Es ist relativ neu, dass man angefangen hat, technischen Artefakten menschliche Eigenschaften zuzuschreiben. - So spricht man heute von „intelligenten“ Maschinen. Es gibt intelligente Menschen, die gebildet, - begabt sind. Die Maschinen, Computer werden programmiert, um einen bestimmten Zweck zu erfüllen, sie arbeiten - nach einem vordefinierten Algorithmus. Bestenfalls kann so ein Algorithmus aktualisiert werden. - Wäre es jedoch vielleicht möglich, ein Programm zu schreiben, das das menschliche Lernvermögen nachbildet - und lernen kann? Es ist tatsächlich möglich und in diesem Fall spricht man von der künstlichen Intelligenz - (Artificial Intelligence) und dem maschinellen Lernen (Machine Learning), von der - Fähigkeit einer Maschine, selbst zu lernen, also den Algorithmus, nach dem sie arbeitet, weiter zu entwickeln - und zu verändern. Das, was eine Maschine auf diese Weise gelernt hat, ist oft so komplex, dass man nicht mehr - sagen kann, wie genau sie das gelernt hat und wie sie zu Ergebnissen kommt, die sie liefert. Ob es ausreichend - ist, von der Intelligenz zu sprechen, im selben Sinne, wie man von der menschlichen Intelligenz spricht, ist - eine schwierige Frage. Selbst die menschliche Intelligenz ist kein eindeutig definierter, ein vager Begriff, - der viele subjektive Merkmale in sich trägt.
---- -Die Technik gibt es seit sehr langem. Der Mensch war schon immer abhängig von seiner Technik und -verdankte ihr seinen kulturellen Aufstieg. Sie erleichterte das Überleben in der Natur, ermöglichte -den Bau der Städte und die Entwicklung der Zivilisationen, half bei der Kriegsführung und der Erforschung -und dem Bewohnen neuer Territorien. Mit der Zeit wurde die Technik immer komplexer: Angefangen mit einfachen -Werkzeugen hat man gelernt, komplexere Maschinen zu bauen. Dies hatte wiederum eine enorme Wirkung auf die -Kultur. Viele schwere Arbeiten konnten auf die Maschinen verlagert werden; die Bildung hat einen neuen -Aufschwung bekommen; Wissenschaften hatten neue Mittel, um Experimente durchzuführen und immer weiter -fortzusrchreiten. Schon sehr lange ist der Mensch von seiner Technik umgeben; Es ist nicht erst gestern -passiert, dass er sich von ihr abhängig gemacht hat und seine Geschichte mit der der -Technik verbunden hat. Was sich aber im Laufe der Zeit gewandelt hat, ist die Art der angesetzten Technik.
- -Es ist relativ neu, dass man angefangen hat, technischen Artefakten menschliche Eigenschaften zuzuschreiben. -So spricht man heute von „intelligenten“ Maschinen. Es gibt intelligente Menschen, die gebildet, -begabt sind. Die Maschinen, Computer werden programmiert, um einen bestimmten Zweck zu erfüllen, sie arbeiten -nach einem vordefinierten Algorithmus. Bestenfalls kann so ein Algorithmus aktualisiert werden. -Wäre es jedoch vielleicht möglich, ein Programm zu schreiben, das das menschliche Lernvermögen nachbildet -und lernen kann? Es ist tatsächlich möglich und in diesem Fall spricht man von der künstlichen Intelligenz -(Artificial Intelligence) und dem maschinellen Lernen (Machine Learning), von der -Fähigkeit einer Maschine, selbst zu lernen, also den Algorithmus, nach dem sie arbeitet, weiter zu entwickeln -und zu verändern. Das, was eine Maschine auf diese Weise gelernt hat, ist oft so komplex, dass man nicht mehr -sagen kann, wie genau sie das gelernt hat und wie sie zu Ergebnissen kommt, die sie liefert. Ob es ausreichend -ist, von der Intelligenz zu sprechen, im selben Sinne, wie man von der menschlichen Intelligenz spricht, ist -eine schwierige Frage. Selbst die menschliche Intelligenz ist kein eindeutig definierter, ein vager Begriff, -der viele subjektive Merkmale in sich trägt.
- -Dass wir die Programme entwickeln können, die sich selbst „weiterschreiben“, weiterentwickeln -können, birgt viele Möglichkeiten und viele Gefahren in sich. Einerseits können die Maschinen dem Menschen -nicht nur schwere körperliche Arbeit abnehmen, sondern auch einige geistige Tätigkeiten. Zum Beispiel das -Übersetzen von Texten in andere Sprachen kann teilweise von Computern übernommen werden, die ihre -„Sprachkenntnisse“ selbst immer mehr verbessern können. Andererseits, wenn man nicht mehr -versteht, wie genau die von ihm konstruierte Maschine handelt, fühlt man sich bedroht. Es werden auch Stimmen -laut, dass die nächste Stufe der Evolution nicht eine biologische, sondern eine technische Evolution sei und, -dass der Mensch sehr bald vom Werk seiner Hände überholt -werde.1
- -Das Ziel dieser Arbeit ist, auf die künstliche Intelligenz nicht nur aus technischer, -sondern auch philosophischer Sicht zu schauen. Wenn wir von der künstlichen Intelligenz sprechen, -verwenden wir viele Begriffe wie Lernen, Lernerfolg, Intelligenz, deren Bedeutung aber nicht immer -klar ist. Und ich finde, dass das, wie wir über die Maschinen sprechen, -viel darüber sagt, wie sich unser eigenes Menschenbild im technischen Zeitalter verändert oder verändert hat.
- - -Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem es darum geht, einem künstlichen -System das Gewinnen von Wissen zu ermöglichen. Ein auf diese Weise lernendes System kann eine gestellte -Aufgabe nicht nach einem vordefinierten Algorithmus lösen, sondern ist fähig, selbst zu lernen, wie die -Aufgabe zu lösen ist.
- -Maschinelles Lernen ist sehr vielfältig und hat verschiedene Anwendungen. Es kann grob in zwei große Kategorien -unterteilt werden: überwachtes und unüberwachtes Lernen.
- -Beim überwachten Lernen stehen dem Lernenden eine Menge von Eingaben und den dazugehörigen Ausgaben zur Verfügung. -Das heißt es gibt eine Reihe von Ausgangsituationen und eine Reihe möglicher Antworten beziehungsweise Reaktionen -auf jene Situationen, wobei zwischen den ersteren und den letzteren eine Abhängigkeit vorhanden ist. -Das Ziel des Algorithmus ist jetzt diese Abhängigkeit zu entdecken, sie zu „erlernen“.
- --- -Supervised learning algorithms assume that some variable X is -designated as the target for prediction, explanation, or inference, and that -the values of X in the dataset constitute the "ground truth" values for -learning.2
-
Zum überwachten Lernen gehört auch das sogenannte bestärkende Lernen (Reinforcement Learning). -Das ist das Lernen durch „Versuch und Irrtum“. Dem lernenden System steht hier keine Menge -möglicher Ausgaben, sodass der Algorithmus aus vorhandenen Daten lernen könnte, dafür kann es mit seiner -Umgebung interagieren und von dieser „belohnt“ oder „bestraft“ werden. Also der -Algorithmus wird aus der Umgebung bewertet und anhand dieser Bewertung kann er lernen, wie er anhand -einer Eingabe zu der richtigen Ausgabe gelangt.
- -„The learning algorithms used on reinforcement learning adjusts -the internal neural parameters relying on any qualitative or quantitative information -acquired through the interaction with the system (environment) being mapped, -[…]“3
- -Maschinelles und bestärkendes Lernen wird schon seit längerer Zeit bei Spam-Erkennung verwendet. Als Spam -werden unerwünschte E-Mails, zum Beispiel Werbung, die man nicht bestellt hat, genannt. Es gibt auch einen -Gegenbegriff zum Spam: Ham, also normale E-Mails, die man in seinem E-Mail-Postfach erwartet.
- -Wie ein Programm lernt, Spam von Ham zu unterscheiden, kann man damit vergleichen, wie es ein Mensch lernt. -Sie bekommen unerwünschte Werbung per Post. Es ist ein Briefumschlag mit einer unpersönlichen Anrede und ein -kleines Heft. Sie blättern es durch und sehen, dass sie daran nicht interessiert sind und schmeißen es weg. -Wenn Sie ein ähnliches Heft nächstes Mal bekommen, blättern Sie vielleicht nochmal durch, um sicher zu sein, -dass es nichts Wichtiges bzw. etwas, was Sie abonniert haben, ist. Wenn Sie einige Wochen später nochmal so ein -Heft bekommen, reicht nur ein Blick. Vielleicht haben Sie den Namen desselben Unternehmens oder bekannte -Produktabbildungen oder einen ähnlichen Werbetext gesehen — Sie schmeißen es, ohne genauer zu schauen, weg. -Sie haben gelernt, dass derartige Hefte mit Werbung keine für Sie hilfreiche Information enthalten.
