden Bedingungen versagen; 3) Erklärbarkeit und Nachvollziehbarkeit— besonders in sicherheitskritischen Bereichen relevant; 4) Generalisierungsfähigkeit — aktuelle Systeme sind in der Regel spezialisiert und zeigen keine breite, menschenähnliche Intelligenz. Für viele Anwendungen ist deshalb eine Kombination aus klaren Regeln und lernenden Komponenten sinnvoll, nicht selten ergänzt durch menschliche Überprüfung. (Vgl. Goodfellow et al.; Britannica; Russell & Norvig.)

Zum Abschluss drei kurze Denkaufgaben zur Festigung: Erstens — Nennen Sie ein System in Ihrem Alltag und begründen Sie, ob dessen Verhalten eher als regelbasiert oder als lernend einzuschätzen ist; achten Sie auf die Rolle von Daten. Zweitens — Überlegen Sie, welche Folgen auftreten könnten, wenn ein lernendes System auf Daten mit systematischer Voreingenommenheit trainiert wird; welchen Mechanismen zur Qualitätssicherung würden Sie verlangen? Drittens — Diskutieren Sie kurz, warum ein System, das in vielen einzelnen Aufgaben sehr gut ist, noch lange keine starke (generelle) Intelligenz darstellt; worin liegt der Unterschied zwischen hoher Leistungsfähigkeit in Teilaufgaben und allgemeiner Problemlösefähigkeit?

Hinweis zu offenen Fragen und Unsicherheiten: Die Begriffe „schwache“ und „starke“ KI sind in der Wissenschaft nicht formal einheitlich definiert; sie dienen als nützliche Unterscheidung, aber die konkrete Grenze ist konzeptionell. Ebenso bleibt die Frage, welche architektonischen Änderungen notwendig wären, um von spezialisierten zu allgemeinen Systemen zu gelangen, auf Forschungsagenda; hierzu existiert kein Konsens. (Vgl. Britannica; Russell & Norvig.)