Kapitel 1: KI aus technischer Perspektive
Abschlussbedingungen
Das Ende der Lektion erreichen
Technische Besonderheiten bei KI-Systemen
Die Funktionsweise von Computersystemen (bzw. informationsverarbeitenden Systemen) gliedert sich in drei Stufen: Eingabe, Verarbeitung und Ausgabe (vgl. Modul 01 "Computersysteme" und Modul 03 "Was ist ein Algorithmus?").
Ein IT-System, das ausschließlich von Menschen definierte Regeln verwendet, die die automatische Verarbeitung der Eingabe Schritt für Schritt beschreiben, betrachten wir technisch gesehen nicht als KI-System, wie z.B. traditionelle Buchhaltungssoftware.
Informationsverarbeitung bei manueller Programmierung ( keine KI )
Informationsverarbeitung bei Algorithmen der "Künstlichen Intelligenz"
Bei KI beruht die Informationsverarbeitung auf besonderen Algorithmen. Der Verarbeitungsprozess, der die gewünschten Ausgaben erzeugen soll, wird bei KI teilweise automatisch erzeugt, mittels geeigneter Daten und Zielvorgaben. Zwei zentrale technische Ansätze prägen das Feld der KI-Systeme: A. „Wissensbasierte KI“ (GOFAI - "Good old fashioned AI") und B. „Maschinelles Lernen“ (ML). Im ersten Fall besteht die Grundidee darin, in einer "Wissensbasis" richtige Antworten mittels allgemeiner logischer Ableitungsregeln zu suchen und im zweiten Fall (ML) wird eine iterative Optimierung der Verarbeitungsfunktion mit Hilfe von Beispielen bzw. Trainingsdaten durchgeführt. Nachdem das ML-System in der Trainingsphase soweit optimiert wurde, dass es die Anforderungen hinreichend gut erfüllt, kann es in die Anwendungsphase überführt werden.
Wissensbasiert, trainiert - oder programmiert ?
Eine andere Definitionsfrage, aber auch hier entscheidet die Herstellung...
Das Beispiel ist mit einem "Augenzwinkern" zu verstehen, soll aber zeigen, dass es gar nicht so ungewöhnlich ist, dass der Herstellungsprozess entscheidend dafür ist, zu bestimmen worum es sich jeweils handelt.
Was wäre, wenn Aussehen und Geschmack wirklich übereinstimmen würden? Wie können wir dann klassifizieren? Indikatoren, die sich auf die Gründe für die Wahl des einen oder anderen Produktionsverfahrens beziehen, können dann hilfreich sein.
KI-Systeme aus technischer Sicht zu identifizieren, ist gar nicht so
leicht, da man abschätzen muss, mit welchem Ansatz ein IT-System produziert wurde.
A. Wissensbasierte KI: Es wird eine heuristische und regelbasierte Suche in einem Wissensbestand bzw. Modell durchgeführt.
Da hier eine explizite “Wissensbasis” bzw. ein konsitentes Modell eingespeist werden muss, stellen sich Fragen wie: Gibt es einen überschaubaren Wissensbereich, der sich genau abbilden lässt? Liegt (Experten-)Wissen explizit vor? Können die Lösungen der KI logisch nachvollzogen werden?
Beispiel Diagnosesystem (Fahrzeuge): Der Mechaniker wird mit Hilfe eines Entscheidungsbaums - auch „geführte Fehlersuche“ genannt - zur Erkennung und Lösung des Problems geführt. Am Anfang steht ein Symptom, das der Kunde beanstandet und der Werkstatt mitteilt. Im Entscheidungsbaum werden verschiedene Tests durchgeführt, um mögliche Ursachen zu prüfen, den Fehler möglichst schnell zu finden und die notwendigen Reparaturanweisungen zu geben. Die Tests verwenden dazu einzelne Diagnosebefehle. Bei der Herstellung eines solchen Systems müssen die Automobilhersteller das entsprechende Expertenwissen systematisch einpflegen.
B. Maschinelles Lernen: Es wird/wurde eine datengetriebene Funktionsoptimierung angewendet.
Maschinelles Lernen wird vor allem dort eingesetzt, wo es aufgrund der Charakteristik des Problems nicht effizient möglich ist, Wissen explizit zu repräsentieren. Ein maschinelles Lernverfahren wird auf Basis der Daten selbst Merkmale und Muster finden, die ihm helfen, die gesuchte Lösung auszugeben. Hierfür wir allerdings auch eine geeignete Trainingsdatenmenge benötigt. Wäre eine solche kostengünstig verfügbar? Gibt es Programme/Tools, mit denen sich ein solches Training durchführen lässt? Ist es denkbar und vertretbar, dass das System zunächst vorläufige fehlerbehaftete Ausgaben erzeugt, die durch Training verbessert werden/wurden? Gibt es eine Rückmeldung oder ein „Fehlermaß“, welche(s) dazu genutzt wird, um das vorläufige Verhalten zu beurteilen und zu verbessern? ...
Beispiel Spammails erkennen: Explizite Regeln für die Charakteristika typischer Spammails aufzuschreiben ist angesichts der sich ständig ändernden Spam-Taktiken nicht leicht. Mit Maschinellem Lernen lassen sich Spam-Muster erkennen, ohne dass jedes Mal manuell eingegriffen werden muss, wenn sich die Spam-Muster verändern. E-Mail-Server verarbeiten täglich Millionen von Nachrichten. Somit liegen auch große Datenmengen vor, die durch Rückmeldungen der Nutzer einfach bewertet werden können. Falls aber zunächst doch die eine oder andere Spam-Mail durchkommt, dann wäre dies auch zu verschmerzen.
Keine KI: Es wurde ein Algorithmus programmiert, der die Verarbeitung der Eingabe Schritt für Schritt beschreibt.
Bei herkömmlicher Software entwickeln und implementieren Menschen Algorithmen mit Hilfe eines analytischen Verständnisses der Problemstruktur. Handelt es sich um ein Problem (oder eine Anwendung) für die Anforderungen klar definiert und explizite Regeln geschrieben werden können? Inwieweit sind Qualitätskriterien wie Korrektheit, Effizienz, Nachvollziehbarkeit, Sicherheit oder Zuverlässigkeit für das betreffende System wesentlich?
Beispiel Steuerung von Flugzeugen: Hier sind die Anforderungen sehr klar und es ist wichtig, dass das Verhalten und die Ergebnisse vollständig vorhersehbar sind. Trainierte ML-Modelle sind dagegen oft schwer zu interpretieren und können ungenaue oder unvorhersehbare Ergebnisse produzieren. Desweiteren bestünde im Ernstfall nicht die Zeit, dass bspw. ein Wissensbasiertes System zunächst aufwendig eine korrekte Reaktion sucht.
!
Ordnen Sie die Beispiele richtig zu. (Nach Abschluss wird unten nochmal eine Begründung ausgegeben.)