Allgemeinbildung Künstliche Intelligenz. Risiko und Chance für Dummies

Ralf Otte, Ralf Otte

• Verlag: Wiley-VCH
• Jahr: 2021
• ISBN drucken: 9783527717231
• eBook-ISBN: 9783527827015
• Auflage: 1
• Thema: Biological Sciences
• Thema: Science General

Sie haben schon oft von Künstlicher Intelligenz gelesen, finden das Thema spannend und wollen mehr darüber erfahren? Dann ist dieses Buch genau das richtige für Sie. Extra für Laien geschrieben erklärt Ihnen Professor Ralf Otte, was es mit Künstlicher Intelligenz auf sich hat. Er erläutert systematisch und allgemein verständlich die technischen Grundlagen und geht auf aktuelle Anwendungen und neue Möglichkeiten in der Zukunft ein. Zudem führt er Sie in wichtige gesellschaftliche und philosophische Fragen ein, die die Künstliche Intelligenz mittlerweile aufwirft.

Teil II

Die Intelligenz in der Maschine – Vom Denken und Lernen

IN DIESEM TEIL …

• Lernen Sie die Grundlagen der Künstlichen Intelligenz kennen
• Lernen Sie, warum ein Computer – der nur Nullen und Einsen verarbeitet – logisch denken kann.
• Erfahren Sie etwas über Aussagenlogik und Prädikatenlogik. Starten werden wir aber mit der von Aristoteles eingeführten sehr einfachen »Lehre vom logischen Schluss«.
• Erfahren Sie vieles über Entscheidungsbäume und Assoziationsregeln und lernen neuronale Netze kennen.

Kapitel 4

Automatische Erzeugung von Wissen

IN DIESEM KAPITEL

• Denken und Lernen, die Grundpfeiler der Intelligenz
• Logisch schlussfolgern mit Deduktion und Abduktion
• Induktion und maschinelles Lernen
• Grenzen der Anwendung

Sie wissen aus dem letzten Teil, was Daten sind, was Information und was Wissen ist. Und Sie wissen auch, wie man Daten, Informationen und Wissen auf einem Computer speichert, nämlich symbolisch oder sub-symbolisch in Tabellen aus Nullen und Einsen. Aber natürlich wollen wir in der KI Wissen nicht nur speichern, wir wollen es auch erzeugen. An dieser Stelle erinnern wir uns wieder an beide grundlegenden Methoden zur Wissensgenerierung.

1. Denken: Man kann neues Wissen durch logisches Schließen erzeugen, das heißt, aus bekannten Dingen (dies können Fakten oder Regeln in einer Wissensbasis sein) neues Wissen schlussfolgern. Dies habe ich in Kapitel 2 mit »Deep Thinking« bezeichnet.
2. Lernen: Man kann Wissen auch durch Beobachtung der Umgebung gewinnen. Wissen lässt sich damit empirisch erzeugen über die Kausalkette von »Daten zu Informationen zu Wissen«. Wir nannten das in Kapitel 2 »Deep Learning«. Dahinter verbirgt sich das maschinelle Lernen.

Beide Methoden ergänzen sich optimal, sodass in heutigen KI-Systemen meistens eine Kombination beider Wissensverarbeitungsmethoden vorliegt. Oftmals wird bei einer Verschmelzung der Verfahren auch der Begriff Cognitive Computing verwendet.

Beide Methoden wollen wir uns nun näher anschauen und verstehen wie man sie auf einem Computer ablaufen lassen kann. Denn für viele Menschen klingt es unheimlich, wenn ein Computer lernen und denken kann, aber er kann es (zumindest perfekt simulieren), und wir werden gleich sehen, wie er das macht. Wenn man es dann aber einmal verstanden hat, ist das unheimliche Gefühl einem »Ach so, mehr ist es nicht!« gewichen und man kann klarer über die KI nachdenken. Und man merkt dann selbst recht schnell, dass sehr viel Fantasie unterwegs ist.

Im Folgenden wollen wir uns also die »Mathematik des Denkens« und die »Mathematik des Lernens« genauer ansehen, denn mathematische Algorithmen lassen sich optimal auf einem Computer implementieren.

Wissenserwerb durch logisches Denken

Die Deduktion

Aus dem Schulunterricht kennen wir alle die deduktive Methode. Der Lehrer erklärt ein Gesetz, zum Beispiel, wie man zwei große Zahlen addiert, dann wenden wir das Gesetz, die Additionsregel, auf ein Beispiel an und erhalten eine neue Zahl. Und wir wissen, dass das Ergebnis richtig – in unserem Sinne also wahr – ist. Diese Methode hat den Charme, dass dann, wenn die Voraussetzungen (Prämissen) stimmen (die Annahmen oder Fakten also wahr sind) und die Regeln korrekt angewendet wurden und damit auch stimmen, auch die geschlussfolgerten Ergebnisse (die neuen Fakten) stimmen, also wahr sind (Abbildung 4.1).

Abbildung 4.1: Erzeugung von neuem Wissen über die Welt

Schauen wir auf ein Beispiel:

• Wahre Annahme (Prämisse): »Norbi« ist ein Goldfisch.
• Wahres Weltwissen: Alle Fische können schwimmen.
• Aus der korrekten Anwendung des Regelwerks der Logik folgen neue Fakten über die Welt: »Norbi« kann schwimmen.