- -In vielen Mail-Programmen gibt es inzwischen die Funktion „Als Spam markieren“. Wenn eine E-Mail -als Spam markiert wird, analysiert der Spam-Filter den Inhalt der E-Mail und merkt, wie viele Male jedes Wort -in der Nachricht vorkommt. Dieselbe Analyse macht der Filter für die anderen Nachrichten, die nicht als Spam -markiert wurden. Langsam sammelt sich eine Datenbank mit der Anzahl der Vorkommnisse verschiedener Wörter in -Spam- und Ham-Nachrichten. Anhand dieser Daten kann dann der Filter erkennen, dass bestimmte Wörter nur in -Spam-Mails vorkommen, aber nicht in Ham, und kann ohne die Einmischung des Menschen entscheiden, ob eine E-Mail -unerwünscht ist oder nicht. So ein Verfahren ist natürlich nicht fehlerfrei. Es kommt sowohl dazu, dass Spam durch -so einen Filter unerkannt durchdringen kann, als auch dazu, dass Ham im Spam-Ordner landet. Auf diversen Webseiten -kann man lesen: „Wenn Sie keine E-Mail innerhalb von X Stunden erhalten haben, überprüfen Sie Ihren -Spam-Ordner“. Wenn Ham als Spam eingestuft wird, spricht man vom False-Positive. Es gibt meistens -wiederum die Funktion, um die Spam-Markierung von der E-Mail zu entfernen. Dadurch kann der Filter neu lernen -und seine Datenbank aktualisieren beziehungsweise anpassen.
- -Wir haben gesehen, dass eine der Möglichkeiten, Spam zu erkennen, darauf basiert, den Spam-Filter mit der -Umgebung, also mit dem Benutzer, kommunizieren zu lassen. Der Benutzer hat eine Möglichkeit dem Filter mitzuteilen, -ob eine E-Mail Spam oder Ham ist, woraus der Filter lernen kann. Je länger so ein Filter eingesetzt wird und je -mehr er auf diese Weise trainiert wird, desto geringer wird die Wahrscheinlichkeit des False-Positives.
- --- -Unsupervised learning algorithms do not single out any particular -variables as a target or focus, and so aim to provide a general -characterization of the full dataset.4
-
Beim unüberwachten Lernen wird keine bestimmte Ausgabe, kein bestimmter Wert bei der Ausgabe erstrebt, wie es -bei dem überwachten Lernen der Fall ist. Vielmehr geht es darum, eine innere Struktur in den Daten zu entdecken.
- -Ein Standardbeispiel für unüberwachtes Lernen ist ein soziales Netzwerk. In großen sozialen Netzwerken kann -man sein Interesse oder Desinteresse dadurch zeigen, dass man bestimmte Beitrage positiv markiert -beziehungsweise blockiert. Ein gutes soziales Netzwerk würde, um seinen Nutzern genüge zu tun, die einem -bestimmten Benutzer angezeigten Beiträge zensieren, und ihm nur diejenigen zeigen, die er wahrscheinlich -mag und nicht diejenigen, die er blockieren würde. Aber das Netzwerk weiß nicht im Voraus, dass es -Beiträge zu verschiedenen Themen gibt: Kunst, Politik, Sport und so weiter. Schließlich können immer neue -Themen auftauchen. Das Netzwerk lernt selbst die Beiträge und Benutzer zu klassifizieren. Das Lernen geht -über die Erforschung der Vorlieben einer bestimmten Person hinaus. Nehmen wir an in Profilen zweier Personen -unter „Interessen“ steht, dass sie gern Tennis spielen und beide lesen gerne Nachrichten eines -Sportvereins, der eine eigene Seite im sozialen Netzwerk hat. Wenn eine dritte Person jetzt angibt, dass sie -gern Tennis spielt, hat das soziale Netzwerk den Grund anzunehmen, dass dieser Person auch die Nachrichten -des Sportvereins gefallen werden. Das heißt das Netzwerk lernt aufgrund komplexer Zusammenhänge, dass es bestimmte -Gruppen, Themen- und Interessenbereiche gibt. Es gibt hier keine richtige Antwort, man überwacht nicht alle -registrierten Benutzer und korrigiert das Netzwerk nicht: Nein, dieser Mensch gehört dieser Gruppe nicht. Und -wenn ich einen Beitrag blockiere und markierte, bedeutet es nicht unbedingt, dass ich eine Bewertung abgebe, wie -gut das Netzwerk gelernt hat. Es kann schließlich sein, dass ich heute keine Lust auf meinen Sportverein habe, -sonst aber gerne lese, was er schreibt.
- -Die Unterteilung in Gruppen, Klassifizierung ist in der Wirklichkeit sehr komplex und unterzieht sich oft der -Möglichkeit, sich auf irgendeine Weise kontrollieren oder bewerten zu lassen. Unüberwachtes Lernen kann hier -Abhilfe schaffen.
- -Im Zusammenhang mit dem maschinellen Lernen sprechen wir vom Lernerfolg. Allerdings wurde es noch nicht -geklärt, was Erfolg in diesem Fall bedeutet.
- -Um einen gewöhnlichen Einwand gegen den Erfolg der künstlichen Intelligenz zu erläutern, konstruieren -wir ein futuristisches Beispiel, das in einer oder der anderen Form zum Thema vieler Filme der letzten -Jahre geworden ist. Sagen wir, die Menschen haben einen Supercomputer entwickelt, dessen künstliche -Intelligenz dermaßen fortgeschritten ist, dass er selbst weitere Maschinen entwerfen und produzieren kann. -So beginnt eine neue Ära, in der die Maschinen sich selbt ohne die Einmischung des Menschen entwickeln. -Schlussendlich wird der Mensch zu einer überholten, schwachen Spezies, deren Existenz nicht mehr förderlich -für den weiteren technischen Fortschritt ist, sodass der mächtige Supercomputer sich dazu entscheidet, -die menschliche Art auszulöschen. Nun hatte der Supercomputer, der eine solche Macht erlangt hat, alles über -die Wissenschaft und Technik gelernt, was der Mensch je hätte lernen können, und diese Kenntnisse noch -weiter gebracht hat. Man könnte sich aber fragen, ob der Erfolg des Lernens an der Anzahl der Erkenntnisse -gemessen werden kann. In dem aufgeführten Beispiel hat sich die Technik, die der Mensch sich zuhilfe -schuf, hatte gegen den Menschen gewendet und so gegen das moralische Prinzip, nach dem das menschliche -Leben einen Wert an sich hat, verstoßen.
- -Wenn wir also vom Erfolg sprechen, beziehen wir den Erfolg nicht nur auf die eigentliche Tätigkeit (das -Erwerben von Erkenntnissen), sondern auch auf das Endresultat — wie die erworbenen Erkenntnisse angewandt -werden. Bei der Bewertung ihrer Anwendung braucht man wiederum eine Ethik, die es ermöglicht, zu beurteilen, -ob die Anwendung richtig oder falsch, gut oder böse ist. Man sieht sofort, wie schnell das Problem des Erfolgs -sehr komplex und unübersichtlich wird. Ich werde deswegen dafür argumentieren, dass der Erfolg des -Lernens nur in dem Sinne des unmittelbaren Erfolgs ohne die Einbeziehung der Konsequenzen verstanden werden -muss. Desweiteren werde ich versuchen den Erfolg anhand des Turing-Tests etwas genauer zu bestimmen.
- -Alan Turing stand vor einem ähnlichen Problem, als er das, was wir heute Turing-Test nennen, vorgeschlagen -hat. Das Lernen, die Suche nach Gesetzmäßigkeiten und die Anwendung des Gelernten und Erforschten sind -wichtige Aspekte menschlicher Denktätigkeit. Wenn wir davon sprechen, dass die Computer selbstständig -lernen, stellt sich die Frage, ob sie dann auch denken kennen? Um zu sagen, ob die Computer denken -können, muss man dann definieren, was das Denken eigentlich ist und dann schauen, ob diese Definition -auf die Computersysteme angewandt werden kann.
- -Nun ist es aber alles andere als trivial, eine Definition für das Denken zu finden. Das eigentliche Problem -besteht aber nicht darin, dass eine solche Definition eine schwierige Aufgabe ist, sondern darin, dass -die Angabe einer Definition des Denkens sich sowohl dem Interessenbereich der Technik als auch -dem Interessenbereich der Wissenschaft entzieht. Wir verbinden das Denken mit den Gehirnaktivitäten. Aber -spielt es für einen Gehirnforscher in seiner wissenschaftlichen Forschung eine Rolle, was das Denken ist? -Er kann durchaus eine private Überzeugung haben, dass das, was wir unter dem Denken verstehen, nichts weiter -als die Gehirnaktivität ist, oder, dass das, was wir im Gehirn beobachten, nur auf eine bestimmte Weise -unser Denken repräsentiert. Aber ob er sich für die erste Möglichkeit, oder für die zweite, oder für eine -dritte entscheidet, ist für seine eigentliche wissenschaftliche Forschung von wenig Bedeutung. Auch -umgekehrt: Wenn man eines Tages weiß, dass man jede geistige Aktivität auf Gehirnaktivitäten zurückführen -kann, bedeutet es, dass ich mich ab dann für einen vollständig von den physikalischen Gesetzen -bestimmten Bio-Roboter halte, der keinen eigenen Willen hat?
- -Es ist ganz natürlich den Gegenständen menschliche Eigenschaften und Aktivitäten zuzurschreiben: -„Der Computer will nicht funktionieren“. Natürlich kann es bei einem kaputten -Rechner keine Rede vom Willen sein. Das ist bloß eine Redewendung. Aber wenn die Computer viel -leistungsfähiger werden, passiert die Zuschreibung viel bewusster, wir fangen an, von ihrer Intelligenz, -ihrem Denken oder dem Erfolg ihrer Aktivitäten zu sprechen. Diese Begriffe sind aber in der Sprache sehr -oft ambivalent und werden intuitiv verwendet. Deswegen ist es auch problematisch, sie auf andere -Gegenstände zu übertragen.
