2. Was ist ein KI-System?

Traditionelle Computersysteme vs. Künstliche Intelligenz Systeme



A. Traditionelle Computersysteme

In Modul 01 haben Sie gelernt, dass Computersysteme grundsätzlich in drei Phasen arbeiten: Eingabe, Verarbeitung und Ausgabe. In Modul 02 haben Sie gesehen, wie man traditionelle Computersysteme mit vordefinierten Regeln und Algorithmen erstellt – Regeln, die ausschließlich von Menschen festgelegt werden. Ein solches System nimmt eine Eingabe entgegen, verarbeitet sie mithilfe der festgelegten Regeln und liefert schließlich eine Ausgabe.

Ein Beispiel aus dem vorherigen Kapitel:
Wir haben eine Regel festgelegt und dann eine Eingabe erhalten – pH_wert = 7,2.
Das System hat diesen Wert verarbeitet und auf Basis der vorher definierten Regeln die Ausgabe erzeugt:
„Das Wasser ist alkalisch.“

Traditionelle Computersysteme generieren ihre Ausgabe nur nach vorgegebenen Regeln, die genau beschreiben, wie die Eingabe verarbeitet werden soll.

B. Künstliche Intelligenz Systeme

KI-Systeme können mithilfe von zwei Techniken entwickelt werden: maschinelles Lernen und/oder wissensbasierte KI. Sehen wir uns an, wie das im Allgemeinen funktioniert. 


Maschinelles Lernen

Im Gegensatz zu herkömmlichen Computersystemen muss beim maschinellen Lernen der Mensch der Maschine nicht mehr jede Regel einzeln vorgeben, um zu einem Ergebnis zu kommen. Stattdessen lernt die Maschine mithilfe von Algorithmen für maschinelles Lernen eigenständig Regeln, Muster oder Verhaltensweisen – und zwar durch die Analyse von Trainingsdaten, also Beispielen aus der Praxis.

Dieser Lernprozess läuft automatisiert ab: Die Maschine verbessert sich mit jeder neuen Information und speichert das Gelernte in einem sogenannten Modell. Dieses Modell kann später auf neue, unbekannte Daten angewendet werden.

Man spricht bei diesem Lernprozess von „Training“.
Nach dem Training kann die Maschine dann auf Grundlage des Gelernten Ausgaben ableiten – auch für Situationen, die sie vorher noch nicht gesehen hat.


In einer Trainingsphase wird eine iterative (wiederholte), daten-getriebene Verhaltensoptimierung angewendet.

Stellen Sie sich zum Beispiel vor, wir möchten ein System entwickeln, das erkennt, ob eine E-Mail Spam ist oder nicht. Anstatt dem Computer explizit die Anweisungen zu geben, stellen wir dem Algorithmus für maschinelles Lernen Beispiele für Spam- und Nicht-Spam-E-Mails (als Trainingsdaten) zur Verfügung. Während der Trainingsphase verbessert die Maschine ihre Leistung iterativ, indem sie mit den Trainingsdaten konfrontiert wird. 


!     Vervollständigen Sie das Schema (Beispiel „Spam-Filter"), indem Sie die Wortkarten in die passenden Felder ziehen.




Maschinelles Lernen - Ein zuverlässiges Mittel?
Das Schema verdeutlicht u.a., dass es sich bei ML quasi um Näherungsverfahren handelt. Schon deshalb werden die Antworten nicht absolut zuverlässig sein. Dies gilt besonders, wenn das ML-System auf neue Daten angewendet wird. Die Zuverlässigkeit hängt hier, neben Art und Menge der verwendeten Beispiele, z.B. auch davon ab, ob es hinreichend gut verallgemeinern kann oder nur auf den bisher gesehenen Beispielen funktioniert.

Fortschrittlicher Organisator In den nächsten Modulen (Module 05 - 10) werden wir mehr über Ansätze des maschinellen Lernens, ihre Grenzen und ihre domänenübergreifenden Anwendungen erfahren.


 Wissensbasierte KI
Bei wissensbasierten KI-Ansätzen (auch regelbasierte oder symbolische KI genannt) wird die Ausgabe ebenfalls nicht nur durch vordefinierte Regeln erzeugt. Wissensbasierte KI-Systeme verwenden eine Inferenzmaschine (inference engine), die Ergebnisse durch Schlussfolgerungen aus der Wissensbasis ableitet, wo dieses Wissen typischerweise in Form von Fakten und Regeln hinterlegt wurde. 

 
Fortschrittlicher Organisator In Abschnitt 3 dieses Moduls werden wir die wissensbasierte KI-Technik weiter untersuchen.



!     Beantworten Sie die folgenden Fragen, um Ihr erworbenes Wissen zu überprüfen.