Man erkennt an diesem Beispiel, dass es möglich ist, mit einer vorhandenen Regel (»Alle Fische können schwimmen«) und wahren Annahmen (»Norbi ist ein Fisch«) neue Fakten zu generieren (»Norbi kann schwimmen«), die wahr sind. Diese Logikkette lässt sich sehr gut automatisieren und auf technischen Systemen nachbilden; wie das konkret geht, sehen Sie in Kapitel 5. Die Deduktion ist eine geeignete Methode, mit der ein Softwaresystem selbstständig wahre, neue Fakten über die Welt bilden kann. Für die Deduktion gilt also:

DEDUKTION

• Ursache → Regelwerk → Wirkung
• Eingangsdaten → Regelwerk → Ausgangsdaten

Logische Regelketten

Eine wahre Regelbasis R1, R2, R3, … kann verwendet werden, um neue Regeln abzuleiten. Denken Sie wieder an die Mathematik aus der Schule. Jede Umformung von mathematischen Gleichungen führte wieder zu Ausdrücken, die wahr sind und die damit neues Wissen in Form von Regeln oder Ausdrücken darstellen. Stellen Sie sich nun vor, dass die Umformungen nicht trivial sind, sondern manchmal seitenlange mathematische Abhandlungen darstellen. Dadurch entstehen neue mathematische Sätze, die neues Wissen verkörpern. Solche Umformungen können wir im Rahmen des Buches nicht durchführen, aber Sie sollen zumindest das Prinzip kennen lernen.

Das Konzept des logischen Schlussfolgerns

Ist die Annahme wahr und sind die logischen Schlussfolgerungen alle korrekt, dann muss auch das neue Ergebnis wahr sein.

Warum sollte man sich mit diesem Prinzip nicht Tausende neue Wahrheiten erschließen können? Nun, man kann es, dies ist eine enorme Stärke deduktiver KI-Verfahren: Aus R1, R2 und R3 folgt R4 und R5, daraus folgt dann R6 und R7 und so weiter. Man kann unendliche viele neue Regeln ableiten.

Kann man mit diesem Ansatz also – zumindest theoretisch – alle Regeln über die Welt ableiten? Nein, das geht nicht, der Grund ist jedoch komplex und ich werde ihn erst später erörtern. Hier sei nur kurz erwähnt, dass es bewiesen wurde, dass sich nicht alles Wissen der Welt aus bekanntem Vorwissen und Annahmen (Prämissen) durch formale Regeln (Ableitungen) schlussfolgern lässt. Ein Beispiel: Nehmen Sie mal an, Sie sind ein Nobelpreisträger für Chemie und kennen alle Gesetze (Regeln) über die organische Chemie einer Zelle, die man wissen kann. Und jetzt kommt jemand und fragt: »Kannst du die für uns erkennbare Eigenschaft der biologischen Zelle, ›lebendig zu sein‹, aus den dir bekannten Regeln der organischen Chemie der Zelle ableiten?« Das ist schwierig oder gar unlösbar, bis heute ist es jedenfalls noch niemandem gelungen. Es scheint also Eigenschaften zu geben, die man nicht mathematisch aus vorhandenen Prämissen schlussfolgern kann.

Trotzdem halten wir zumindest fest: Neues Wissen über die Welt kann in Form von neuen Fakten »Ursache → Regelwerk → Wirkung« und in Form von neuen Regeln »Prämisse → Regelwerk → neue Regeln« erzeugt werden.

Die Abduktion

Die Abduktion erzeugt auch neue Fakten über die Welt, aber diese Fakten entstehen nicht durch Abarbeitung einer einfachen Kausalkette. Bei der Abduktion wird auch geschlussfolgert, aber genau anderes herum als bei der Deduktion. Die Schlussfolgerung beginnt bei der Wirkung, und es wird die Ursache gesucht, die diese Wirkung hervorgebracht hat. Das ist teilweise unmöglich, weil eine Wirkung Hunderte verschiedene Ursachen haben kann, aber welche war es in einem konkreten Falle? Stellen Sie sich vor, Sie gehen mit Kopfschmerzen zu Ihrem Hausarzt. Sie wären empört, wenn der Arzt schlussfolgert, dass Sie gestern auf einer Junggesellenabschlussparty waren und zu viel Alkohol getrunken haben. Nein, das waren Sie nicht und Sie haben trotzdem Kopfschmerzen. Diese Suche nach Ursachen für Symptome ist eine der schwierigsten Aufgaben in der KI. Während der Zusammenhang: Junggesellenparty → viel Alkohol → Leberüberlastung → Kopfschmerzen einer Kausalkette f...

Inhaltsverzeichnis

• Cover
• Titelblatt
• Impressum
• Über den Autor
• Inhaltsverzeichnis
• Einführung
• Teil I: Ganz schön clever
• Teil II: Die Intelligenz in der Maschine – Vom Denken und Lernen
• Teil III: Die Künstliche Intelligenz erobert die Welt
• Teil IV: Die Zukunft steht nicht mehr in den Sternen – Chance und Risiko der Künstlichen Intelligenz
• Teil V: Der Top-Ten-Teil
• Stichwortverzeichnis
• End User License Agreement