- -Um das höchstproblematische Reden vom Denken im Fall der Computer zu vermeiden, hat Alan Turing -„The Imitation Game“5 -vorgeschlagen. Dieses Imitationsspiel wird von drei Personen gespielt: einem Mann (A), einer Frau (B) und -einem Fragesteller (C), dessen Geschlecht für das Spiel irrelevant ist. Der Fragesteller kennt die beiden anderen -Personen A und B nicht und befindet sich in einem anderen Raum. Das Ziel des Spiels für den Fragesteller besteht -darin, richtig zu erraten, wer von A und B ein Mann und wer eine Frau ist. Dabei kann der Fragesteller -den übrigen Spielteilnehmern Fragen stellen und Antworten auf seine Fragen bekommen. Die Teilnehmer kommunizieren -miteinander so, dass der Befragende und die Befragten einander weder sehen noch hören können, zum Beispiel sie -könnten einander Texte über das Internet versenden. A und B sind nicht verpflichtet, ehrliche Antworten auf die -Fragen zu geben. Die Aufgabe von A ist, dem Befragenden zu helfen, B soll ihn im Gegenteil in die Irre -führen.6
- --- -We now ask the question, "What will happen when a machine takes the part of A in this -game?" Will the interrogator decide wrongly as often when the game is played like this -as he does when the game is played between a man and a woman? These questions replace our -original, "Can machines think?"7
-
Das heißt, die Maschine soll die Rolle eines Spielers — entweder A oder B — übernehmen. Es gibt -keine Frau, keinen Mann und Fragesteller mehr, sondern einen Menschen, eine Maschine und den -Fragesteller (menschlich). Wenn es für den Fragesteller genauso schwierig ist, ohne einen direkten -Kontakt eine Maschine von einem Menschen zu unterscheiden, wie eine Frau von einem Mann, dann hat -die Maschine den Turing-Test bestanden.
- -Im Grunde, um den Erfolg des Lernens eines Computersystems zu bewerten, wird hier eine funktionale -Beschreibung verwendet. Anstatt nach der Washeit der Dinge zu fragen: Was ist Denken? Was ist Erfolg? -Können diese Begriffe auf ein Computersystem angewandt werden?, fragt man, ob und wie gut das System -eine bestimmte Funktion ausführen, einen Test bestehen kann. Der Turing-Test scheint mir auch die beste -Methode zu sein, um den Erfolg des Lernes eines Computersystems zu bewerten. Vor allem, weil so ein -funktionaler Test einen Aufschluss darüber gibt, welche Stufe in der Entwicklung der künstlichen -Intelligenz man bereits erreicht hat, und was noch verbessert werden muss, um den Lernerfolg zu -vergrößern. Er gibt auch eine Skala an, von der abgelesen werden kann, ob ein Algorithmus bessere -Ergebnisse liefert als ein anderer. Dies ermöglicht den technischen Fortschritt und die Verbesserung -der Algorithmen. Diese Skala gibt es aber nicht oder sie ist sehr verschwommen, wenn der Lernerfolg eine -ethische Perspektive haben soll.
- -Was ich hiermit nicht sagen will, ist, dass die Ethik für die Entwicklung der -künstlichen Intelligenz unwichtig ist. Es macht nur wenig Sinn sie in die Definition des Lernerfolgs -eines künstlichen Systems einzubeziehen. Um so ein System weiter zu entwickeln, braucht man eine -technische Definition des Erfolgs, die ermöglicht, die Schwächen dieses Systems aufzuzeigen, an denen -noch gearbeitet werden soll. Eine voreilige Einbeziehung einer ethischen Bewertung würde den Fortschritt -im Bereich der künstlichen Intelligenz unnötig verkomplizieren und verlangsamen. Eine ethische Bewertung -der künstlichen Intelligenz als solchen und dessen, wie sie eingesetzt wird, ist im Gegenteil nützlich -und nötig, um die Möglichkeit einer bösartigen Anwendung deren zu verringern.
- -Ich meine auch nicht, dass eine ethische Auseinandersetzung der technischen Entwicklung zeitlich -folgen soll. Es kann zu spät sein, sich mit etwas auseinanderzusetzen, was schon da ist. Vielmehr sollen -die Bereiche des Technischen und Ethischen voneinander getrennt sein. Wenn ein Informatiker oder ein -Mathematiker an einem neuen Algorithmus für maschinelles Lernen arbeitet, ist er wahrscheinlich -gar nicht daran interessiert, ein künstliches System zu erschaffen, das ihm ermöglicht, die Welt -zu beherrschen, womöglich ist er nur an seinem Fach interessiert und will sehen, wie weit man die -künstliche Intelligenz bringen kann. Natürlich soll man sich Gedanken darüber machen, was passiert, -wenn man den neuen Algorithmus oder die neue Technologie auf den Markt bringt, das darf aber nicht -der eigentlichen Forschung im Wege stehen.
- -Kommen wir auf die Frage „Können die Maschinen denken?“ zurück. Was ist an dieser -Frage so problematisch, sodass Alan Turing sie umzugehen suchte, außer dass der Begriff -„Denken“ schwierig zu definieren ist. Oder warum ist er schwierig zu -definieren? Das Denken für den Menschen ist ein Erlebnis, das heißt ich erlebe mich -selbst als ein denkendes Wesen. Ich gehe davon aus, dass auch die anderen Menschen sich als -denkende Wesen erleben, obwohl ich nicht mit Sicherheit sagen kann, wie sich das Denken eines -anderen Menschen für ihn anfühlt, was und wie er denkt. Man denke nur an die Diskussionen, ob -Tiere Freude oder Leiden empfinden können, ob sie denken können. Es ist relativ naheliegend, -dass andere Menschen denken können, aber es ist nicht klar, ob man das von den anderen Lebewesen -behaupten kann. Desto unklarer ist es, wenn man von etwas spricht, was überhaupt kein -Lebewesen ist.
- -Anstatt der Maschine einen Geist und eine Art Innerlichkeit zuzuschreiben, entwickelt sich aber -die Tendenz, den Menschen mechanisch zu verstehen. Wenn Sören Kierkegaard sagt: „Der Mensch ist -Geist“8, so heute ist der Mensch immer -öfter sein Gehirn: „In Germany, leading neuroscientists like Wolf Singer and Gerhard -Roth are omnipresent in TV and press. They speak of the brain as if they were talking about a -person.“9 Kierkegaards Mensch und sein -Geist waren nicht bloß eine immaterielle Substanz, sondern vielmehr eine Synthese „aus Unendlichkeit und -Endlichkeit, aus dem Zeitlichen und dem Ewigen, aus Freiheit und Notwendigkeit, -[…]“10 Ob die Beschreibung -des Menschen als Gehirn genauer zutrifft, ist fraglich. Yvonne Förster in ihrem Artikel „Effects of the -Neuro-Turn: The Neural Network as a Paradigm for Human Self-Understanding“ macht darauf -aufmerksam, dass obwohl bei der Erforschung des Gehirns nur die Drittperson-Perspektive in die Betrachtung -einbezogen wird, eine Verschiebung der Terminologie von der Philosophie zu den Neurowissenschaften -stattfindet:
- --- -While phylosophy works with concepts, experience, reflection, and linguistic -description, neuroscience, on the other hand, uses these philosophical terms within -a third-person framework of observation, imaging techniques, and -measurements.11
-
Eine Reihe von Begriffen, wie der freie Wille oder das Bewusstsein, für die die Innenperspektive -unentbehrlich ist, werden aus der Drittperson-Perspektive beurteilt und beschrieben. -Doris Nauer spricht auch davon, dass bei der Erforschung geistiger Funktionen -„NaturwissenschaftlerInnen zunehmend die Interpretationsgrenzen rein naturwissenschaftlicher -Forschung überschreiten“.12 -Außerdem merkt Förster an, dass die Neurowissenschaften keinen direkten Zugang auch zum Gehirn oder den -Neuronen selbst haben, vielmehr arbeiten sie mit Modellen:
- --- -The neural gains its visibility only via technology. The process of making the neural visible is -not a simple representation of something otherwise hidden. Rather it is a production of images by -means imaging techniques. What we get to see is not the inside of our skull, not copies of our -neurons, but reconstructions modeled according to a certain set of rules of computation. The neural -net as we know it from neuroscientific imagery is not a photograph of brain parts. It is deeply -technological mediated.13
-
Das Selbstverständnis des Menschen und das Verständnis der Maschine und der künstlichen Intelligenz sind -voneinander abhängig. Wenn wir die Maschinen konstruieren, die selbst lernen und vielleicht denken können, -und so den Menschen nachahmen, lernen wir auch etwas über die menschlichen Denkprozesse und dem -Zusammenhang zwischen dem Bewusstsein und dem Gehirn. Andererseits um -zu entscheiden, ob die Maschinen denken oder ein geistiges Leben haben können, ist unser Menschenbild -wichtig, weil es von ihm abhängt, ob sich das, was wir unter dem Menschen verstehen, auf die Maschine -übertragen lässt.
- -Eine der Fragen, die sich noch stellen, ob wir im Falle der künstlichen Intelligenz überhaupt von -der Intelligenz sprechen kann, wie wir von der menschlichen sprechen. Ich möchte von vornherein -sagen, dass diese Frage nicht eindeutig zu beantworten ist. Von einem Menschen zu sagen, er sei intelligent, -ist nicht dasselbe, wie zu sagen: „Zwei ist eine gerade Zahl“.
- -Erstens, je nachdem wer das Wort „intelligent“ sagt, kann man darunter unterschiedliche -Eigenschaften meinen. Für einen mag intelligent derjenige sein, der über viele Fachkentnisse in -einem bestimmten Bereich verfügt. Für einen anderen ist es der, der allgemein gebildet ist und nicht -nur in bestimmten Bereichen. Für den dritten spielen die erworbenen Kenntnisse überhaupt eine geringere -Rolle, viel wichtiger, um intelligent zu sein, sei es, schlau zu sein, schnell die Lösungen für die -auftretenden Probleme zu finden.
