Wir haben in letzter Zeit immer mehr über künstliche Intelligenz gehört. Es wird fast überall eingesetzt: von Hochtechnologie über komplexe mathematische Berechnungen bis hin zur Medizin, der Automobilindustrie und sogar Smartphones. Die Technologien, die der Arbeit der KI in der modernen Sicht zugrunde liegen, verwenden wir jeden Tag und manchmal denken wir vielleicht nicht einmal darüber nach. Aber was ist künstliche Intelligenz? Wie arbeitet er? Und ist es gefährlich?
Was ist künstliche Intelligenz?
Definieren wir zunächst die Terminologie. Wenn Sie sich künstliche Intelligenz als etwas vorstellen, das in der Lage ist, unabhängig zu denken, Entscheidungen zu treffen und allgemein Anzeichen von Bewusstsein zu zeigen, dann beeilen wir uns, Sie zu enttäuschen. Fast alle heute existierenden Systeme kommen dieser Definition von KI nicht einmal nahe. Und jene Systeme, die Anzeichen einer solchen Aktivität zeigen, arbeiten tatsächlich immer noch im Rahmen vorbestimmter Algorithmen.
Manchmal sind diese Algorithmen sehr, sehr fortgeschritten, aber sie bleiben der "Rahmen", in dem die KI arbeitet. Maschinen haben keine "Freiheiten" und noch mehr Zeichen des Bewusstseins. Sie sind nur sehr leistungsfähige Programme. Aber sie sind "die Besten in dem, was sie tun". Außerdem verbessern sich die KI-Systeme weiter. Und sie sind überhaupt nicht trivial. Selbst wenn man die Tatsache beiseite lässt, dass moderne KI alles andere als perfekt ist, hat sie viel mit uns gemeinsam.
Wie künstliche Intelligenz funktioniert
Zuallererst kann die KI ihre Aufgaben (über die etwas später) ausführen und dank tiefgreifenden maschinellen Lernens neue Fähigkeiten erwerben. Wir hören und verwenden diesen Begriff auch oft. Aber was bedeutet es? Im Gegensatz zu „klassischen“Methoden zwingen Algorithmen für maschinelles Lernen das System, sich unabhängig zu entwickeln und die verfügbaren Informationen zu untersuchen, wenn alle erforderlichen Informationen im Voraus in das System geladen werden. Was das Auto in einigen Fällen auch für sich selbst suchen kann.
Werbevideo:
Um beispielsweise ein Programm zur Aufdeckung von Betrug zu erstellen, arbeitet ein Algorithmus für maschinelles Lernen mit einer Liste von Bankgeschäften und deren Endergebnis (legal oder illegal). Ein Modell für maschinelles Lernen betrachtet Beispiele und entwickelt eine statistische Beziehung zwischen legitimen und betrügerischen Transaktionen. Wenn Sie dem Algorithmus anschließend die Details eines neuen Bankgeschäfts zur Verfügung stellen, klassifiziert er ihn anhand der Muster, die er zuvor aus den Beispielen gezogen hat.
Je mehr Daten Sie bereitstellen, desto genauer wird der Algorithmus für maschinelles Lernen bei der Ausführung seiner Aufgaben. Maschinelles Lernen ist besonders nützlich, um Probleme zu lösen, bei denen die Regeln nicht vordefiniert sind und nicht binär interpretiert werden können. Zurück zu unserem Beispiel mit Bankgeschäften: Tatsächlich haben wir am Ausgang ein binäres Nummerierungssystem: 0 - legale Operation, 1 - illegal. Um zu einem solchen Ergebnis zu gelangen, muss das System eine ganze Reihe von Parametern analysieren. Wenn Sie diese manuell eingeben, dauert es mehr als ein Jahr. Und alle Optionen vorherzusagen, wird sowieso nicht funktionieren. Und ein System, das auf tiefem maschinellem Lernen basiert, kann etwas erkennen, auch wenn es noch nie zuvor genau auf einen solchen Fall gestoßen ist.
Deep Learning und neuronale Netze
Während klassische Algorithmen für maschinelles Lernen viele Probleme lösen, bei denen es viele Informationen in Form von Datenbanken gibt, kommen sie sozusagen nicht gut mit „visuellen und akustischen“Daten wie Bildern, Videos, Audiodateien usw. zurecht.
Während klassische Algorithmen für maschinelles Lernen viele Probleme lösen, bei denen es viele Informationen in Form von Datenbanken gibt, kommen sie sozusagen nicht gut mit „visuellen und akustischen“Daten wie Bildern, Videos, Audiodateien usw. zurecht.
