Künstliche Intelligenz – Welche Arten von KI gibt es?




Künstliche Intelligenz (KI) ist ein weitreichender Zweig der Informatik, der sich mit der Entwicklung intelligenter Maschinen befasst, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

Die vier Stufen der künstlichen Intelligenz

Im Folgenden stellen wir die vier bekanntesten Arten der künstlichen Intelligenz oder auch Artifical Intelligence (AI) vor.

Reaktive Maschinen

Eine reaktive Maschine folgt den grundlegendsten KI-Prinzipien und ist, wie der Name schon sagt, nur in der Lage, ihre Intelligenz einzusetzen, um die Welt vor ihr wahrzunehmen und auf sie zu reagieren. Eine reaktive Maschine kann keine Erinnerungen speichern und sich daher nicht auf frühere Erfahrungen stützen, um Entscheidungen in Echtzeit zu treffen.

Die Welt direkt wahrzunehmen bedeutet, dass reaktive Maschinen nur für eine begrenzte Anzahl spezialisierter Aufgaben ausgelegt sind. Die absichtliche Einschränkung der Weltsicht einer reaktiven Maschine ist jedoch keine Sparmaßnahme, sondern bedeutet, dass diese Art von KI vertrauenswürdiger und zuverlässiger ist – sie reagiert immer gleich auf dieselben Reize.

Ein berühmtes Beispiel für eine reaktive Maschine ist Deep Blue, die in den 1990er Jahren von IBM als schachspielender Supercomputer entwickelt wurde und einen internationalen Schach Großmeister besiegte. Deep Blue war nur in der Lage, die Figuren auf dem Schachbrett zu erkennen und zu wissen, wie sie sich nach den Schachregeln bewegen, die aktuelle Position jeder Figur zu erkennen und zu bestimmen, was in diesem Moment der logischste Zug wäre. Der Computer verfolgte nicht die möglichen zukünftigen Züge seines Gegners oder versuchte, seine eigenen Figuren in eine bessere Position zu bringen. Jeder Zug wurde als eine eigene Realität betrachtet, unabhängig von allen anderen Zügen, die zuvor gemacht wurden.

Ein weiteres Beispiel für eine spielende, reaktive Maschine ist AlphaGo von Google. AlphaGo ist ebenfalls nicht in der Lage, zukünftige Züge zu bewerten, sondern verlässt sich auf sein eigenes neuronales Netzwerk, um die Entwicklungen des aktuellen Spiels zu beurteilen, was ihm einen Vorteil gegenüber Deep Blue in einem komplexeren Spiel verschafft.

Obwohl sie in ihrem Umfang begrenzt ist und nicht leicht verändert werden kann, kann die reaktive maschinelle künstliche Intelligenz ein gewisses Maß an Komplexität erreichen und bietet Zuverlässigkeit, wenn sie für die Erfüllung wiederholbarer Aufgaben geschaffen wird.

 

KI mit begrenztem Speicher

Künstliche Intelligenz mit begrenztem Speicher hat die Fähigkeit, frühere Daten und Vorhersagen zu speichern, wenn sie Informationen sammelt und potenzielle Entscheidungen abwägt – sie sucht also in der Vergangenheit nach Hinweisen auf das, was als nächstes kommen könnte. Künstliche Intelligenz mit begrenztem Gedächtnis ist komplexer und bietet mehr Möglichkeiten als reaktive Maschinen.

Künstliche Intelligenz mit begrenztem Gedächtnis entsteht, wenn ein Team ein Modell kontinuierlich darin trainiert, neue Daten zu analysieren und zu nutzen, oder wenn eine KI-Umgebung geschaffen wird, in der Modelle automatisch trainiert und erneuert werden können. Beim Einsatz von KI mit begrenztem Gedächtnis beim maschinellen Lernen müssen sechs Schritte beachtet werden: Es müssen Trainingsdaten erstellt werden, das maschinelle Lernmodell muss erstellt werden, das Modell muss in der Lage sein, Vorhersagen zu treffen, das Modell muss in der Lage sein, menschliches oder umweltbezogenes Feedback zu erhalten, dieses Feedback muss als Daten gespeichert werden, und diese Schritte müssen in einem Zyklus wiederholt werden.

Es gibt drei wichtige Modelle des maschinellen Lernens, die künstliche Intelligenz mit begrenztem Speicher nutzen:

Trial and Error, wo die KI durch wiederholtes Ausprobieren lernt, bessere Vorhersagen zu treffen.

Long Short Term Memory (LSTM), das vergangene Daten nutzt, um das nächste Element in einer Sequenz vorherzusagen. LTSMs betrachten die aktuellsten Informationen als die wichtigsten für die Vorhersage und vernachlässigen Daten, die weiter in der Vergangenheit liegen, nutzen sie aber trotzdem, um Schlussfolgerungen zu ziehen.

Evolutionary Generative Adversarial Networks (E-GAN), die sich mit der Zeit weiterentwickeln und bei jeder neuen Entscheidung leicht veränderte Wege auf der Grundlage früherer Erfahrungen beschreiten. Dieses Modell ist ständig auf der Suche nach einem besseren Weg und nutzt Simulationen und Statistiken oder den Zufall, um die Ergebnisse während seines evolutionären Mutationszyklus vorherzusagen.