- -Zweitens hängt die Antwort auf die Frage, ob man so eine Eigenschaft wie „Intelligenz“ -auf eine Maschine übertragen kann, sehr stark von anthropologischen Ansichten der jeweiligen Person. -Ist der Mensch selbst wahrscheinlich nichts weiter als eine Art von der Natur erschaffener Roboter? -In diesem Fall kann wohl auch eine vom Menschen konstruierte Maschine Intelligenz haben. Wenn der Mensch -dagegen ein geistiges Wesen ist, das nicht vollständig durch physikalische Gesetze determeniert ist, -dann ist es qualitativ etwas anderes als eine Maschine und man könnte argumentieren, dass deswegen bestimmte -Eigenschaften wie Intelligenz nur dem Menschen zugeschrieben werden können.
- -Der Stand der Entwicklung rechtfertigt nicht immer die Anwendung des Begriffes „Intelligenz“ -im Bezug auf die Maschinen. Bereits heutige Computer sind in bestimmten Bereichen -intelligenter als die Menschen. Zum Beispiel kann jeder der heutigen Prozessoren (oder CPU, -Central Processing Unit) einfache Berechnungen, wie Multiplizieren, -Dividieren, Addieren oder Substrahieren, vielfach schneller durchführen als ein Mensch. Und diese -Fähigkeit besitzten bereits die Computer der neunziger Jahre des vergangenen Jahrhunderts, als die künstliche -Intelligenz noch nicht so verbreitet war. Schnelles Rechnen kann auch ein Merkmal der Intelligenz sein. -Und doch spricht man von der künstlichen Intelligenz meistens in Bezug auf maschinelles Lernen. Dies zeigt, -dass wenn man von intelligenten Maschinen spricht, meint man eine bestimmte Art von der Intelligenz, und -zwar meint man die Maschinen, die das Können besitzen, nicht nur die einprogrammierten -„Kenntnisse“ anzuwenden, sondern auch neue Erkenntnisse selbstständig zu gewinnen. Das heißt -Intelligenz knüpft hier an die schöpferische Kraft des Menschen, an die Kraft etwas neues -zu erschöpfen. Natürlich ist es nicht dasselbe wie Erschaffen eines Kunstwerkes oder eines -Musikstückes, weil das, was erkannt wird, schon da ist, es nicht aus Nichts geschaffen wird. Und doch -ist auch das Gewinnen der Erkenntnisse aus der Erfahrung, die vorher nicht waren, ist das Gewinnen von -etwas neuem, also ein schöpferischer Vorgang. Und dieser Übergang zwischen einer die Befehle -ausführenden und einer lernenden Maschine ist wohl die Grenze, ab der die Maschinen -intelligent werden.
- -Wie weit die künstliche Intelligenz reicht oder reichen kann, lässt sich noch nicht sagen. Wir haben -noch keine Roboter, die malen, Romane oder Lieder schreiben oder physikalische Gesetze entdecken. -Es geht bei maschinellem Lernen um das Erkennen bestimmter Muster in der Eingabedaten. Falls so ein Muster -tatsäschlich erkannt wurde, dann können anhand dessen auch neue Daten ausgewertet werden. Dem lernenden System -geht es nicht um die Forschung oder die Suche nach der Wahrheit. Und hier ist es nicht mal wichtig, -was Wahrheit ist, und ob es sie gibt. Wenn ein Schriftsteller schreibt, sehnt er oft aus dem tiefsten -seines Herzens, seinen Lesern etwas mitzuteilen, seine Wahrheit zu verkünden. Auch ein Forscher kann -von diesem Gefühl bewegt werden, selbst wenn seine Theorie sich später als falsch erweist, hat er versucht, -etwas Wahres zu entdecken. Ein lernendes System hat überhaupt keinen Sinn für die Wahrheit. Es wurde -programmiert, um Muster in den Daten zu erkennen und das tut es. Wenn ich weiß, wie ein System aufgebaut -ist, kann ich es von vornherein mit manipulierten Daten füttern, sodass es etwas falsch lernt, und es -wird sich nicht betrogen fühlen. Wobei ich zugeben muss, dass es auch einem Menschen passieren kann, -dass er sich auf falsche, falsch ausgewählt Daten, stützt, und deswegen zu inkorrekten Ergebnissen gelangt.
- -Die Mustererkennung ist wichtig auch für das menschliche Überleben. Allerdings vermag der Mensch auch -abstrakt zu denken. Es gibt zum Beispiel in der Natur keine Zahlen, es gibt nur abzählbare Gegenstände. -Man muss sich von den einzelnen Gegenständen beziehungsweise ihrer endlichen Anzahl abstrahieren können, -um auf die unendliche Menge von natürlichen Zahlen kommen. Diese Fähigkeit zum abstrakten Denken ist etwas, -was den Menschen gegenüber den Maschinen immer noch auszeichnet.
- -Zwar ist die künstliche Intelligenz zum selbstständigen Lernen fähig, ist kein selbstständiges -Lebewesen wie der Mensch, sondern nur ein Instrument unter vielen anderen.
- -Nehmen wir an, wir wollen quadratische Gleichungen in der Normalform lösen:
- -Dafür beabsichtigen wir ein Programm zu schreiben, das die 2 Parameter, p und q, als -Eingabewerte annimmt und die Gleichung nach x auflöst. Man kann diese Aufgabe durchaus mithilfe der -künstlichen Intelligenz lösen. Wir entwerfen ein System, dem wir einige Tausende solcher Gleichungen -selbst und deren Lösungen übergeben, damit es aus diesen Daten lernen kann. -Dann testen wir, ob das System nun selbst richtige Antworten produzieren kann. Wenn es nicht der Fall -sein soll, bereiten wir weitere Angaben und Lösungen vor. Irgendwann haben wir unser künstliches System -ausreichend trainiert, sodass es jetzt selbst solche Gleichungen lösen kann.
- -Eigentlich wissen wir aber, wie man eine quadratische Gleichung löst. Genauso gut könnten wir den folgenden -Algorithmus in einem Programm implementieren:
- -Der Aufwand, dieses Programm, zu schreiben ist viel geringer als die Variante mit der künstlichen -Intelligenz. Was noch viel wichtiger für ein Programm, das mathematische Berechnungen durchführt, ist, -ist, dass wir wissen, dass, wenn der Algorithmus korrekt implementiert ist, er richtige Ergebnisse -liefert. Wenn das lernende System komplex genug ist, -können wir nicht mehr nachvollziehen, wie eine bestimmte Berechnung durchgeführt wird, das heißt, wir -können nicht überprüfen, ob der Algorithmus für alle Paare p und q das richtige Ergebnis liefert. -Für die Anwendungsfelder des maschinellen Lernens ist eine solche Genauigkeit auch nicht unbedingt -erforderlich. Wenn ein soziales Netzwerk setzt künstliche Intelligenz ein, um gezielte Werbung -anzuzeigen, dann ist es durchaus vorteilhaft, wenn die Werbung den Nutzer anspricht, aber es ist immer -noch zulässig, wenn die Wahl der Werbung nicht optimal ist. Es genügt, wenn die Werbung -interessant genug für den Nutzer ist, oder dass ein gewisser Profit durch sie erreicht wird.
- -Künstliche Intelligenz ist keine universelle Lösung für alle Probleme. Sie ist sehr nützlich für -die Auswertung von großen Mengen an Daten und für die Suche nach Mustern in diesen, aber ist noch -nicht fähig abstrakte, e.g. mathematische Probleme zu lösen.
- -Über viele Fragen lässt es heute nur spekulieren. Können die Maschinen alle Tätigkeiten ausüben, die -die Menschen ausüben? Sind sie eine neue Evolutionsstufe, sodass sie die Menschen eines Tages -verdrängen und überflüssig machen? Oder werden die Maschinen und Menschen weiterhin friedlich -coexistieren? Einige Autoren versuchen bereits diese Fragen zu beantworten. Ich wage heute noch nicht, -auf sie eine Antwort zu geben. Schließlich ist die Entwicklung der Wissenschaft und der Technik -auch von einer Reihe von sozialen, politischen und wirtschaflichen Faktoren mitbestimmt.
- -Künstliche Intelligenz und Maschinelles Lernen ist ein junges Konzept, dem viel Aufmerksamkeit von -verschiedenen Siten geschenkt wird. Die Technik und Informatik sind daran interessiert, weil es ermöglicht -neue, selbst „denkende“ Programme zu schreiben; Naturwissenschaften hoffen durch künstliche -auch die menschliche Intelligenz besser zu verstehen; man sieht auch Potenzial, den Menschen noch mehr -vom Last der Arbeit zu befreien, aber man warnt auch vor den Gefahren der Verselbständigung der -Computertechnik oder deren Missbrauch. Naturwissenschaftliche Forschung hatte schon fatale Folgen, sie -ermöglichte zum Beispiel eines Tages die Erschaffung der Atomwaffen, was vielen unschuldigen Menschen -ihr Leben kostete. Doch sie hat auch einen soliden Beitrag zur modernen Medizin und Technik geleistet, -auf die wir uns jeden Tag verlassen. Um die künstliche Intelligenz scheint es ähnlich zu stehen: Es ist -ein kontroverses Thema.
