Experimentierfeld Künstliche Intelligenz - Menüansicht

!! Wir befinden uns hier in einem experimentellen Bereich von inf-schule.de !!

In diesem Bereich sind Teile des Produktivsystems bzgl. KI gespiegelt und können experimentell verändert werden, sowohl was Inhalt als auch, was Struktur betrifft. Bitte kontaktiere / kontaktieren Sie den Autor PD, der diese temporären Seiten angelegt hat, wenn Sie ebenfalls hier experimentieren möchten.

Künstliche Intelligenz - ein Überblick

Schon in den 1950er Jahren – haben Forscher und Ingenieure versucht, Computer mit immer mehr Fähigkeiten auszustatten, die über das reine Ausrechnen von Zahlenwerten hinausgingen und die vorher nur von Menschen beherrscht wurden. Der Begriff „Artificial Intelligence“ tauchte zum ersten Mal als Titel eines Finanzierungsantrags für ein interdisziplinäres Projekts aus dem Jahr 1956 auf, dem „Dartmouth Summer Research Project on Artificial Intelligence“, auch kurz als „Dartmouth Conference“ bekannt.

Man verfolgt seit der damaligen Zeit unterschiedlichste Ansätze, die sich in zwei große Gruppen einteilen lassen:

• Wissensbasierte Systeme / Expertensysteme
  Zum einen versuchte man, menschliches Wissen in Form einer Menge von in bestimmten deklarativen Sprachen programmierten Fakten und Regeln zu speichern, einer so genannten Wissensbasis. Das enthaltene Wissen wird von bestimmten Computerprogrammen (so genannten „Inferenzmaschinen“) genutzt, um konkrete Probleme zu lösen. Wissensbasis, Inferenzmaschine und andere Teile bilden ein „Wissensbasiertes System“ oder „Expertensystem“. Solche Systeme sind bis heute in bestimmten Anwendungsgebieten erfolgreich. In vielen anderen Anwendungsgebieten ist es allerdings sehr schwierig, Expertise in formale Fakten und Regeln zu packen. Wann zeigt ein Bild eine Katze? Wie kickt man einen Fußball elegant ins Tor? Selbst wenn Kinder beherrschen das schon sehr gut, aber selbst ein erfahrener Informatiker kann das kaum in Fakten und Regeln formulieren.

• Maschinelles Lernen Deshalb versuche man ebenfalls parallel dazu schon sehr, Computer so zu programmieren, dass sie selbstständig Fähigkeiten erlernen: Man spricht von "Maschinellem Lernen" ("Machine Learning“), wozu es wiederum verschiedene Forschungsansätze gibt. Drei davon werden derzeit auf den Seiten von inf-schule betrachtet:
  • Überwachtes Lernen mit Entscheidungsbäumen
    Entscheidungsbäume erinnern noch ein wenig an die Regeln von Expertensysteme. Allerdings werden die Entscheidungsregeln nicht mehr von Fachleuten programmiert, sondern das System erzeugt diese Regeln anhand von vielen Fallbeispielen.
    Anders gesagt: das System lernt.
    
    
  • Verstärkungslernen mit Strategie-Tabellen
    Einfache lernpsychologische Vorgänge modellieren verschiedene Ansätze zum Verstärkungslernen. In einer Umwelt sorgen Belohnung bzw. Bestrafung dafür, dass mit der Zeit vorteilhafte Verhaltensweisen wahrscheinlicher ausgeführt werden als nachteilige, selbst wenn sie nur verzögert zu einer Belohnung oder Bestrafung beigetragen haben. So kann ein künstlicher Spieler mit der Zeit eine Spielstrategie lernen.
    
    
  • Überwachtes Lernen mit Neuronalen Netzen
    Im Grundkonzept schon bei der Dartmouth Conference 1956 vertreten und gerade wieder hoch-aktuell sind so genannte Neuronale Netze, die die Funktion von Netzen aus Nervenzellen (Neuronen) vereinfacht nachbilden. Moderne Neuronale Netze haben eine riesige Anzahl von Modell-Nervenzellen, die in hunderten von Schichten angeordnet sind. Da Lernvorgänge überall, auch ganz tief im Inneren dieser Schichten verborgen stattfinden, spricht man von Deep Learning. Auch solche Netze lernen anhand von vielen Fallbeispielen, von denen es extrem viele braucht, um so viele Neuronen trainieren zu können.
    Dem derzeit beobachteten Erfolg von Künstlicher Intelligenz liegen so genannte große Sprachmodelle (Large Language Models, LLM) zugrunde. Diese nutzen u.a. Deep Learning, um aus Texten im Internet den grammatisch richtigen Gebrauch von Text zu lernen und andererseits Wissen aus diesen Texten zu extrahieren und auf Nachfrage verfügbar zu machen.
    

  Allen Ansätzen des Machine Learning gemeinsam ist, dass die Bereitstellung, Aufbereitung und Auswahl von Trainingsdaten genauso entscheidend für den Erfolg sein kann wie die eigentlichen Computerprogramme. Die Arbeit mit riesigen Mengen von Daten (häufig auch „Big Data“ genannt) ist alleine für sich genommen schon eine Herausforderung. Man spricht hierbei von „Datenwissenschaft“ (Data Science).

Doch das Thema "Künstliche Intelligenz" ist nicht nur ein technisches Thema. Schon jetzt haben die verschiedenen KI-Technologien große Auswirkungen in die Gesellschaft. Aller Voraussicht nach werden sich diese Auswirkungen auf die Lebens- und Arbeitswelt der Menschen in den nächsten Jahren und Jahrzehnten noch deutlich verstärken. Nicht zuletzt wirft die Existenz von Computersystemen mit -- echter oder auch nur scheinbarer -- Intelligenz eine Reihe von philosophischen Fragen auf.