Künstliche Intelligenz (KI)
Artificial Intelligence (AI)

DALL·E 2024-11-06 20.17.22
"Seitenansicht eines Gehirnsymbols, das künstliche Intelligenz repräsentiert und eine spielerische Steampunk-Ästhetik hat. Das Innere des Gehirns zeigt bunte Zahnräder, Hebel und Riemen, zusammen mit kleinen Rohren, Vintage-Anzeigen und Messingelementen, die eine fantasievolle Steampunk-Atmosphäre schaffen. Illustriert im klassischen Comic-Stil der 1960er-Jahre mit kräftigen Linien, leuchtenden Farben und einem retro ansprechenden Look, der junge Betrachter anspricht."

Praktische Übung

Was ist (künstliche) Intelligenz?

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

Es gibt keine eindeutige Definition für den Begriff (Künstliche) Intelligenz, aber oft wird folgendes verwendet:

1. Denken und Handeln wie ein Mensch
Insbesondere beim Lösen von Aufgabenstellungen.

2. Fähigkeit gestellte Aufgaben zu lösen
Ganz unabhängig vom eingeschlagenen Lösungsweg.

Achtung!
Intelligente Systeme müssen zum Einsatzzeitpunkt nicht lernfähig sein.

Praktische Übung

Wo ist KI heute schon im Einsatz?

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

Routenplanung, KI-Chatbots, Automatische Übersetzung, Sprachassistent, Autonomes Fahren, Gesichtserkennung, Fingerabdrucksensor ...

"KI wird die Tür zu einer neuen Welt öffnen. Sie wird unsere Wirtschaft, unsere Gesellschaft und unsere Zivilisation verändern. Die Auswirkungen der KI müssen erst noch in vollem Umfang erkannt werden, aber sie verspricht, eine wichtige Kraft bei der Gestaltung unserer Zukunft zu sein."
Yann LeCun

Künstliche Intelligenz umfasst folgende 3 (oder 4) Kategorien

Klassische KI / Maschinelles Lernen / Neuronale Netze / Deep Learning
Deep Learning hätte man auch als Unterkategorie von Neuronalen Netzen verwenden können.
Und was ist Deep Learning? Neuronale Netze mit 3 oder mehr verborgenen Schichten fallen in diese Kategorie. Erst seit ca 2010 kann man diese effizient trainieren.
Achtung!
Deep Learning wird manchmal fälschlich synonym für den Begriff KI verwendet.
(als ob beides die genau gleiche Bedeutung hätte)
Tatsächlich beruhen die meisten Durchbrüche der letzen Jahre auf Deep Learning.
Auf eine gewisse Art kann man die 3 (oder 4) Kategorien als Weiterentwicklungsstufen der KI betrachten.

Was steckt hinter KI?

Letztlich beruhen alle heutigen KI-Systeme auf klassischen Programmen.
Im Gegensatz zu Quantencomputing benötigt man keine eigene KI-Hardware.
(Eventuell wird es die aber geben: energiesparender, schneller, ...)
Das bedeutet aber auch:

• Die Verbreitung von KI kann nicht gestoppt werden
  (Wie man das bei der Kernspaltung durch die Kontrolle des spaltbaren Materials machen kann)
• KI wird nicht wieder verschwinden
• Auseinandersetzung mit KI ist unumgänglich

Wenden wir uns nun der ersten Kategorie zu:

Klassische KI

• Klassische KI verwendet Regeln, Symbole und logische Schlussfolgerungen.
• Die Algorithmen sind statisch und verändern sich nicht von selbst.
• Klassische KI verfügt nicht über Lernfähigkeit. Sie ist darauf ausgelegt, strikt nach den programmierten Regeln zu arbeiten.