Zum Aufbau eines Vorhersagemodells für Brustkrebs unter Verwendung klassischer Ansätze des maschinellen Lernens werden beispielsweise Dutzende von medizinischen Experten, Programmierern und Mathematikern erforderlich sein, sagt der KI-Forscher Jeremy Howard. Wissenschaftler müssten viele kleinere Algorithmen für maschinelles Lernen entwickeln, um mit dem Informationsfluss fertig zu werden. Ein separates Subsystem für die Untersuchung von Röntgenstrahlen, ein separates für die MRT, ein anderes für die Interpretation von Blutuntersuchungen usw. Für jede Art von Analyse benötigen wir ein eigenes System. Dann würden sie alle zu einem großen System zusammengefasst … Dies ist ein sehr schwieriger und ressourcenintensiver Prozess.
Deep-Learning-Algorithmen lösen das gleiche Problem mithilfe von tiefen neuronalen Netzen, einer Art Softwarearchitektur, die vom menschlichen Gehirn inspiriert ist (obwohl sich neuronale Netze von biologischen Neuronen unterscheiden, funktionieren sie ähnlich). Computerneurale Netze sind Verbindungen von "elektronischen Neuronen", die Informationen verarbeiten und klassifizieren können. Sie sind wie in "Schichten" angeordnet und jede "Schicht" ist für etwas Eigenes verantwortlich und bildet schließlich ein allgemeines Bild. Wenn Sie beispielsweise ein neuronales Netzwerk mit Bildern verschiedener Objekte trainieren, werden Möglichkeiten gefunden, Objekte aus diesen Bildern zu extrahieren. Jede Schicht des neuronalen Netzwerks erkennt bestimmte Merkmale: die Form von Objekten, Farben, das Erscheinungsbild von Objekten usw.
Die Oberflächenschichten neuronaler Netze weisen gemeinsame Merkmale auf. Tiefere Ebenen enthüllen bereits die tatsächlichen Objekte. Die Abbildung zeigt ein Diagramm eines einfachen neuronalen Netzwerks. Eingangsneuronen (eingehende Informationen) werden in grün, blau - versteckte Neuronen (Datenanalyse), gelb - Ausgangsneuron (Lösung).
Sind neuronale Netze ein künstliches menschliches Gehirn?
Trotz der ähnlichen Struktur der Maschine und der menschlichen neuronalen Netze besitzen sie nicht die Merkmale unseres Zentralnervensystems. Computerneurale Netze sind im Wesentlichen alle die gleichen Hilfsprogramme. Es ist einfach so, dass unser Gehirn das am besten organisierte Computersystem ist. Sie haben wahrscheinlich den Ausdruck "Unser Gehirn ist ein Computer" gehört? Wissenschaftler "replizierten" einfach einige Aspekte seiner Struktur digital. Dies erlaubte nur, Berechnungen zu beschleunigen, aber die Maschinen nicht mit Bewusstsein auszustatten.
Neuronale Netze gibt es seit den 1950er Jahren (zumindest in Form von Konzepten). Bis vor kurzem erhielten sie jedoch nicht viel Entwicklung, da für ihre Erstellung große Datenmengen und Rechenleistung erforderlich waren. In den letzten Jahren ist all dies verfügbar geworden, sodass neuronale Netze in den Vordergrund getreten sind und ihre Entwicklung erhalten haben. Es ist wichtig zu verstehen, dass es nicht genug Technologie für ihr vollwertiges Erscheinungsbild gab. Wie sie jetzt nicht ausreichen, um die Technologie auf ein neues Niveau zu bringen.
Wofür werden Deep Learning und neuronale Netze verwendet?
Es gibt mehrere Bereiche, in denen diese beiden Technologien zu bemerkenswerten Fortschritten beigetragen haben. Darüber hinaus verwenden wir einige von ihnen jeden Tag in unserem Leben und denken nicht einmal darüber nach, was hinter ihnen steckt.
- Computer Vision ist die Fähigkeit von Software, den Inhalt von Bildern und Videos zu verstehen. Dies ist ein Bereich, in dem Deep Learning große Fortschritte gemacht hat. Beispielsweise können Deep-Learning-Bildverarbeitungsalgorithmen verschiedene Arten von Krebs, Lungenerkrankungen, Herzerkrankungen usw. erkennen. Und das schneller und effizienter als Ärzte. Deep Learning ist aber auch in vielen Anwendungen verankert, die Sie täglich verwenden. Apple Face ID und Google Fotos verwenden Deep Learning zur Gesichtserkennung und Bildverbesserung. Facebook verwendet Deep Learning, um Personen in hochgeladenen Fotos usw. automatisch zu markieren. Computer Vision hilft Unternehmen auch dabei, fragwürdige Inhalte wie Gewalt und Nacktheit automatisch zu identifizieren und zu blockieren. Und endlich,Deep Learning spielt eine sehr wichtige Rolle, um Autos selbstfahrend zu machen, damit sie ihre Umgebung verstehen können.