- -Es ist relativ neu, dass man angefangen hat, technischen Artefakten menschliche Eigenschaften zuzuschreiben. + So spricht man heute von „intelligenten“ Maschinen. Es gibt intelligente Menschen, die gebildet, + begabt sind. Die Maschinen, Computer werden programmiert, um einen bestimmten Zweck zu erfüllen, sie arbeiten + nach einem vordefinierten Algorithmus. Bestenfalls kann so ein Algorithmus aktualisiert werden. + Wäre es jedoch vielleicht möglich, ein Programm zu schreiben, das das menschliche Lernvermögen nachbildet + und lernen kann? Es ist tatsächlich möglich und in diesem Fall spricht man von der künstlichen Intelligenz + (Artificial Intelligence) und dem maschinellen Lernen (Machine Learning), von der + Fähigkeit einer Maschine, selbst zu lernen, also den Algorithmus, nach dem sie arbeitet, weiter zu entwickeln + und zu verändern. Das, was eine Maschine auf diese Weise gelernt hat, ist oft so komplex, dass man nicht mehr + sagen kann, wie genau sie das gelernt hat und wie sie zu Ergebnissen kommt, die sie liefert. Ob es ausreichend + ist, von der Intelligenz zu sprechen, im selben Sinne, wie man von der menschlichen Intelligenz spricht, ist + eine schwierige Frage. Selbst die menschliche Intelligenz ist kein eindeutig definierter, ein vager Begriff, + der viele subjektive Merkmale in sich trägt.
+--- + \section{Einleitung} + +Die Technik gibt es seit sehr langem. Der Mensch war schon immer abhängig von seiner Technik und +verdankte ihr seinen kulturellen Aufstieg. Sie erleichterte das Überleben in der Natur, ermöglichte +den Bau der Städte und die Entwicklung der Zivilisationen, half bei der Kriegsführung und der Erforschung +und dem Bewohnen neuer Territorien. Mit der Zeit wurde die Technik immer komplexer: Angefangen mit einfachen +Werkzeugen hat man gelernt, komplexere Maschinen zu bauen. Dies hatte wiederum eine enorme Wirkung auf die +Kultur. Viele schwere Arbeiten konnten auf die Maschinen verlagert werden; die Bildung hat einen neuen +Aufschwung bekommen; Wissenschaften hatten neue Mittel, um Experimente durchzuführen und immer weiter +fortzusrchreiten. Schon sehr lange ist der Mensch von seiner Technik umgeben; Es ist nicht erst gestern +passiert, dass er sich von ihr abhängig gemacht hat und seine Geschichte mit der der +Technik verbunden hat. Was sich aber im Laufe der Zeit gewandelt hat, ist die Art der angesetzten Technik. + +Es ist relativ neu, dass man angefangen hat, technischen Artefakten menschliche Eigenschaften zuzuschreiben. +So spricht man heute von „intelligenten“ Maschinen. Es gibt intelligente Menschen, die gebildet, +begabt sind. Die Maschinen, Computer werden programmiert, um einen bestimmten Zweck zu erfüllen, sie arbeiten +nach einem vordefinierten Algorithmus. Bestenfalls kann so ein Algorithmus aktualisiert werden. +Wäre es jedoch vielleicht möglich, ein Programm zu schreiben, das das menschliche Lernvermögen nachbildet +und lernen kann? Es ist tatsächlich möglich und in diesem Fall spricht man von der \textit{künstlichen Intelligenz} +(\textit{Artificial Intelligence}) und dem \textit{maschinellen Lernen} (\textit{Machine Learning}), von der +Fähigkeit einer Maschine, selbst zu lernen, also den Algorithmus, nach dem sie arbeitet, weiter zu entwickeln +und zu verändern. Das, was eine Maschine auf diese Weise gelernt hat, ist oft so komplex, dass man nicht mehr +sagen kann, wie genau sie das gelernt hat und wie sie zu Ergebnissen kommt, die sie liefert. Ob es ausreichend +ist, von der Intelligenz zu sprechen, im selben Sinne, wie man von der menschlichen Intelligenz spricht, ist +eine schwierige Frage. Selbst die menschliche Intelligenz ist kein eindeutig definierter, ein vager Begriff, +der viele subjektive Merkmale in sich trägt. + +Dass wir die Programme entwickeln können, die sich selbst „weiterschreiben“, weiterentwickeln +können, birgt viele Möglichkeiten und viele Gefahren in sich. Einerseits können die Maschinen dem Menschen +nicht nur schwere körperliche Arbeit abnehmen, sondern auch einige geistige Tätigkeiten. Zum Beispiel das +Übersetzen von Texten in andere Sprachen kann teilweise von Computern übernommen werden, die ihre +„Sprachkenntnisse“ selbst immer mehr verbessern können. Andererseits, wenn man nicht mehr +versteht, wie genau die von ihm konstruierte Maschine handelt, fühlt man sich bedroht. Es werden auch Stimmen +laut, dass die nächste Stufe der Evolution nicht eine biologische, sondern eine technische Evolution sei und, +dass der Mensch sehr bald vom Werk seiner Hände überholt werde.\autocite[7ff]{kurzweil:menschheit} + +Das Ziel dieser Arbeit ist, auf die künstliche Intelligenz und neuronale Netze, nicht nur aus technischer, +sondern auch philosophischer Sicht zu schauen. Wenn wir von der künstlichen Intelligenz sprechen, +verwenden wir viele Begriffe wie Lernen, Lernerfolg, Intelligenz, deren Bedeutung aber nicht immer +klar ist. Und ich finde, dass das, wie wir über die Maschinen sprechen, +viel darüber sagt, wie sich unser eigenes Menschenbild im technischen Zeitalter verändert oder verändert hat. + + \section{Maschinelles Lernen} + +Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, in dem es darum geht, einem künstlichen +System das Gewinnen von Wissen zu ermöglichen. Ein auf diese Weise lernendes System kann eine gestellte +Aufgabe nicht nach einem vordefinierten Algorithmus lösen, sondern ist fähig, selbst zu lernen, wie die +Aufgabe zu lösen ist. + +Maschinelles Lernen ist sehr vielfältig und hat verschiedene Anwendungen. Es kann grob in zwei große Kategorien +unterteilt werden: überwachtes und unüberwachtes Lernen. + + \subsection{Überwachtes Lernen (Supervised Learning)} + +Beim überwachten Lernen stehen dem Lernenden eine Menge von Eingaben und den dazugehörigen Ausgaben zur Verfügung. +Das heißt es gibt eine Reihe von Ausgangsituationen und eine Reihe möglicher Antworten beziehungsweise Reaktionen +auf jene Situationen, wobei zwischen den ersteren und den letzteren eine Abhängigkeit vorhanden ist. +Das Ziel des Algorithmus ist jetzt diese Abhängigkeit zu entdecken, sie zu „erlernen“. + + \begin{quote} +\textit{Supervised learning} algorithms assume that some variable X is +designated as the target for prediction, explanation, or inference, and that +the values of X in the dataset constitute the „ground truth“ values for +learning.\autocite[154]{danks:ai} + \end{quote} + +Zum überwachten Lernen gehört auch das sogenannte \textbf{bestärkende Lernen (Reinforcement Learning)}. +Das ist das Lernen durch „Versuch und Irrtum“. Dem lernenden System steht hier keine Menge +möglicher Ausgaben, sodass der Algorithmus aus vorhandenen Daten lernen könnte, dafür kann es mit seiner +Umgebung interagieren und von dieser „belohnt“ oder „bestraft“ werden. Also der +Algorithmus wird aus der Umgebung bewertet und anhand dieser Bewertung kann er lernen, wie er anhand +einer Eingabe zu der richtigen Ausgabe gelangt. + +„The learning algorithms used on reinforcement learning adjusts +the internal neural parameters relying on any qualitative or quantitative information +acquired through the interaction with the system (environment) being mapped, [\dots]“\autocite[27]{silva:ai} + +Maschinelles und bestärkendes Lernen wird schon seit längerer Zeit bei Spam-Erkennung verwendet. Als Spam +werden unerwünschte E-Mails, zum Beispiel Werbung, die man nicht bestellt hat, genannt. Es gibt auch einen +Gegenbegriff zum Spam: Ham, also normale E-Mails, die man in seinem E-Mail-Postfach erwartet. + +Wie ein Programm lernt, Spam von Ham zu unterscheiden, kann man damit vergleichen, wie es ein Mensch lernt. +Sie bekommen unerwünschte Werbung per Post. Es ist ein Briefumschlag mit einer unpersönlichen Anrede und ein +kleines Heft. Sie blättern es durch und sehen, dass sie daran nicht interessiert sind und schmeißen es weg. +Wenn Sie ein ähnliches Heft nächstes Mal bekommen, blättern Sie vielleicht nochmal durch, um sicher zu sein, +dass es nichts Wichtiges bzw\@. etwas, was Sie abonniert haben, ist. Wenn Sie einige Wochen später nochmal so ein +Heft bekommen, reicht nur ein Blick. Vielleicht haben Sie den Namen desselben Unternehmens oder bekannte +Produktabbildungen oder einen ähnlichen Werbetext gesehen --- Sie schmeißen es, ohne genauer zu schauen, weg. +Sie haben gelernt, dass derartige