Künstliche Intelligenz - der aktuelle Entwicklungsstand

Künstliche Intelligenz

Das Feld der Künstlichen Intelligenz hat sich in den vergangenen Jahrzehnten rasant entwickelt, und Anfang des Jahres 2023 wurde der aktuelle Entwicklungsstand mit der Veröffentlichung von ChatGPT durch OpenAI publik gemacht. Bereits heute verfügen neueste KI-Modelle über beeindruckende Fähigkeiten und sorgen in der Gesellschaft nach wie vor für Diskussionen. Neben Sprachmodellen sind es Text-zu-Bild-Programme, die vor allem bei Kreativschaffenden für Aufregung sorgen: Mit wenigen Klicks lassen sich Logos, Bilder, Cartoons oder Texte erstellen – und das so gut wie ohne Vorkenntnisse. Kaum jemand hatte erwartet, dass intellektuelle Fähigkeiten und Berufe so schnell von einer Software übernommen werden könnten. Diese Problematik geht jedoch weit über kreative Tätigkeiten hinaus – sie betrifft einen Großteil des Dienstleistungssektors, der den Arbeitsmarkt unserer Zeit dominiert. Während einige Unternehmen von unvorstellbaren Produktivitätssteigerungen und Kostensenkungen und einige Gesellschaftsgruppen vom utopischen Paradies der Selbstverwirklichung träumen, fürchten andere die Massenarbeitslosigkeit und blankes Chaos. Die Spanne zwischen Fluch und Segen ist groß, und es eröffnen sich unzählige neue Probleme, gleichwohl aber auch unermessliche Möglichkeiten.

KI im Querschnitt

Die Geschichte der Künstlichen Intelligenz ist facettenreich, faszinierend und gleichermaßen technologisch wie philosophisch. Bereits im ersten Jahrtausend v. Chr. entwickelten chinesische, indische und antike griechische Philosophen Konzepte zur Formalisierung des menschlichen Denkens, auf denen das heutige Verständnis des Begriffs der Künstlichen Intelligenz beruht. Diese Idee inspirierte auch Ada Lovelace, die lange vor der Entwicklung moderner Computer im 19. Jahrhundert als erste Person gilt, die ein Computerprogramm schrieb. Sie dachte darüber nach, wie Maschinen nicht nur Berechnungen, sondern auch komplexe Aufgaben wie das Komponieren von Musik übernehmen könnten.

John von Neumann, einer der Begründer der Informatik im 20. Jahrhundert und Namensgeber der modernen CPU-Architektur, hat das Buch "The Computer and the Brain" geschrieben. Darin philosophiert er über das menschliche Gehirn und wie es durch einen Computer abgebildet werden könnte. Alan Turing schuf nicht nur einen Großteil der theoretischen Grundlagen für die moderne Informations- und Computertechnologie, sondern entwickelte auch den sogenannten Turing-Test zur Überprüfung des Vorhandenseins Künstlicher Intelligenz. Der Begriff „artificial intelligence“ wurde maßgeblich von John McCarthy auf der von ihm 1956 organisierten Dartmouth-Konferenz geprägt, die als Geburtsstunde der KI-Forschung gilt.

Zusammen mit Marvin Minsky glaubte er in den 50er-Jahren, dass innerhalb weniger Jahrzehnte eine maschinelle Intelligenz entwickelt würde, die der menschlichen Intelligenz ähnelt. Als die ersten KI-Systeme jedoch enttäuschten, ließen Finanzierung und Interesse in den 70er-Jahren nach. Erst die Entwicklung von Expertensystemen in den 80er-Jahren, die spezifisches Wissen in eng umgrenzten Bereichen nutzten, weckte wieder Hoffnungen. Sie eignen sich jedoch nur für Aufgaben, bei denen präzise Daten vorliegen und eindeutige Aussagen getroffen werden sollen.

