künstliche Intelligenz: Denken mit dem Computer

künstliche Intelligenz: Denken mit dem Computer

 

Künstliche Intelligenz (KI) ist eine wissenschaftliche Disziplin, die das Ziel verfolgt, menschliche Wahrnehmung, Verstandesleistungen und damit verbundenes Handeln durch Maschinen nachzubilden. KI wird beispielsweise in der Spracherkennung und Sprachgenerierung, der Bilderkennung, der Diagnostik, der Robotik, bei Spielen sowie bei Simulation und Steuerung angewandt. Ziel der KI ist es einerseits, die menschliche Intelligenz zu verstehen, und andererseits, eine Arbeitserleichterung durch Rationalisierung zu schaffen. Man kennt verschiedene Methoden, um KI zu realisieren, von denen die neuronalen Netze am ehesten die Struktur des menschlichen Gehirns abbilden. Andere bekannte Verfahren sind Expertensysteme, Fuzzysysteme und genetische Algorithmen.

 

Derzeit können lediglich Roboter konstruiert werden, die die Fortbewegungsfähigkeit eines Insektes nachahmen können. Bis heute ist es jedoch nicht annähernd gelungen, die menschlichen Verstandesleistungen mit Maschinen nachzuvollziehen. Weiterhin ist nicht klar, ob menschliches Bewusstsein mit Maschinen simuliert werden kann.

 

 Anforderungen an KI

 

Man kann die Fähigkeiten von KI in verschiedene Gruppen einteilen. Zunächst ist es wichtig, dass die KI Kontakt zur Außenwelt hat. Dies geschieht über Sensoren, wie z.B. ein Mikrofon, eine Kamera oder einen Temperaturfühler. Die von diesen Sensoren gemessenen Daten werden von einem Rechner eingelesen. Des Weiteren muss die KI über einen Wissensspeicher verfügen. Dabei ist es nicht unproblematisch, ein für die Datenverarbeitung günstiges Format für dieses Wissen zu finden. Um diesen Wissensspeicher aufzubauen, muss die KI über einen Lernmechanismus verfügen. Weiterhin sind Sprach- und Bildverarbeitung für die Kommunikation mit anderen intelligenten Individuen und eine Auseinandersetzung mit der Umwelt notwendig. Eine komplexe Anforderung an KI ist die Kognition, das heißt das Erkennungsvermögen. Um eine Situation erkennen zu können, sind unter anderem Sensoren und bereits gespeichertes Wissen notwendig, das mit der neuen Situation in Verbindung gebracht wird. Weitere komplexe Fähigkeiten sind die Anpassung an die Umwelt und die Flexibilität. Es gibt derzeit kein künstliches System, das auch nur annähernd all diese Eigenschaften erfüllt.

 

 Neuronale Netze

 

Künstliche neuronale Netze sind eine Nachbildung der Nervenzellen (natürliches neuronales Netz) im Gehirn. Eine natürliche Nervenzelle (Neuron) besteht aus Zellkern und -körper, mehreren Dendriten und Synapsen und einem Axon und kann elektrische Signale verarbeiten. Dabei dienen die Dendriten als Eingabeleitungen und das Axon als Ausgabeleitung. Vernetzt werden etwa 90 % der Neuronen dadurch, dass die Axonen über Synapsen an Dendriten anderer Neuronen gekoppelt sind. Die restlichen 10 % der Neuronen besitzen Dendriten beziehungsweise Axonen, die Signale in das Netzwerk speisen oder ausgeben. Ein Neuron gibt über sein Axon ein Signal aus, wenn die Summe aller Eingangssignale der Dendriten einen bestimmten Schwellwert überschritten hat. Die Synapsen können diese Signale verstärken oder hemmen und so die Aktivität der nachfolgenden Neuronen beeinflussen. Das menschliche Gehirn besteht aus 10-1000 Milliarden Neuronen, von denen jedes mit bis zu einigen Tausend anderern Neuronen vernetzt sein kann.

 

Ein künstliches Neuron besteht aus n Eingabeleitungen (siehe Dendriten), welche die Eingangssignale x₁...x_n mit den Gewichtungen (siehe Synapsen) w₁....w_n verstärken oder hemmen. Das Neuron gibt über seine Ausgabeleitung (siehe Axon) ein Signal ab, wenn z. B. die Summe der gewichteten Eingangssignale einen Schwellwert S überschreitet: x₁ × w₁ + x₂ × w₂ +...+ x_n × w_n größer/gleich S. Die Ein- und Ausgabeleitungen dienen auch hier der Vernetzung der Neuronen untereinander. Solche Netze lassen sich mit Computerprogrammen realisieren.

 

 Trainieren künstlicher neuronaler Netze

 

Zunächst muss ein solches Netz trainiert werden. Ein »Lehrer« präsentiert dem Netz über seine Eingabeleitungen ein Übungsmuster (zum Beispiel ein Bild eines zu erkennenden Gesichtes). Daraus berechnet das Netz eine Ausgabe, die der Lehrer mit der Sollausgabe (zum Beispiel einer Nummer, die diesem Gesicht zugeordnet ist) vergleicht. Der Fehler, den das Netz zwischen Soll- und Istausgabe macht, wird dazu verwendet, die Gewichtungen des Netzes so anzupassen, dass dieser Fehler reduziert wird. Ziel ist es, das Netz so weit zu trainieren, dass es das gleiche Gesicht auch auf einem anderen Bild sicher zuordnen kann. Dabei kann es jedoch passieren, dass das Netz die Übungsmuster auswendig lernt und dadurch das gleiche Gesicht auf anderen Bildern nicht mehr erkennt. Vor diesem Überlernen ist das Trainieren des Netzes abzubrechen. Neben der Muster- und Bilderkennung werden neuronale Netze meist dann angewandt, wenn kein exakter Zusammenhang zwischen Ursache und Wirkung festgestellt werden kann, zum Beispiel zur Spracherkennung. Weitere Anwendungen betreffen die Prognose (z. B. von Aktienkursen), die Clusterung von Daten zur Datenanalyse und die Lösung von Optimierungsproblemen.