Hefte mit Werbung keine für Sie hilfreiche Information enthalten. + +In vielen Mail-Programmen gibt es inzwischen die Funktion „Als Spam markieren“. Wenn eine E-Mail +als Spam markiert wird, analysiert der Spam-Filter den Inhalt der E-Mail und merkt, wie viele Male jedes Wort +in der Nachricht vorkommt. Dieselbe Analyse macht der Filter für die anderen Nachrichten, die nicht als Spam +markiert wurden. Langsam sammelt sich eine Datenbank mit der Anzahl der Vorkommnisse verschiedener Wörter in +Spam- und Ham-Nachrichten. Anhand dieser Daten kann dann der Filter erkennen, dass bestimmte Wörter nur in +Spam-Mails vorkommen, aber nicht in Ham, und kann ohne die Einmischung des Menschen entscheiden, ob eine E-Mail +unerwünscht ist oder nicht. So ein Verfahren ist natürlich nicht fehlerfrei. Es kommt sowohl dazu, dass Spam durch +so einen Filter unerkannt durchdringen kann, als auch dazu, dass Ham im Spam-Ordner landet. Auf diversen Webseiten +kann man lesen: „Wenn Sie keine E-Mail innerhalb von \textit{X} Stunden erhalten haben, überprüfen Sie Ihren +Spam-Ordner“. Wenn Ham als Spam eingestuft wird, spricht man vom \textit{False-Positive}. Es gibt meistens +wiederum die Funktion, um die Spam-Markierung von der E-Mail zu entfernen. Dadurch kann der Filter neu lernen +und seine Datenbank aktualisieren beziehungsweise anpassen. + +Wir haben gesehen, dass eine der Möglichkeiten, Spam zu erkennen, darauf basiert, den Spam-Filter mit der +Umgebung, also mit dem Benutzer, kommunizieren zu lassen. Der Benutzer hat eine Möglichkeit dem Filter mitzuteilen, +ob eine E-Mail Spam oder Ham ist, woraus der Filter lernen kann. Je länger so ein Filter eingesetzt wird und je +mehr er auf diese Weise trainiert wird, desto geringer wird die Wahrscheinlichkeit des False-Positives. + + \subsection{Unüberwachtes Lernen (Unsupervised Learning)} + + \begin{quote} +\textit{Unsupervised learning} algorithms do not single out any particular +variables as a target or focus, and so aim to provide a general +characterization of the full dataset.\autocite[154]{danks:ai} + \end{quote} + +Beim unüberwachten Lernen wird keine bestimmte Ausgabe, kein bestimmter Wert bei der Ausgabe erstrebt, wie es +bei dem überwachten Lernen der Fall ist. Vielmehr geht es darum, eine innere Struktur in den Daten zu entdecken. + +Ein Standardbeispiel für unüberwachtes Lernen ist ein soziales Netzwerk. In großen sozialen Netzwerken kann +man sein Interesse oder Desinteresse dadurch zeigen, dass man bestimmte Beitrage positiv markiert +beziehungsweise blockiert. Ein gutes soziales Netzwerk würde, um seinen Nutzern genüge zu tun, die einem +bestimmten Benutzer angezeigten Beiträge zensieren, und ihm nur diejenigen zeigen, die er wahrscheinlich +mag und nicht diejenigen, die er blockieren würde. Aber das Netzwerk weiß nicht im Voraus, dass es +Beiträge zu verschiedenen Themen gibt: Kunst, Politik, Sport und so weiter. Schließlich können immer neue +Themen auftauchen. Das Netzwerk lernt selbst die Beiträge und Benutzer zu klassifizieren. Das Lernen geht +über die Erforschung der Vorlieben einer bestimmten Person hinaus. Nehmen wir an in Profilen zweier Personen +unter „Interessen“ steht, dass sie gern Tennis spielen und beide lesen gerne Nachrichten eines +Sportvereins, der eine eigene Seite im sozialen Netzwerk hat. Wenn eine dritte Person jetzt angibt, dass sie +gern Tennis spielt, hat das soziale Netzwerk den Grund anzunehmen, dass dieser Person auch die Nachrichten +des Sportvereins gefallen werden. Das heißt das Netzwerk lernt aufgrund komplexer Zusammenhänge, dass es bestimmte +Gruppen, Themen- und Interessenbereiche gibt. Es gibt hier keine richtige Antwort, man überwacht nicht alle +registrierten Benutzer und korrigiert das Netzwerk nicht: Nein, dieser Mensch gehört dieser Gruppe nicht. Und +wenn ich einen Beitrag blockiere und markierte, bedeutet es nicht unbedingt, dass ich eine Bewertung abgebe, wie +gut das Netzwerk gelernt hat. Es kann schließlich sein, dass ich heute keine Lust auf meinen Sportverein habe, +sonst aber gerne lese, was er schreibt. + +Die Unterteilung in Gruppen, Klassifizierung ist in der Wirklichkeit sehr komplex und unterzieht sich oft der +Möglichkeit, sich auf irgendeine Weise kontrollieren oder bewerten zu lassen. Unüberwachtes Lernen kann hier +Abhilfe schaffen. + + \section{Neuronale Netze} + +In diesem Abschnitt handelt es sich um eine mögliche Realisierung des maschinellen Lernens und zwar anhand +der neuronalen Netze. + + \subsection{Biologisches Vorbild} + +Ein „neuronales Netz“, wie der Name raten lässt, ist ein Netz das aus +Neuronen beziehungsweise Nervenzellen besteht. Das Neuron ist kein technischer Begriff, er stammt aus +der Biologie: „[\dots] die Nervenzelle --- das Neuron --- [ist] der Grundbaustein und die elementare +Signaleinheit des Gehirns [\dots]“\autocite[75]{kandel:gedaechtnis} Neuronale Netze haben nicht nur +den Begriff des Neurons aus der Gehirnforschung übernommen, sondern auch einige weitere, und überhaupt +haben sie menschliches Gehirn zu ihrem Vorbild. + +Die Nervenzelle besteht aus drei Komponenten: einem Zellkörper mit zwei Arten von Fortsätzen, +Axone und Dendriten.\autocite[Vgl.][79]{kandel:gedaechtnis} Diese Fortsätze der Nervenzelle dienen +der Signal- beziehungsweise der Informationsübertragung: + + \begin{quote} +Mit den Dendriten empfängt das Neuron Signale von anderen Nervenzellen, und mit dem Axon sendet es +Informationen an andere Zellen\@. [\dots] Die Axonendigungen eines Neurons kommunizieren mit den +Dendritten eines anderen Neurons nur an speziellen Stellen, die von Sherrington später Synapsen +genannt wurden (von griechisch \textit{s\'{y}napsis} --- „Verbindung“).\autocite[81]{kandel:gedaechtnis} + \end{quote} + +Synapsen sind ein weiterer Begriff, der für maschinelles Lernen wichtig ist. Sie verbinden +die Neuronen miteinander und kodieren die bisher gelernten Informationen. In künstlichen sowie in +biologischen neuronalen Netzen sind nicht alle Neuronen miteinander verbunden. Im Falle der biologischen +neuronalen Netze sind „Nervenzellen innerhalb bestimmter Bahnen verknüpft [\dots], die +er [Santiago Ram\'{o}n y Cajal] neuronale Schaltkreise nannte. Signale bewegen sich darin in +vorhersagbaren Mustern.“\autocite[81]{kandel:gedaechtnis} Auch im Gehirn sind die Synapsen für +die Informationsspeicherung und Lernerfahrung verantwortlich, da das Lernen die synaptische Stärke und +dadurch die Kommunikation zwischen Neuronen verändern kann.\autocite[Vgl.][220]{kandel:gedaechtnis} + + \subsection{Einschichtiges feedforward-Netz} + +In diesem Abschnitt soll die Funktionsweise eines neuronalen Netzes an einem Beispiel erklärt werden. +Nehmen wir an, wir wollen den Zusammenhang zwischen der Anzahl der Stunden, die man mit dem +Lernen und dem Schlafen am Tag vor einer Klausur verbracht hat, und dem Ergebnis der Klausur, +gemessen in Prozent, herausfinden. + +Zu unseren Eingabedaten zählen: + + \begin{enumerate} + \item Stunden geschlafen. + \item Stunden gelernt. + \end{enumerate} + +Basierend auf diesen Daten wollen wir vorhersagen, wie das Ergebnis der Klausur ausfällt. Da wir am Anfang +nicht blind raten wollen, nehmen wir auch an, dass wir eine Testperson zur Verfügung haben, die uns für die +Untersuchung notwendige Parameter und das Endresultat ihrer Klausur mitteilt. + + \begin{center} + \begin{tabular}{c c} + (gelernt; geschlafen) & Ergebnis \\ + \toprule + (3 Std; 5 Std) & 70\% \\ + \bottomrule + \end{tabular} + \end{center} + +Diese Daten wollen wir verwenden, um unser neuronales Netz zu „trainieren“, d\@.h\@. es +muss anhand dieser Daten Vorhersagen über einen wahrscheinlichen Verlauf künftiger Klausuren machen können. + +Bei unseren Berechnungen wollen wir nicht mit verschiedenen Maßeinheiten arbeiten. Zum Beispiel in unseren +Daten haben wir die Eingabe in \textit{Stunden} und die Ausgabe in \textit{Prozent}, es ist allerdings nicht +möglich Stunden in Prozente zu übersetzen oder umgekehrt. Unser Netz ist aber auch an Maßeinheiten oder an +der Art unserer Daten nicht interessiert, es muss schließlich mögliche Zusammenhänge zwischen den Eingabe- +und Ausgabewerten finden, unabhängig davon, ob es nun Stunden, Prozente, Kilogramme oder Meter sind. + +Außerdem soll die Ausgabe $x$ die folgende Bedingung erfüllen