Maschinelles Lernen

Maschinelles Lernen, im Englischen auch „machine learning“ genannt, ist ein Teilgebiet der Künstlichen Intelligenz, das sich darauf konzentriert, Computerprogramme weiterzuentwickeln und ihnen beizubringen, selbstständig aus Daten zu lernen und Entscheidungen zu treffen. Ziel ist es, Maschinen durch Erfahrungen besser werden zu lassen. Anstatt explizit programmierte Instruktionen zu verwenden, nutzen ML-Modelle statistische Methoden, um Muster in Daten zu erkennen und auf dieser Grundlage Vorhersagen oder Entscheidungen zu treffen. Maschinelle Lernalgorithmen werden häufig in überwachtes, unüberwachtes oder verstärkendes Lernen unterteilt.

Erst in den 90ern konnte die Herausforderung, das benötigte Wissen von Hand in formale Regeln zu übersetzen, durch Maschinelles Lernen überwunden werden. Dabei wird ein statistisches Modell auf Basis von Trainingsdaten aufgebaut, das gegen Testdaten geprüft werden kann. Dadurch kann die entsprechende Software zum Beispiel Muster und Gesetzmäßigkeiten in den Trainingsdaten erkennen und so Prognosen treffen. Vereinfacht beschrieben können strukturierte Daten in Tabellen oder unstrukturierte Daten in Texten oder Bildern eingegeben werden. Das Modell ist die Darstellung dessen, was aus diesen Daten gelernt werden soll. Während des Trainingsprozesses passt der Algorithmus das Modell schrittweise an und optimiert die Modellparameter für das bestmögliche Ergebnis. Das Maschinelle Lernen wird schon seit einiger Zeit eingesetzt, wie beispielsweise in der Gesichtserkennung, der Sprachverarbeitung oder für statistische Prognosen.

Heute steht ein Teilbereich des Maschinellen Lernens im Fokus, das sogenannte Deep Learning. Die Geschichte des Deep Learning beginnt in den späten 1950er-Jahren mit Frank Rosenblatt, der das Perzeptron entwickelte, eine der einfachsten Formen eines künstlichen neuronalen Netzes. Ein Perzeptron ahmt in sehr vereinfachter Weise die Funktionsweise einer Nervenzelle (Neuron) im menschlichen Gehirn nach und kann für Mustererkennungsaufgaben eingesetzt werden. Dieses Modell war revolutionär, da es das Konzept der Gewichtung von Eingaben zur Vorhersage verwendete. Die anfängliche Begeisterung für neuronale Netze wurde jedoch in den späten 1960ern durch das Buch "Perceptrons" von Marvin Minsky und Seymour Papert gedämpft. Sie zeigten, dass einfache Modelle wie das Perzeptron nicht in der Lage sind, eine nicht-lineare Aufgabe zu lösen. Dies führte zu einem Rückgang des Interesses und der Finanzierung in diesem Bereich, der als „KI-Winter“ bekannt wurde. In den 1980er-Jahren erlebte das Gebiet jedoch einen Aufschwung durch die Entwicklung neuer Algorithmen, die es mehrschichtigen neuronalen Netzen ermöglichten, ihre Gewichtung während des Trainingsprozesses effizient an komplexe Aufgaben anzupassen.

Die Renaissance der KI: Deep Learning

Deep Learning ist eine spezialisierte Technik innerhalb des Maschinellen Lernens, die neuronale Netzwerke verwendet. Diese Netzwerke sind von der Funktionsweise des menschlichen Gehirns inspiriert und bestehen aus vielen Schichten von Neuronen, die komplexe Muster in großen Datenmengen erkennen können. Insbesondere in Bereichen wie der Bild- und Spracherkennung hat Deep Learning beeindruckende Ergebnisse erzielt.

Das Wort „deep“ im Begriff Deep Learning bezieht sich auf die Anzahl der Schichten, durch die die Daten transformiert werden. Mehr Schichten ermöglichen das Extrahieren komplexerer Merkmale, und genau diese Tiefe hat viele der jüngsten Fortschritte in der Künstlichen Intelligenz ermöglicht, darunter die Spracherkennung, die Bilderkennung und die natürliche Sprachverarbeitung. Ein weiterer Meilenstein war die Entwicklung des Convolutional Neural Network (CNN) durch Yann LeCun im Jahr 1989, das erfolgreich zur Handschrifterkennung eingesetzt wurde und später zum Grundpfeiler des Deep Learning in der Bildverarbeitung wurde. Ein CNN ist eine Art künstliches neuronales Netzwerk, das speziell für die Verarbeitung von Bildern entwickelt wurde. Man kann sich ein CNN wie einen automatischen Merkmalsdetektor vorstellen, der lernt, wichtige Teile und Muster in Bildern wie Linien, Formen und Farben zu erkennen.