Pseudocode

Prozedur klassifiziere_obst_oder_gemüse (merkmale) // Diese Funktion klassifiziert ein Lebensmittel // als 'Obst' oder 'Gemüse' mithilfe von Merkmalen. // Parameter: // merkmale: // Eine Datenstruktur, die die Eigenschaften // des Lebensmittels enthält. Wenn (merkmale['süß'] ist wahr und merkmale['roh_essbar'] ist wahr) dann Rückgabe 'Obst' Sonst falls (merkmale['süß'] ist falsch und merkmale['roh_essbar'] ist falsch) dann Rückgabe 'Gemüse' Andernfalls Rückgabe 'Unbekannt' Ende wenn Ende Prozedur

Der nächste Schritt führt uns zur zweiten Kategorie:

Maschinelles Lernen

Entscheidungsbaum

Betrachten wir den folgenden Entscheidungsbaum, der auf Lebensmittel angewendet werden kann:

Das Verfahren ist ganz ähnlich wie beim Programm oben.
Auch hier geht es um eindeutige Symbole und Entscheidungsregeln.
Der Unterschied ist, dass der Entscheidungsbaum (mit einem geeigneten Verfahren) automatisch aus einer Tabelle, wie der unten gezeigten erstellt werden kann.

• Diese Vorgangsweise ermöglicht einerseits mit großen Datenmengen zu arbeiten, die sehr viele Merkmale aufweisen können.
• Das Verfahren kann auch mit einem einfachen Baum starten und diesen dann erweitern, während es neue Daten sammelt. So kann das Verfahren sozusagen aus Erfahrung lernen.

In beiden Fällen könnte das Verfahren zum Beispiel lernen, dass unterirdisches Wachstum meist auf ein Gemüse hindeutet.

Das Verfahren beruht immer noch auf Symbolen und festen Regeln ist aber lernfähig.
Statt einem statischen Verfahren wie in der klassischen KI, vertreten durch das Programm oben, haben wir ein Verfahren, welches anhand der voliegenden Daten dazulernt. Aus dem Grund fällt diese Methode in die Kategorie "maschinelles Lernen".

Warum kann man hier überhaupt von einem intelligenten System sprechen?

• Es speichert frühere Vorgaben.
• Es kann Prognosen machen für Werte, die es nicht kennt.
  Man verlangt dabei nicht, dass diese Prognosen immer richtig sein müssen,
  aber mit einer gewissen Wahrscheinlichkeit.

Entscheidungsgerade (Linearer Diskriminator)

Wieder wollen wir entscheiden, ob ein Lebensmittel ein Obst oder ein Gemüse ist.
Wir interpretieren die beiden Werte als x und y-Koordinate und tragen sie in ein Diagramm ein.
(Obst in roter Farbe und Gemüse in grüner)
Dann suchen wir, wenn möglich, eine Gerade, die die beiden Gruppen trennt.
Das kann man manuell machen, ein geeignetes Verfahren kann das, ähnlich zum Entscheidungsbaum oben, automatisch:
Punkte werden einzeln der Reihe nach abgearbeitet und immer wenn ein Punkt auf der falschen Seite liegt dreht sich die Gerade leicht in seine Richtung und wird leicht in diese Richtung verschoben.
(Demonstration durch das Python Programm perceptron_icdl_ki.py)

Die Gerade kann man durch ihren Anstieg (x, y) und ihre Verschiebung (d) charakterisieren.
Im Unterschied zum Entscheidungsbaum oben, besteht das Ergebnis also nicht aus Symbolen und Regeln, sondern aus den Zahlen x, y, d.

Achtung!
Nicht alle Probleme sind "linear separierbar". Andererseits erwarten wir aber nicht, dass die Entscheidungen immer richtig sein müssen sondern nur mit einer gewissen Wahrscheinlichkeit.

Symbolik versus Subsymbolik

Konferenz: Paradigmenwechsel

Zum Unterschied von den beiden ersten Verfahren gilt in diesem Fall:
Eine Rückfrage, warum ein Lebensmittel so eingeteilt wird, kann hier nicht mehr so eindeutig beantwortet werden.

Alle Verfahren der klassischen KI, den Entscheidungsbaum und einige andere Verfahren des maschinellen Lernens nennt man symbolische KI.
Das Verfahren mit der Entscheidungsgerade, viele Verfahren des maschinellen Lernens und insbesondere die Neuronalen Netze nennt man subsymbolische KI.
Subsymbolik beruht nicht auf Symbolen und festen Regeln.

Die KI war seit ihrem Beginn geprägt vom Wettstreit zwischen Symbolikern und Subsymbolikern.