soll: + + \begin{gather} + \{x \in \mathbb{N} \mid 0 \leq x \leq 100 \} + \end{gather} + +Um bessere Ergebnisse zu bekommen, werden wir hauptsächlich mit reellen Zahlen von 0 bis 1 rechnen. +Um das zu erreichen werden die Stunden und die Prozentzahl durch 100 geteilt. Nach diesen Umwandlungen +erhalten wir die folgende Tabelle: + + \begin{center} + \caption{table}{\textbf{Normalisiert}} + \begin{tabular}{c c} + (gelernt; geschlafen) & erwartetes Ergebnis \\ + \toprule + (0{,}03; 0{,}05) & 0,7 \\ + \bottomrule + \end{tabular} + \end{center} + + \subsection{Gewichtung} + +Unser neuronales Netz wird insgesamt aus drei Schichten bestehen: + + \begin{figure}[H] + \centering + \includegraphics{/assets/images/ki-begriffsklaerung/image1.png} + \caption{Einfaches neuronales Netz}\label{fig:empty_network} + \end{figure} + +Jede dieser Schichten hat wiederum eins oder mehrere \textit{Neuronen}. Jedes dieser Neuronen kann +Daten speichern (in unserem Fall --- eine Zahl). Die Neuronen sind untereinander mit \textit{Synapsen} verbunden. +Eine Synapse kann wiederum Informationen speichern, i\@.e\@. sie werden auch mit einer Zahl versehen. + +Die erste Schicht (Abbildung~\ref{fig:empty_network}, links) ist die Eingabeschicht, sie enthält die +Eingabedaten. Als Eingabe haben wir zwei Werte pro Testlauf: die Anzahl der Stunden, die die Testperson gelernt +und geschlafen hat. Diese zwei Werte sind unseren Eingaben, weil es die Daten sind, auf deren Basis wir eine +Ausgabe erwarten, eine Vorhersage machen wollen. Die Ausgabeschicht ist die letzte Schicht +(Abbildung~\ref{fig:empty_network}, rechts), sie hat nur ein Neuron, das Ergebnis der Klausur, das wir erwarten. +Schließlich in der Mitte ist die verdeckte Schicht. Sie ist verdeckt, weil sie für den Endbenutzer +nicht sichtbar ist, der Endbenutzer gibt schließlich eine Eingabe und bekommt am Ende eine Ausgabe, dazwischen +werden, basierend auf dem, was das neuronale Netz vorher gelernt hat, nur eine Reihe von Berechnungen +durchgeführt.\autocite[Vgl.][22]{silva:ai} + +Nun hat unser Netz noch nichts gelernt, wir wollen das erstmal nur trainieren. Für den ersten Lauf müssen +wir deswegen eine Reihe von Parametern \textit{zufällig} wählen. + +Erstens brauchen wir die sogenannten \textit{Gewichte}. Gewichte sind Werte, die den Synapsen zugeordnet werden. +Sie bestimmen, welchen Einfluss ein Eingabewert auf das Endergebnis hat. Die Gewichtung repräsentiert, +was das Netz bisher gelernt hat. + +In unserem Fall haben wir insgesamt 9 Synapsen, sodass jedes Neuron der Eingabeschicht mit allen Neuronen der +verdeckten Schicht, und jedes Neuron der verdeckte Schicht mit dem Neuron der Ausgabeschicht verbunden werden +kann. Ich versehe diese Synapsen mit den folgenden Werten (von oben nach unten und von links nach rechts): +0.8, 0.4, 0.3, 0.2, 0.9, 0.5, 0.3, 0.5, 0.9. Es gibt erstmal keinen Grund, diese Werte und nicht andere +auszuwählen. Sie sind zufällig gefällt und die einzige Bedingung, die sie erfüllen müssen, ist, dass jeder +dieser Werte im Intervall $\left[ 0, 1 \right]$ liegen soll. + +Schließlich müssen wir die Neuronen der Eingabeschicht mit unseren Ausgangsdaten füllen. Unsere Ausgangssituation +graphisch dargestellt ist dann die folgende: + + \begin{figure}[H] + \centering + \includegraphics{/assets/images/ki-begriffsklaerung/image2.png} + \caption{Einfaches neuronales Netz}\label{fig:start_network} + \end{figure} + + \subsection{Vorwärtspropagation} + +Im nächsten Schritt wird die verdeckte Schicht gefüllt. Da wir zwei Neuronen in der Eingabeschicht haben und +jedes davon ist den Neuronen der verdeckten Schicht verbunden ist, führen jeweils zwei Synapsen von der +Eingabeschicht zu einem der Neuronen der verdeckten Schicht. Wir multiplizieren den Wert des Neurones der +Eingabeschicht mit den Gewichten der daraus ausgehenden Synapsen, addieren die Ergebnisse zusammen und schreiben +das Endergebnis in das entsprechende Neuron der mittleren Schicht. Die Werte jedes der Neuronen der +verdeckten Schicht werden also wie folgt berechnet: + + \begin{equation} + \begin{split} + 0{,}03 \cdot 0{,}8 + 0{,}05 \cdot 0{,}2 = 0{,}034\\ + 0{,}03 \cdot 0{,}4 + 0{,}05 \cdot 0{,}9 = 0{,}057\\ + 0{,}03 \cdot 0{,}3 + 0{,}05 \cdot 0{,}5 = 0{,}034 + \end{split}\tag{Verdeckte Schicht} + \end{equation} + + \begin{figure}[H] + \centering + \includegraphics{/assets/images/ki-begriffsklaerung/image3.png} + \caption{Einfaches neuronales Netz}\label{fig:before_activation} + \end{figure} + + \subsection{Aktivierungsfunktion} + +Da die Eingabe (die Stunden) nicht im Intervall $\left[ 0, 1 \right]$ liegt, verwenden wir eine +\textit{logistische Aktivierungsfunktion}, deren Wertebereich $f(x) \in \mathbb{R} \mid 0 \leq x \leq 1$ ist: +„The output result produced by the logistic function will always assume real values between zero +and one.“\autocite[15]{silva:ai} + + \begin{equation} + f(x) = \frac{1}{1 + e^{-x}} \tag{Aktivierungsfunktion} + \end{equation} + +So bekommen wir nach den anschließenden Berechnungen mit einer hohen Wahrscheinlichkeit eine Zahl zwischen 0 und 1, +die anschließlich mit 100 multipliziert werden kann, um so auf die Prozente zu kommen. + +Wir wenden zunächst die Aktivierungsfunktion auf jeden der vorher berechneten Werte an und schreiben +das Ergebnis ebenfalls in die verdeckte Schicht. + + \begin{equation} + \begin{split} + f(0{,}034) \approx 0{,}509\\ + f(0{,}057) \approx 0{,}514\\ + f(0{,}034) \approx 0{,}509 + \end{split} + \end{equation} + + \begin{figure}[H] + \centering + \includegraphics{/assets/images/ki-begriffsklaerung/image4.png} + \caption{Einfaches neuronales Netz}\label{fig:activation} + \end{figure} + +Es bleibt jetzt nur noch dieselbe Berechnung durchzuführen wie mit der Eingabeschicht: Jeder der Werte +der verdeckten Schicht wird mit dem entsprechenden Gewicht multipliziert und alle Ergebnisse werden +anschließend summiert. + + \begin{equation} + \begin{split} + 0{,}509 \cdot 0{,}3 = 0{,}1527\\ + 0{,}514 \cdot 0{,}5 = 0{,}257\\ + 0{,}509 \cdot 0{,}9 = 0{,}4581 + \end{split} + \end{equation} + + \begin{equation} + \begin{split} + 0{,}1527 + 0{,}257 + 0{,}4581 \approx 0{,}87 + \end{split} + \end{equation} + +Hier ist das komplett ausgefüllte neuronale Netz für unsere Testperson: + + \begin{figure}[H] + \centering + \includegraphics{/assets/images/ki-begriffsklaerung/image5.png} + \caption{Einfaches neuronales Netz}\label{fig:complete_network} + \end{figure} + + \subsection{Fehlerrückführung} + +Man muss einsehen, dass das Resultat, zu dem wir am Ende kamen, absolut zufällig ist. +In fast jeder Berechnung wurden Gewichte verwendet, die am Anfang zufällig ausgewählt wurden. +Das heißt, wenn ich mich für andere Gewichtung entschieden hätte, käme auch etwas anderes dabei +heraus. Und das ist jetzt die Aufgabe, die bevorsteht: die Gewichtung so anzupassen, dass sie +zu einem genaueren Ergebnis führt. Dieser Schritt heißt \textbf{Fehlerrückführung}. Man versucht +hier den Fehler geringer zu machen. In unserem Fall ist das Ergebnis, das wir erwartet haben, 0.7. +Statdessen haben 0.87, was um 0.17 größer als das erwartete Ergebnis. Wenn wir diese Distanz +zwischen dem aktuellen und dem erwarteten Ergebnis geringer machen, \textit{trainieren} +wir das neuronale Netz. + +Es gibt mehrere Methoden, die Fehlerrückführung durchzuführen. Die einfachste (und die schlechteste +für die Praxis, weil sie für ein größeres Netz zu viel Zeit in Anspruch nehmen würde) wäre, einige der +Gewichte zu ändern (man kann dafür wiederum andere zufällige Zahlen von 0 bis 1 verwenden), und +alles dann nochmal mit diesen neuen Gewichten berechnet. Wenn man zu einem besseren Ergebnis kommt, +kann man versuchen, die Gewichtung weiter anzupassen, bis das Resultat zufriedenstellend ist. Wenn +das Ergebnis noch schlechter wird, versucht man dasselbe mit anderen Gewichten. + +Das heißt, die \textbf{Vorwärtspropagation} und \textbf{Fehlerrückführung} werden mehrmals wiederholt, +bis das Endresultat ausreichend genau ist. Schließlich ist eine Testperson für das Trainieren des +neuronalen Netzes nicht ausreichend. Wenn wir weitere Daten erhalten, können wir sie genauso +einsetzen, und den Endwert mit denselben Gewichten für diese neuen Daten berechnen. Dann können +wir versuchen, die Gewichtung so anzupassen, dass für die beiden