- Sprach- und Spracherkennung. Wenn Sie einen Befehl mit Ihrem Google-Assistenten sprechen, übersetzen Deep-Learning-Algorithmen Ihre Stimme in Textbefehle. Mehrere Online-Anwendungen verwenden Deep Learning, um Audio- und Videodateien zu transkribieren. Selbst wenn Sie einen Song shazam, kommen neuronale Netze und Algorithmen für tiefes maschinelles Lernen ins Spiel.
- Internetsuche: Selbst wenn Sie in einer Suchmaschine nach etwas suchen, haben Unternehmen damit begonnen, neuronale Netzwerkalgorithmen mit ihren Suchmaschinen zu verbinden, damit Ihre Anfrage klarer verarbeitet und die Suchergebnisse so korrekt wie möglich sind. Daher hat sich die Leistung der Google-Suchmaschine um ein Vielfaches erhöht, nachdem das System auf Deep Machine Learning und neuronale Netze umgestellt hat.
Die Grenzen von Deep Learning und neuronalen Netzen
Trotz all ihrer Vorteile haben Deep Learning und neuronale Netze auch einige Nachteile.
- Datenabhängigkeit: Im Allgemeinen erfordern Deep-Learning-Algorithmen große Mengen an Trainingsdaten, um ihre Aufgaben genau ausführen zu können. Um viele Probleme zu lösen, gibt es leider nicht genügend hochwertige Trainingsdaten, um Arbeitsmodelle zu erstellen.
- Unvorhersehbarkeit: Neuronale Netze entwickeln sich auf seltsame Weise. Manchmal läuft alles wie geplant. Und manchmal (selbst wenn das neuronale Netzwerk gute Arbeit leistet) haben selbst die Entwickler Schwierigkeiten zu verstehen, wie die Algorithmen funktionieren. Die mangelnde Vorhersagbarkeit macht es äußerst schwierig, Fehler in den Algorithmen neuronaler Netze zu beseitigen und zu korrigieren.
- Algorithmische Verzerrung: Deep-Learning-Algorithmen sind genauso gut wie die Daten, auf denen sie trainiert werden. Das Problem ist, dass Trainingsdaten häufig versteckte oder offensichtliche Fehler oder Mängel enthalten und von Algorithmen geerbt werden. Beispielsweise funktioniert ein Gesichtserkennungsalgorithmus, der hauptsächlich auf Fotos von weißen Personen trainiert wird, bei Personen mit einer anderen Hautfarbe weniger genau.
- Fehlende Verallgemeinerung: Deep-Learning-Algorithmen eignen sich gut für die Ausführung gezielter Aufgaben, verallgemeinern jedoch ihr Wissen nur schlecht. Im Gegensatz zu Menschen könnte ein Deep-Learning-Modell, das für das Spielen von StarCraft trainiert wurde, kein anderes ähnliches Spiel spielen: beispielsweise WarCraft. Außerdem kann Deep Learning schlecht mit Daten umgehen, die von den Schulungsbeispielen abweichen.
Die Zukunft des tiefen Lernens, der neuronalen Netze und der KI
Es ist klar, dass die Arbeit an Deep Learning und neuronalen Netzen bei weitem nicht abgeschlossen ist. Es werden verschiedene Anstrengungen unternommen, um Deep-Learning-Algorithmen zu verbessern. Deep Learning ist eine Spitzentechnik in der künstlichen Intelligenz. Es ist in den letzten Jahren aufgrund der Fülle an Daten und der Zunahme der Verarbeitungsleistung immer beliebter geworden. Dies ist die Kerntechnologie hinter vielen Anwendungen, die wir täglich verwenden.
Aber wird das Bewusstsein jemals auf der Basis dieser Technologie geboren werden? Echtes künstliches Leben? Einige der Wissenschaftler glauben, dass in dem Moment, in dem sich die Anzahl der Verbindungen zwischen den Komponenten künstlicher neuronaler Netze dem gleichen Indikator nähert, der im menschlichen Gehirn zwischen unseren Neuronen existiert, so etwas passieren kann. Diese Behauptung ist jedoch höchst fraglich. Damit echte KI entstehen kann, müssen wir die Art und Weise, wie wir KI-Systeme bauen, überdenken. Jetzt werden nur noch Programme für einen streng begrenzten Aufgabenbereich angewendet. So sehr wir glauben möchten, dass die Zukunft bereits gekommen ist …
Was denken Sie? Werden Menschen KI erschaffen?