Praktische Übung

Von welcher der beiden Richtungen stammen die großen Durchbrüche der letzten Jahre?
Warum konnte sich diese Richtung erst in letzter Zeit so erfolgreich durchsetzen?

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

Die Subsymboliker waren seit Beginn der KI in dem Gebiet vertreten, aber die Verfahren waren noch nicht ausgereift, es gab noch nicht so viele elektronische Daten wie heute und die Computerhardware war noch nicht leistungsfähig genug.
Deshalb dominierten die Symboliker die Disziplin über Jahrzehnte. Langsam wendete sich aber das Blatt und fast alle Durchbrüche der letzten Jahre gehen auf das Konto der Subsymboliker.

Zur Anwendung von KI muss man den Unterschied symbolische/subsymbolische KI nicht verstehen aber er ermöglicht ein tieferes Verständnis und es ist ein faszinierender Aspekt der KI.

Die dritte Kategorie beruht gänzlich auf Subsymbolik:

Neuronale Netze

Diese wollen wir hier nur ganz kurz besprechen.
Künstliche Neuronale Netze sind den biologischen Neuronalen Netzen nachempfunden.
Unten ist ein sogenanntes Feed-Forward-Netzwerk zu sehen. Das ist eine sehr grundlegende Architektur, die aber schon verschiedene Aufgaben lösen kann.

Achtung!
LLMs (die Grundlage von KI-Chatbots) sind noch um einiges komplizierter, aber um sie zu verstehen, ist das Verständnis dieser einfachen Architektur ein erster Schritt.

• Ein Neuronales Netz besteht aus Neuronen, die in Schichten angeordnet sind.
• Zwischen den Neuronen gibt es gewichtete Verbindungen.
• Ein Neuron bildet die Summe der eingehenden Verbindungen und dem Bias (Bias: wie leicht ist das Neuron erregbar? "Voreingenommenheit". Die Eingabeneuronen haben keinen Bias)
• Diese Summe durchläuft eine Aktivierungsfunktion. Das Ergebnis dieser Funktion liefert die Aktivierung des Neurons.
  
  
• Vereinfacht gesagt (abhängig von der jeweiligen Aktivierungsfunktion) kann man sich das so vorstellen, dass das Neuron nur dann aktiv wird, wenn die Summe einen bestimmten Wert übersteigt.
  Wenn die Summe die Schwelle nicht erreicht, wird das Neuron nicht aktiv.
• Auch negative Aktivierungen sind möglich (abhängig von der verwendeten Aktivierungsfunktion).
• Auf diese Art laufen die Aktivierungen Schritt für Schritt durch das Netzwerk von der Eingabe zur Ausgabeschicht.
• Die Aktivierungen der Ausgabeschicht sind die Ergebnisse dieses Rechenvorgangs.

Die Gewichtungen und Biases werden im (hier nicht näher erklärten) Trainingsprozess verändert
Diese trainierbaren Werte nennt man auch Parameter oder Freiheitsgrade des Netzwerkes.

Siehe dazu auch https://playground.tensorflow.org/

Praktische Übung

Wie viele Parameter / Freiheitsgrade hat denn das oben gezeigte Netzwerk?

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

Biases: 4+4+1=9
Gewichtungen: 2*4+4*4+4=28
gesamt: 37

Wichtige Eigenschaft von Maschinellem Lernen

(Betrifft symbolische als auch subsymbolische Verfahren und insbesondere auch Neuronale Netze und Deep Learning)

Im Gegensatz zur klassischen KI muss nicht zuerst ein logischer Lösungsansatz einer Aufgabe gefunden werden. Es genügt zum Beispiel geeignete Trainingsdaten bereitzustellen: "datengetriebene" KI

Das erschliesst Problemklassen die davor noch unlösbar waren!

Beispiel

Es gibt Kameras die zu einem Bild auch die Tiefeninformation erfassen und speichern können.

Auf diese Weise lassen sich eine große Zahl von Paaren (normales Bild, Tiefenbild) erzeugen.
Ein Neuronales Netz kann damit trainiert werden aus einem normalen Foto ein Tiefenbild zu generieren.

Damit lässt sich dann eine Anwendung bauen, die aus klassischen Fotografien die Tiefeninformation rekonstruiert, ohne dass ein logisches Verfahren dafür entwickelt werden muss.

