Lernprozesse bei Künstlicher Intelligenz begrenzt

KI

Lernprozesse bei Künstlicher Intelligenz begrenzt, Bild: www.istockphoto.comLernprozesse bei Künstlicher Intelligenz begrenzt, Bild: www.istockphoto.com
Lernprozesse bei Künstlicher Intelligenz begrenzt, Bild: www.istockphoto.com

Die traditionelle Künstliche Intelligenz scheiterte an Komplexitäts- und Berechenbarkeitsproblemen, die später durch das statistikbasierte Deep Learning besser gemeistert werden konnten. Doch auch hier gibt es konzeptionelle Grenzen. Die Gründe dafür sind vielfältig.

Traditionell bestand Künstliche Intelligenz aus Expertensystemen, wissensbasierten Programmen, die zur Lösung von Problemen auf logische Regeln und Wissensdatenbanken zurückgreifen. Dieses Wissen war eng begrenzt und viele Aufgaben erforderten einen Rechenaufwand, der über das Bewältigbare hinauswuchs. Die Berechenbarkeitskomplexität war für traditionelle Speichersysteme und Prozessorgeschwindigkeiten zu gross und auch die allgemeine Komplexität der Sprache konnte nicht in Regeln übersetzt werden. Nach einer anfänglichen Euphorie (oder dystopischen Visionen von einer feindseligen, bewussten superintelligenten KI) machte sich immer wieder Ernüchterung breit. Künstliche Intelligenz schien die Erwartungen, die man in sie setzte, nicht zu erfüllen.

Nach der Jahrtausendwende nahmen die Rechnergeschwindigkeiten, die Speicherkapazitäten und die vorhandenen Datenmengen exorbitant zu. Es kam auf dem Gebiet der Künstlichen Intelligenz quasi zu einem Umschlag von Quantität in Qualität und zu einer Ablösung der symbolischen KI durch subsymbolische KI. Symbolische KI ist der Oberbegriff für alle Verfahren der KI, bei denen das System eine vorgegebene Aufgabe mit Hilfe von logischen Schlussfolgerungen erfüllt. Die subsymbolische KI erkennt Regelmässigkeiten (Muster) in grossen Datenmengen und verwendet diese Muster, um Daten zu bewerten, zu vergleichen und zu vervollständigen. Subsymbolische KI kann über die Auswertung von gigantischen Datenmengen Lernprozesse durchschreiten. Die Vorhersagen der subsymbolischen Künstlichen Intelligenz sind statistikbasiert, ihr Lernen funktioniert, indem sie mit Big Data gefüttert wird und diese mithilfe von Algorithmen prozessiert.

Oberflächlichkeit von Deep Learning

Dieses Lernen wird als «Deep Learning» bezeichnet. Tatsächlich geht es aber nicht in die Tiefe, sondern basiert auf dem Zugriff auf riesige Datenmengen. «Tief» ist es aber in dem Sinn, dass sich die Lernvorgänge der Künstlichen Intelligenz der Nachverfolgung und Analyse durch die menschliche Intelligenz entziehen. Um zu «verstehen», was eine Katze ist, muss Künstliche Intelligenz mit Millionen von Katzenbildern gefüttert werden. Trotzdem mag die Künstliche Intelligenz in einem bestimmten Fall eine Katze mit einem Haus verwechseln, eventuell, weil in den Trainingsdaten im Hintergrund oftmals Häuser zu sehen waren. Tatsächlich ist eine Künstliche Intelligenz bereits in ihrem Lernen vollkommen «dumm» und kann nicht zwischen Substanz und Akzidens einer Sache selbstständig unterscheiden.

Künstliche Intelligenz weiss nicht, was der eigentliche Gehalt und der Sinn hinter den Daten ist, die sie bearbeitet. Im Geschäftsalltag scheitert der Einsatz von Künstlicher Intelligenz oftmals an einer inadäquaten Datengrundlage. Es gilt das Prinzip von «garbage in, garbage out» (auf deutsch «Abfall in, Abfall aus»). Inadäquate Daten liefern inadäquate oder schlimmer, irreführende Ergebnisse.

