Aufstand der Taschenrechner

Künstliche Intelligenzen in unserem Alltag

Wenn von Robotern, künstlicher Intelligenz (KI) und Supercomputern die Rede ist, werden oftmals gleichzeitig Filme, Serien oder Spiele aus dem Science-Fiction-Genre genannt. Doch finden Instanzen dieser so futuristisch klingenden Begriffe – meist unbemerkt – bereits Einzug in unseren Alltag. Bei der Vorstellung einer KI werden häufig Roboter assoziiert, die sich wie Menschen verhalten, menschlich aussehen, denken und fühlen, kurz gesagt: der Mensch als Maschine.

Jedoch fängt die KI schon bei einfachen Programmen an, die Probleme ‚intelligent‘ bearbeiten können beziehungsweise durch einfache Algorithmen ein ‚intelligentes Verhalten‘ simulieren. Wir benutzen zahlreiche solcher Anwendungen. Seien es Spam-Filter, die aus einer riesigen Datenmenge, auch BigData genannt, die Spam-Mails herausfiltern, Suchmaschinen, die BigData analysieren und bewerten, oder Spracherkennungssoftware wie Siri und Alexa, die aus den Befehlen der Menschen lernen und diese befolgen. Auch bekannt, aber von der Masse meist nicht mit künstlicher Intelligenz assoziiert, sind Websites wie Netflix, Amazon und facebook. Wer hat bei Amazon noch nicht gelesen: „Kunden, die diesen Artikel gekauft haben, kauften auch…“. Solche Programme haben wir in unser Leben integriert und benutzen sie, ohne zu wissen, wie sie funktionieren.

KI lernen durch ‚Machine Learning‘, das heißt, ein System lernt selbstständig und automatisch durch die Analyse immenser Datenmengen. Es wird ein bereits vorhandener Algorithmus benutzt, der das zu Grunde liegende Problem löst. Durch Beispieldaten werden Muster und Gesetzmäßigkeiten erkannt. Das Programm kann diese dann verallgemeinern, auf andere Daten anwenden und somit Entscheidungen treffen. Kurz gesagt: Der Computer lernt, Entscheidungen zu treffen, ohne explizit dafür programmiert worden zu sein.

Ein weiteres Beispiel für Machine Learning ist Watson, der Supercomputer von IBM (siehe Titelseite), der im Februar 2011 zwei frühere Champions in dem Spiel Jeopardy! besiegte. Watson musste aus sehr vagen und subtilen, teils ironischen Hinweisen die richtige Antwort finden. Für das menschliche Gehirn eine
alltägliche Situation, doch für einen Computer, der nur bei formalen mathematischen Regeln dem Menschen überlegen ist, eine sehr aufwendige und komplizierte Aufgabe. Der Mensch kann intuitiv und effektiv einen Fußgänger von einer Straßenlaterne unterscheiden, doch solche Aufgaben lassen sich nur schwer durch mathematische Regeln formulieren.

Hier wird es besonders interessant: Durch die stetige Weiterentwicklung des Machine Learning entstehen neue Strategien, bei denen keine enorme Datenmenge an menschlichen Erfahrungswerten benötigt wird. Das ‚Deep Learning‘ ist eine dieser Entwicklungen: Hier werden neuronale Netze aus dem menschlichen Gehirn künstlich auf dem Computer simuliert. Das Künstliche Neuronale Netz (KNN) kann durch wiederholtes Training verallgemeinern, indem es die Neuronen in mehreren Schichten innerhalb des Netzes so verändert, dass das Netz später unbekannte Datensätze analysieren und die selbst erstellten Algorithmen und Regeln anwenden kann. Hier werden also keine menschlichen Erfahrungswerte benötigt. Das KNN ist wie eine Black Box. Der Programmierer selbst weiß nicht, was in den einzelnen Schichten passiert, lediglich die Eingaben aus der ersten Schicht und die Ergebnisse in der letzten Schicht sind bekannt. KNN gibt es schon seit fast 60 Jahren, doch wurden sie bisher nur mit sehr wenigen Neuronenschichten verwendet und daher lediglich unter Machine Learning geführt. Seit der Verwendung von drei Schichten wurden sie jedoch ‚tief‘ und gelten als Deep Learning.

Auch mit Deep Learning beschäftigt sich die im Jahr 2014 von Google übernommene Firma DeepMind. Sie entwickelte den Supercomputer AlphaGo, der im Oktober 2015 den mehrfachen Weltmeister Lee Sedol im chinesischen Brettspiel Go besiegen konnte. AlphaGo wurde – genau wie Watson – mit menschlichen Spielzügen und Erfahrungswerten ausgestattet, wurde also mit Machine Learning zum Weltmeister. Im Oktober 2017 wurde AlphaGo Zero vorgestellt, dieses Programm hat seinem Vorgänger einiges voraus, denn es wurde mit Deep Learning trainiert und hat sich durch mehrfaches stundenlanges Spielen gegen sich selbst ständig weiterentwickelt, menschliche Spielstrategien wurden der KI nicht gezeigt. Es war schon nach drei Tagen erfolgreicher als die AlphaGo-Version, die Lee Sedol besiegen konnte, und besiegte diese 100:0. Im Dezember ging die Firma mit Alpha Zero einen Schritt weiter. Nun hat das Programm innerhalb weniger Stunden nacheinander die Spiele Schach, Go und Shogi gelernt und ist somit besser als jede bisherige Software. Es wurden lediglich die Spielregeln programmiert, genau wie AlphaGo Zero hat das Programm nur im Spiel gegen sich selbst gelernt.

Google hat jedoch ein noch erstaunlicheres Programm vorgestellt: AutoML, eine künstliche Intelligenz, die andere KI-Systeme entwickeln und verbessern kann, die effizienter und intelligenter sind als die von Menschen erzeugten KI. Ziel des Projektes war es, den Mangel an Fachkräften in diesem Bereich aufzufangen.

Boston Dynamics ist das am weitesten fortgeschrittene Robotik-Unternehmen der Welt, das vor allem im Bereich autonomer Laufroboter forscht und entwickelt, die in Katastrophenfällen dort eingesetzt werden sollen, wo Menschen nicht überleben können. Boston Dynamics stellt regelmäßig ein neues Video zur aktuellen Entwicklung ihres humanoiden Roboters Atlas ins Internet. Seit 2016 kann Atlas gehen, Türen öffnen, Kisten aufheben und in Regale einsortieren sowie nach dem Umfallen alleine wieder aufstehen. Seit 2017 kann Atlas athletisch von Kiste zu Kiste springen, 180 Grad Sprünge und einen Rückwärtssalto durchführen.

Diese künstlichen Intelligenzen – ‚schwache‘ KI – dienen dazu, den Fachkräftemangel zu verringern und helfen lediglich bei vorgegebenen Teilaufgaben. Eines Tages die Welt beherrschen – das könnten so genannte ‚starke‘ KI, die die gleichen intellektuellen Fertigkeiten wie der Mensch besitzen oder ihn darin sogar übertreffen. Doch von diesem Szenario sind wir noch weit entfernt.