Mithilfe dieser Tiefeninformation kann dann (automatisch) folgende Animation erstellt werden:

Ein sehr gehobenes Beispiel ist:

Protein Folding Problem

Sehr anschaulich und praktisch ist:

Teachable Machine

Weitere

Generative KI

Texte
Bilder
Musik
...

Was kann ich mit KI machen?

In der Zusammenarbeit findet man sich oft in folgenden Situationen:
1) In manchen Fällen brauche ich einen Mentor / Experten, an den ich mich wenden kann.
      Zum Beispiel für Expertise, Auskünfte, ...
2) Manchmal brauche ich einen Kollegen / Partner für Zusammenarbeit auf gleicher Ebene.
      Zum Beispiel für ein Brainstorming
3) Manchmal brauche ich einen Angestellten, an den ich Arbeitsaufträge delegieren kann
      Zum Beispiel für Ausformulierungen, Kontrollen, einfache aber langwierige Aufgaben

Mehr dazu im ...

Prompting!

Wie wird KI mich am Arbeitsmarkt betreffen?

Praktische Übung

Welche Berufe haltet ihr für sicher im Bezug auf Automatisierung durch KI?
Welche nicht?

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

Zur Diskussion:
Übersetzer, Jurist, Taxifahrer, Grafiker, Programmierer, Masseur, Friseur, Maurer, Lehrer, Psychologe, Koch, Kellner, Informatiker, Journalist, Architekt ...

Praktische Übung

ChatGTP
Setze fort (10 weitere Wörter):
Stellenabbau durch Automatisierung gibt es schon lange. Durch KI werden erstmals ...

Create a new full-body image of a robot in the classic superhero comic style, sitting in the iconic Thinker pose with a cheerful expression. The robot ...

Lösung

ChatGTP meint:
... auch kreative, analytische und strategische Aufgaben von Maschinen übernommen.

• Manche Leute raten dazu auf handwerkliche Tätigkeiten umzusatteln, weil diese nicht an die KI ausgelagert werden können. Das ist vielleicht keine gute Idee.
  Es ist zu erwarten, dass schon sehr bald die zuletzt erreichten Fortschritte durch die Kombination mit geeigneter Hardware zu großen Fortschritten in der Robotik führen werden.
• In der Vergangenheit hat Automatisierung meist mehr neue Stellen geschaffen als wegrationalisiert wurden. Wird das wieder so sein?
• Schon die normale Informatik hat fast alle Bereiche durchdrungen und ist für die meisten Branchen unentbehrlich. Das wird durch die KI wohl noch weiter gefördert.
  Es entstehen neue Anwendung und in bestehende wird KI-Funktionalität integriert werden: Websearch, Textverarbeitung, EMailprogramm, ...
• KI-Kompetenz könnte einer der wichtigsten vielleicht sogar die wichtigste Kompetenz am Arbeitsmarkt der Zukunft sein.

Ethische Fragen

Der zunehmende rasche Ausbreitungen von KI-Lösungen wirft eine ganze Reihe von Fragen auf.

Anhang (erweiterter Inhalt)

Insgesamt unterscheidet man

Entscheidungsbaum und Entscheidungsgerade fallen in die Kategorie überwachtes Lernen.
Clustering ist ein Beispiel für unüberwachtes Lernen.
Das Trainingsverfahren für Neuronale Netze fällt unter anderem in die Gruppe verstärkendes Lernen.

Alle 3 Paradigmen spielen im Deep Learning eine Rolle.

Warum diese Paradigmen einen großen Fortschritt zu klassischen KI darstellen und warum sie insbesonders beim Verständnis der KI helfen:

Die klassische KI muss immer einen logischen Lösungsansatz einer Aufgabe finden.
(weil diese ja in das statische Verfahren programmiert wird)

1) Beim Überwachten Lernen werden dem Verfahren Aufgaben und deren Lösungen gezeigt. Daraus lernt das Verfahren neue Aufgaben zu lösen.
2) Unüberwachtes Lernen findet selbst Regelmäßigkeiten in vorhandenen Daten.
3) Verstärkendes Lernen belohnt Erfolg und bestraft Misserfolg.