Gute Beispiele dafür, wie grosse Datenmengen dank KI optimal genutzt und gepflegt werden können, liefern die B2B-Plattformen wlw (ehemals «Wer liefert was») und europages. Die Plattformen bieten eine grosse Menge an Informationen, um gewerbliche Einkäufer mit den passenden Produkten und Dienstleistungen zusammenzubringen. Das Unternehmen Visable als Träger der beiden Plattformen nutzt selbst KI-Programme zur Pflege der Daten, beispielsweise zur Bereitstellung von Schlüsselwörtern für die Datensuche oder zur Eliminierung von Daten-Duplikaten. Notwendig dafür ist die Verfügbarkeit von qualitativ hochwertigen Daten. Denn Datenquantität ist nicht gleich Datenqualität. Visable hat für die Datensammlung begonnen, Künstliche Intelligenz zu nutzen, um relevante Daten als solche zu identifizieren – im Sinne eines Lernprozesses über intelligente Algorithmen.

Nur so viel Information als die Daten hergeben

Zwar können heutige Systeme der Künstlichen Intelligenz aufgrund der enormen Datenmengen, die sie verarbeiten, präzisere Vorhersagen über zukünftige Ereignisse treffen. Jedoch kann sich Künstliche Intelligenz keine neuartigen zukünftigen Ereignisse vorstellen und diese in ihre Berechnungen miteinbeziehen. Ereignisse von neuartiger Qualität wie der Beinahe-Zusammenbruch des Weltfinanzsystems 2008 oder die Corona-Pandemie können von einer Künstlichen Intelligenz wahrscheinlich noch schlechter prognostiziert werden als vom Menschen. Damit stellt sich auch die Frage, inwieweit eine Künstliche Intelligenz tatsächlich komplexe Zusammenhänge besser durchdringen kann als die menschliche Intelligenz und nicht bloss komplizierte – also Zusammenhänge, die grundsätzlich offen sind und tatsächlich unübersichtlich, anstelle von Zusammenhängen, die zwar schwierig zu durchschauen sind, prinzipiell aber durchschau- und skalierbar und lineare Ursache-Wirkungszusammenhänge sind.

Im Allgemeinen sind dem maschinellen Lernen überall dort Grenzen gesetzt, wo es um das Erkennen von Parametern geht, die den Datensätzen nicht explizit beigegeben sind. Spektakuläre Erfolge – wie auf dem Gebiet der Gesichtserkennung oder der Angabe der Faltung von Proteinen – beruhen darauf, dass alle relevanten Informationen in den jeweiligen Datenmassen vorhanden sind. Wo das jedoch nicht der Fall ist, ist KI nicht nur nicht in der Lage, einfache Unterscheidungen zu treffen, die für den Menschen augenfällig sind. Hier besteht vielmehr eine konzeptionelle Grenze, die durch Fortschritte innerhalb des maschinellen Lernens nicht aufgehoben werden können.

Vorhersage einer Sonnenfinsternis kaum möglich

Künstliche Intelligenz kann auch nur dann valide Vorhersagen treffen (oder eben «lernen»), wenn sie mit einer grossen Masse von Daten gefüttert wird. Eine Sonnenfinsternis vorhersagen könnte eine KI zum Beispiel wohl kaum – eine ausreichende Datengrundlage dafür ist nicht vorhanden.

Gerade die Vorhersage von Sonnenfinsternissen gilt als herausragende Leistung der menschlichen Intelligenz, aus der Beobachtung von Daten zu tatsächlichen Erkenntnissen über Gesetzmässigkeiten zu gelangen, die einer bestimmten statistischen Datenverteilung zugrunde liegen. Könnte eine Künstliche Intelligenz aus der Auswertung von Daten eine Formel angeben für das Auftreten von Sonnenfinsternissen oder von ständig stattfindenden Ereignissen, wie zum Beispiel aus der Tatsache, dass alles zu Boden fällt, das Newtonschen Gravitationsgesetz ableiten? Für bestimmte Klassen von Datenverteilungen lassen sich unter genau vorgegebenen Bedingungen tatsächlich Algorithmen für die zugrundeliegenden Kausalstrukturen angeben – das ist mathematisch beweisbar. Kausales Denken ist einer Künstlichen Intelligenz also nicht prinzipiell verschlossen. Offen bleibt, auf welchem Level der Intelligenz das für eine Künstliche Intelligenz möglich sein kann. Oder auch, ob Künstliche Intelligenz Gesetzmässigkeiten wie die Hauptsätze der Thermodynamik oder die Darwinsche Evolutionstheorie ermitteln könnte, die auf keinen strengen und unmittelbaren Kausalzusammenhängen beruhen.