Die 2000er-Jahre brachten mit dem Aufkommen des Internets, der zunehmenden Verfügbarkeit großer Datenmengen und der Verbesserung der Rechenleistung einen signifikanten Fortschritt für das Deep Learning. Große neuronale Netze konnten nun mit umfangreichen Datensätzen trainiert werden, was zu verbesserten Fähigkeiten und Anwendungen führte. Ein entscheidender Wendepunkt war das Jahr 2012, als Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton die ImageNet Challenge mit AlexNet, einem CNN-basierten Deep-Learning-Ansatz, gewannen. Dies löste eine Welle von Innovationen und ein neues Interesse an Deep Learning aus, das bis heute andauert. Seitdem hat Deep Learning enorme Fortschritte in Bereichen wie Spracherkennung, automatisierte Übersetzung, medizinische Diagnose und autonomes Fahren gemacht und bleibt ein sich schnell entwickelnder und spannender Bereich der Künstlichen Intelligenz.

Künstliche Intelligenz: Ein Überblick

Künstliche Intelligenz (KI) ist ein Überbegriff für alle Techniken, einschließlich Maschinelles Lernen und Deep Learning, die es Maschinen ermöglichen, menschliche Intelligenz nachzuahmen. Sie ist nicht auf eine bestimmte Methode oder einen spezifischen Algorithmus beschränkt. KI ist das Gebiet, das sich mit der Schaffung von Maschinen und Programmen befasst, die Aufgaben ausführen können, welche typischerweise menschliche Intelligenz erfordern: von einfachen automatisierten Regelsystemen bis hin zu komplexen Systemen, die lernen und sich anpassen können.

Einer der ersten und bedeutsamsten Meilensteine in der Geschichte der Künstlichen Intelligenz ist der Sieg des Expertensystems für Schach, Deep Blue, über den damaligen Schachweltmeister Garry Kasparov im Jahr 1997. Der Sieg gelang allerdings erst, nachdem der Supercomputer so verbessert worden war, dass er doppelt so viele Züge pro Sekunde wie im verloren gegangenen ersten Match verarbeiten konnte – angeblich 200 Millionen Züge pro Sekunde. Dieser Erfolg war nicht auf ein revolutionäres neues Paradigma zurückzuführen, sondern größtenteils auf die mühsame Anwendung von Ingenieurskunst und die enorme Steigerung der Geschwindigkeit und Kapazität von Computern in den 90er-Jahren.

Die Algorithmen der KI-Forscher haben viele komplexe mathematische Probleme gelöst und wurden bereits in den 1990er- und frühen 2000er-Jahren in verschiedenen Bereichen wie Data Mining, Industrierobotik, Logistik, Spracherkennung, Bankensoftware, medizinische Diagnostik und Googles Suchmaschine eingesetzt. In den ersten Jahrzehnten des 21. Jahrhunderts wurde der Zugang zu großen Datenmengen (bekannt als „Big Data“) kostengünstiger, und schnellere Computer sowie fortgeschrittene Techniken des Maschinellen Lernens konnten erfolgreich auf viele Probleme in der Wirtschaft angewandt werden.

Ausblick

KI hat bereits jetzt die Welt verändert und wird dies auch in Zukunft tun. Je fortschrittlicher und ausgereifter die Modelle werden, desto größer wird auch die Veränderung sein. KI wird einige Arbeitsplätze ersetzen, viele anpassen und neue schaffen. Die modernen Modelle haben dafür den Weg geebnet. Zum jetzigen Zeitpunkt steigern sie die Produktivität und den Informationsfluss. Ziel der Forschung ist es, die Modelle effizienter lernen zu lassen, um Energie, Zeit und Kosten zu sparen und kleine KI-Modelle mit privaten Datensätzen zu ermöglichen.

‍