 

Theory of Mind der KI

Die Theory of Mind ist genau das – theoretisch. Wir haben noch nicht die technologischen und wissenschaftlichen Fähigkeiten erreicht, die notwendig sind, um diese nächste Stufe der künstlichen Intelligenz zu erreichen.

Das Konzept basiert auf der psychologischen Annahme, dass andere Lebewesen Gedanken und Gefühle haben, die das eigene Verhalten beeinflussen. Bezogen auf KI-Maschinen würde das bedeuten, dass KI verstehen könnte, wie Menschen, Tiere und andere Maschinen fühlen und durch Selbstreflexion und Entschlossenheit Entscheidungen treffen, und diese Informationen dann nutzen würde, um eigene Entscheidungen zu treffen. Im Grunde müssten Maschinen in der Lage sein, das Konzept des „Geistes“, die Schwankungen von Emotionen bei der Entscheidungsfindung und eine ganze Reihe anderer psychologischer Konzepte in Echtzeit zu erfassen und zu verarbeiten, sodass eine wechselseitige Beziehung zwischen Menschen und künstlicher Intelligenz entsteht.

 

KI mit Bewusstsein

Sobald die Theory of Mind in der künstlichen Intelligenz etabliert ist, wird der letzte Schritt darin bestehen, dass die KI sich ihrer selbst bewusst wird. Diese Art von künstlicher Intelligenz besitzt ein Bewusstsein auf menschlichem Niveau und versteht ihre eigene Existenz in der Welt sowie die Anwesenheit und den emotionalen Zustand anderer. Sie wäre in der Lage zu verstehen, was andere brauchen, nicht nur aufgrund dessen, was sie ihr mitteilen, sondern auch wie sie es mitteilen.

Das Selbstbewusstsein einer künstlichen Intelligenz hängt davon ab, dass menschliche Forscher die Voraussetzungen für ein Bewusstsein verstehen und dann lernen, wie man es nachbilden kann, damit es in Maschinen eingebaut werden kann.

 

Wie wird KI eingesetzt?

KI ist ein Computersystem, das in der Lage ist, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Viele dieser künstlichen Intelligenzsysteme werden durch maschinelles Lernen angetrieben, einige durch Deep Learning und einige durch sehr langweilige Dinge wie Regeln.

Künstliche Intelligenz wird im Allgemeinen in zwei große Kategorien eingeteilt:

Narrow AI

Diese Art der künstlichen Intelligenz, die manchmal auch als „schwache KI“ bezeichnet wird, arbeitet in einem begrenzten Kontext und ist eine Simulation der menschlichen Intelligenz. Narrow AI konzentriert sich oft darauf, eine einzige Aufgabe extrem gut auszuführen, und obwohl diese Maschinen intelligent erscheinen mögen, arbeiten sie unter weitaus mehr Einschränkungen und Begrenzungen als selbst die einfachste menschliche Intelligenz.

Artificial General Intelligenz (AGI): Allgemeine Künstliche Intelligenz, manchmal auch als „starke KI“ oder bezeichnet, ist die Art von künstlicher Intelligenz, die wir in Filmen sehen. AGI ist eine Maschine mit allgemeiner Intelligenz, die ähnlich wie ein Mensch diese Intelligenz einsetzen kann, um jedes Problem zu lösen.

Narrow AI in der heutigen Anwendung

Die narrow AI ist allgegenwärtig und stellt die bisher erfolgreichste Umsetzung der künstlichen Intelligenz dar. Mit ihrem Fokus auf die Ausführung spezifischer Aufgaben hat die Narrow AI in den letzten zehn Jahren zahlreiche Durchbrüche erzielt, die erhebliche gesellschaftliche Vorteile.

Ein paar Beispiele für eine Narrow AI sind:

  • Google-Suche
  • Bilderkennungssoftware
  • Siri, Alexa und andere persönliche Assistenten
  • Selbstfahrende Autos

 

Maschinelles Lernen & Deep Learning

Ein Großteil der Narrow AI wird durch Durchbrüche im maschinellen Lernen und Deep Learning angetrieben. Den Unterschied zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning zu verstehen, kann verwirrend sein, weshalb wir es aufgeschlüsselt haben.

Künstliche Intelligenz ist eine Reihe von Algorithmen und Intelligenz, die versuchen, die menschliche Intelligenz zu imitieren. Maschinelles Lernen ist eine davon, und Deep Learning ist eine dieser maschinellen Lerntechniken.

Einfach ausgedrückt: Beim maschinellen Lernen wird ein Computer mit Daten gefüttert und nutzt statistische Verfahren, damit er „lernt“, wie er eine Aufgabe immer besser bewältigen kann, ohne dass er speziell für diese Aufgabe programmiert wurde, wodurch Millionen von Codezeilen überflüssig werden. Maschinelles Lernen umfasst sowohl überwachtes Lernen (mit gekennzeichneten Datensätzen) als auch unüberwachtes Lernen (mit nicht gekennzeichneten Datensätzen).

Deep Learning ist eine Form des maschinellen Lernens, bei der die Eingaben durch eine biologisch inspirierte neuronale Netzwerkarchitektur laufen. Die neuronalen Netze enthalten eine Reihe von versteckten Schichten, durch die die Daten verarbeitet werden, so dass die Maschine beim Lernen noch tiefer gehen kann, indem sie Verbindungen herstellt und die Eingaben für die besten Ergebnisse gewichtet.

Leave a Reply

Deine E-Mail-Adresse wird nicht veröffentlicht.

Related Post