Ralf Herbrich ist seit sechs Jahren wissenschaftlicher Leiter von Amazons Machine-Learning-Abteilung in Berlin. Wir haben mit ihm über die konkreten Herausforderungen in der kundenorientierten KI-Entwicklung und die Frage gesprochen, warum das Interface von Alexa noch nicht perfekt ist.
Immer häufiger werden wir mit dem Begriff künstliche Intelligenz (KI; englisch: Artificial Intelligence) konfrontiert. Beide sind Oberbegriff für eine Technologie, die menschliche Denk- und Handlungsprozesse nachbilden soll. Ein Teilgebiet der KI ist maschinelles Lernen (Machine Learning). Darunter wiederum lässt sich Deep Learning einordnen.
Allgemein sollen Systeme mit künstlicher Intelligenz menschliche Tätigkeiten im Arbeitsalltag erleichtern oder sogar ersetzen. Bereits heute begegnen wir täglich Technologien mit künstlicher Intelligenz.
Künstliche Intelligenz lässt sich in zwei Bereiche unterteilen. Auf der einen Seite gibt es die starke KI. Maschinen, die mit dieser Art der Technologien ausgestattet sind, sind in der Lage, alle menschlichen Fähigkeiten nachzubilden und komplett Neues zu erlernen. Eine derartige KI konnte bislang nicht erschaffen werden und es ist fraglich, ob es je gelingen wird. Einige Forscher sind der Meinung, dass es durchaus möglich sei, jedoch erst in einigen Jahrzehnten.
Hingegen beschränkt sich die schwache KI auf einzelne Fähigkeiten des Menschen: beispielsweise Bild-, Text- oder Spracherkennung. Diese Technologien haben längst Einzug in unseren Alltag gefunden, wie zum Beispiel in Form von Sprachassistenten wie dem Google Assistant oder Amazons Alexa. Algorithmen, Roboter und Computer sind mittlerweile schon zu vielen Dingen in der Lage, zu denen vorher nur der Mensch fähig war.
Ein Teilgebiet von künstlicher Intelligenz ist das maschinelle Lernen, oder Machine Learning. Die KI lernt hier aus eigenen Erfahrungen und zieht Schlüsse, die das zukünftige Verhalten des Systems beeinflussen können.
Ein Teil des maschinellen Lernens ist das sogenannte Deep Learning. Es bezeichnet den Versuch, das Konzept des Machine Learnings durch das Nachahmen des menschlichen Gehirns umzusetzen. Dabei arbeitet es mit sogenannten künstlichen neuronalen Netzen.
Diese Netze bestehen, vereinfacht gesagt, aus einer Eingangs- und Ausgangsschicht sowie einer komplexen, aber versteckten, inneren Struktur. Dabei funktioniert diese Struktur wie eine Art Filter, die vom Groben zum Feinen arbeiten kann. Am Ende kann eine Maschine dadurch einen Lernprozess durch erhaltene Eingaben absolvieren und so schlussendlich bestimmte Entscheidungen und Ausgaben des Systems häufiger korrekt treffen.
Bei Deep Learning kann eine KI also mithilfe eines bestimmten Datensatzes neue Erkenntnisse erlangen und bessere Entscheidungen treffen. Das kann im Bereich der Bilderkennung etwa die Identifizierung eines bestimmten Objekts auf verschiedenen Fotos sein.
Soll also beispielsweise die KI aus einer großen Bildersammlung alle Hundefotos herausfiltern, werden dem System in einem ersten Schritt viele verschiedene Bilder mit Hunden in unterschiedlicher Umgebung und Situation übergeben. Nun lernt die KI, wie Hunde eigentlich aussehen und entwickelt ein Erkennungsmuster. Die Maschine kann nach diesem Schritt nun Hunde auf weiteren, bisher unbekannten Bildern identifizieren. Der große Vorteil: Die KI kann derartige Arbeiten nun deutlich schneller ausführen als jeder Mensch.
Die folgenden Artikel zeigen die alle spannenden Entwicklungen und aktuelle Forschungen im Bereich der künstlichen Intelligenz.