Lernprozess nur nach dem Bottom-Up-Prinzip

Warum benötigt Künstliche Intelligenz Millionen von Katzenbildern um zu «begreifen», was eine Katze ist, während ein Kind dafür höchstens eine Handvoll Beispiele dafür benötigt? Weil Deep Leaning ein Bottom-Up Lernen ist, das aus sensorischen Daten und deren statistischer Häufigkeit schliesslich angeben kann, wie diese Daten konturiert sind und welche Relevanz sie haben. Menschliches Lernen funktioniert allerdings auch Top-Down. Menschen generieren bzw. erlernen Begriffe mithilfe derer es ihnen möglich ist, sensorische Daten zu klassifizieren. 

Die menschliche Intelligenz arbeitet mit logischen oder symbolischen Begriffen (bzw. Generalisierungen von sensorischen Daten). Mithilfe dessen ist die menschliche Intelligenz auch zu logischen Schlüssen fähig im Hinblick auf Begriffe und Sachverhalte, die als Parameter dem gegebenen Datensatz nicht beigemengt sind. Kinder begreifen, dass viele Aussagen über Katzen auch für Hunde gemacht werden können. Dieses Denken in Begriffen und die entsprechende Abstraktionsfähigkeit ist ein spezifisches Charakteristikum der menschlichen Intelligenz. Warum der Mensch zu solchen Generalisierungen und zum Denken in Begriffen fähig ist, ist nach wie vor unbekannt. Es lässt sich allerdings keine Möglichkeit angeben, wie aus einem blossen Bottom-Up-Lernen entsprechende Begriffe generiert werden können. Und mehr noch: Keine Theorie kann bisher angeben, wie ein generalisiertes logisches Denken ohne symbolisches Verstehen und ohne symbolische Logik möglich sein sollte.

Hybride Künstliche Intelligenz als Zukunftsziel

Eine Zusammenführung von symbolischer und subsymbolischer KI wird als hybride KI bezeichnet. Statistische Lernmethoden mit logischen und wissensbasierten Methoden zu verbinden ist das Zukunftsziel der KI-Forschung und Entwicklung. Ob damit eine ähnliche generelle Leistungsfähigkeit wie die der menschlichen Intelligenz erreicht werden kann, weiss man noch nicht, denn diese scheint noch aus etlichen anderen Komponenten zu bestehen und etliche andere Zutaten zu benötigen. 

Einstweilen eignen sich symbolische und subsymbolische Künstliche Intelligenzen hervorragend, begrenzte Aufgaben zu meistern. Und einstweilen definiert auch die Europäische Union Künstliche Intelligenz als etwas, das sich auf die Lösung von bestimmten, gegebenen Aufgaben bezieht – und nicht eine allumfassende, generalisierte Superintelligenz oder als menschenähnliche Roboter.

Über Visable
Visable unterstützt industriell tätige Unternehmen, Produkte und Dienstleistungen für Einkäufer international zugänglich zu machen. Als speziell auf Geschäftskunden zugeschnittene Verbindung aus eigenen B2B-Plattformen und Online-Marketing-Services wie zum Beispiel Google Ads und Retargeting bietet das Unternehmen ein breit gefächertes digitales Portfolio zur Reichweiten-Steigerung im Internet. Zu den von der Visable GmbH betriebenen Plattformen gehören wlw («Wer liefert was»), heute die führende B2B-Plattform in der D-A-CH-Region, sowie die europäische B2B-Plattform europages, auf denen rund 3 Millionen Firmen registriert sind. Zusammen erreichen die Plattformen monatlich über 3 Millionen B2B-Einkäufer, die nach detaillierten Unternehmens- und Produktinformationen suchen. 
Mit seinen Online-Marketing-Services bietet Visable Unternehmen zusätzliche Möglichkeiten, ihre Reichweite im Internet zu erhöhen. Das Unternehmen Visable entstand als Antwort auf die Herausforderungen der Internationalisierung und Digitalisierung im B2B-Bereich. Es verfügt über Standorte in Hamburg, Berlin, Münster und Paris sowie über eine Schweizer Zweigniederlassung in Baar. Insgesamt sind rund 450 Mitarbeitende beschäftigt. Als gemeinsames Dach für die Marken wlw und europages baut Visable seine B2B-Plattformen und Online-Marketing-Services kontinuierlich aus.

Mehr zu KI

Diskussion

Das könnte Sie auch interessieren