Fälle ein genaueres Ergebnis +herauskommt. Dann ziehen wir noch eine dritte Testperson hinzu und so weiter\dots{} Irgendwann haben +wir die Gewichtung so gewählt, dass wir damit rechnen können, dass wenn wir dem Netz neue Daten +übergeben, wir eine gute Einschätzung für die Endnote bekommen. Es ist kaum möglich mit dem oben +aufgeführten Netz. Neuronale Netze sind in der Praxis viel komplexer und haben mehrere verdeckte +Schichten, was genauere Anpassung der Gewichte ermöglicht. + + \section{Lernerfolg. Turing-Test} + +Im Zusammenhang mit dem maschinellen Lernen sprechen wir vom Lernerfolg. Allerdings wurde es noch nicht +geklärt, was Erfolg in diesem Fall bedeutet. + +Um einen gewöhnlichen Einwand gegen den Erfolg der künstlichen Intelligenz zu erläutern, konstruieren +wir ein futuristisches Beispiel, das in einer oder der anderen Form zum Thema vieler Filme der letzten +Jahre geworden ist. Sagen wir, die Menschen haben einen Supercomputer entwickelt, dessen künstliche +Intelligenz dermaßen fortgeschritten ist, dass er selbst weitere Maschinen entwerfen und produzieren kann. +So beginnt eine neue Ära, in der die Maschinen sich selbt ohne die Einmischung des Menschen entwickeln. +Schlussendlich wird der Mensch zu einer überholten, schwachen Spezies, deren Existenz nicht mehr förderlich +für den weiteren technischen Fortschritt ist, sodass der mächtige Supercomputer sich dazu entscheidet, +die menschliche Art auszulöschen. Nun hatte der Supercomputer, der eine solche Macht erlangt hat, alles über +die Wissenschaft und Technik gelernt, was der Mensch je hätte lernen können, und diese Kenntnisse noch +weiter gebracht hat. Man könnte sich aber fragen, ob der Erfolg des Lernens an der Anzahl der Erkenntnisse +gemessen werden kann. In dem aufgeführten Beispiel hat sich die Technik, die der Mensch sich zuhilfe +schuf, hatte gegen den Menschen gewendet und so gegen das moralische Prinzip, nach dem das menschliche +Leben einen Wert an sich hat, verstoßen. + +Wenn wir also vom Erfolg sprechen, beziehen wir den Erfolg nicht nur auf die eigentliche Tätigkeit (das +Erwerben von Erkenntnissen), sondern auch auf das Endresultat --- wie die erworbenen Erkenntnisse angewandt +werden. Bei der Bewertung ihrer Anwendung braucht man wiederum eine Ethik, die es ermöglicht, zu beurteilen, +ob die Anwendung richtig oder falsch, gut oder böse ist. Man sieht sofort, wie schnell das Problem des Erfolgs +sehr komplex und unübersichtlich wird. Ich werde deswegen dafür argumentieren, dass der Erfolg des +Lernens nur in dem Sinne des unmittelbaren Erfolgs ohne die Einbeziehung der Konsequenzen verstanden werden +muss. Desweiteren werde ich versuchen den Erfolg anhand des Turing-Tests etwas genauer zu bestimmen. + +Alan Turing stand vor einem ähnlichen Problem, als er das, was wir heute Turing-Test nennen, vorgeschlagen +hat. Das Lernen, die Suche nach Gesetzmäßigkeiten und die Anwendung des Gelernten und Erforschten sind +wichtige Aspekte menschlicher Denktätigkeit. Wenn wir davon sprechen, dass die Computer selbstständig +lernen, stellt sich die Frage, ob sie dann auch denken kennen? Um zu sagen, ob die Computer denken +können, muss man dann definieren, was das Denken eigentlich ist und dann schauen, ob diese Definition +auf die Computersysteme angewandt werden kann. + +Nun ist es aber alles andere als trivial, eine Definition für das Denken zu finden. Das eigentliche Problem +besteht aber nicht darin, dass eine solche Definition eine schwierige Aufgabe ist, sondern darin, dass +die Angabe einer Definition des Denkens sich sowohl dem Interessenbereich der Technik als auch +dem Interessenbereich der Wissenschaft entzieht. Wir verbinden das Denken mit den Gehirnaktivitäten. Aber +spielt es für einen Gehirnforscher in seiner wissenschaftlichen Forschung eine Rolle, was das Denken ist? +Er kann durchaus eine private Überzeugung haben, dass das, was wir unter dem Denken verstehen, nichts weiter +als die Gehirnaktivität ist, oder, dass das, was wir im Gehirn beobachten, nur auf eine bestimmte Weise +unser Denken repräsentiert. Aber ob er sich für die erste Möglichkeit, oder für die zweite, oder für eine +dritte entscheidet, ist für seine eigentliche wissenschaftliche Forschung von wenig Bedeutung. Auch +umgekehrt: Wenn man eines Tages weiß, dass man jede geistige Aktivität auf Gehirnaktivitäten zurückführen +kann, bedeutet es, dass ich mich ab dann für einen vollständig von den physikalischen Gesetzen +bestimmten Bio-Roboter halte, der keinen eigenen Willen hat? + +Es ist ganz natürlich den Gegenständen menschliche Eigenschaften und Aktivitäten zuzurschreiben: +„Der Computer \textit{will} nicht funktionieren“. Natürlich kann es bei einem kaputten +Rechner keine Rede vom Willen sein. Das ist bloß eine Redewendung. Aber wenn die Computer viel +leistungsfähiger werden, passiert die Zuschreibung viel bewusster, wir fangen an, von ihrer Intelligenz, +ihrem Denken oder dem Erfolg ihrer Aktivitäten zu sprechen. Diese Begriffe sind aber in der Sprache sehr +oft ambivalent und werden intuitiv verwendet. Deswegen ist es auch problematisch, sie auf andere +Gegenstände zu übertragen. + +Um das höchstproblematische Reden vom Denken im Fall der Computer zu vermeiden, hat Alan Turing +„The Imitation Game“\autocite[433f]{turing:mind} vorgeschlagen. Dieses Imitationsspiel +wird von drei Personen gespielt: einem Mann (A), einer Frau (B) und einem Fragesteller (C), dessen +Geschlecht für das Spiel irrelevant ist. Der Fragesteller kennt die beiden anderen Personen A und B +nicht und befindet sich in einem anderen Raum. Das Ziel des Spiels für den Fragesteller besteht +darin, richtig zu erraten, wer von A und B ein Mann und wer eine Frau ist. Dabei kann der Fragesteller +den übrigen Spielteilnehmern Fragen stellen und Antworten auf seine Fragen bekommen. Die Teilnehmer +kommunizieren miteinander so, dass der Befragende und die Befragten einander weder sehen noch +hören können, zum Beispiel sie könnten einander Texte über das Internet versenden. A und B sind nicht +verpflichtet, ehrliche Antworten auf die Fragen zu geben. Die Aufgabe von A ist, dem Befragenden zu +helfen, B soll ihn im Gegenteil in die Irre führen.\autocite[433f]{turing:mind} + + \begin{quote} +We now ask the question, „What will happen when a machine takes the part of A in this +game?“ Will the interrogator decide wrongly as often when the game is played like this +as he does when the game is played between a man and a woman? These questions replace our +original, „Can machines think?“\autocite[434]{turing:mind} + \end{quote} + +Das heißt, die Maschine soll die Rolle eines Spielers --- entweder A oder B --- übernehmen. Es gibt +keine Frau, keinen Mann und Fragesteller mehr, sondern einen Menschen, eine Maschine und den +Fragesteller (menschlich). Wenn es für den Fragesteller genauso schwierig ist, ohne einen direkten +Kontakt eine Maschine von einem Menschen zu unterscheiden, wie eine Frau von einem Mann, dann hat +die Maschine den Turing-Test bestanden. + +Im Grunde, um den Erfolg des Lernens eines Computersystems zu bewerten, wird hier eine funktionale +Beschreibung verwendet. Anstatt nach der Washeit der Dinge zu fragen: Was ist Denken? Was ist Erfolg? +Können diese Begriffe auf ein Computersystem angewandt werden?, fragt man, ob und wie gut das System +eine bestimmte Funktion ausführen, einen Test bestehen kann. Der Turing-Test scheint mir auch die beste +Methode zu sein, um den Erfolg des Lernes eines Computersystems zu bewerten. Vor allem, weil so ein +funktionaler Test einen Aufschluss darüber gibt, welche Stufe in der Entwicklung der künstlichen +Intelligenz man bereits erreicht hat, und was noch verbessert werden muss, um den Lernerfolg zu +vergrößern. Er gibt auch eine Skala an, von der abgelesen werden kann, ob ein Algorithmus bessere +Ergebnisse liefert als ein anderer. Dies ermöglicht den technischen Fortschritt und die Verbesserung +der Algorithmen. Diese Skala gibt es aber nicht oder sie ist sehr verschwommen, wenn der Lernerfolg eine +ethische Perspektive haben soll. + +Was ich hiermit nicht sagen will, ist, dass die Ethik für die Entwicklung der +künstlichen Intelligenz unwichtig ist. Es macht nur wenig Sinn sie in die Definition des Lernerfolgs +eines künstlichen Systems einzubeziehen. Um so ein System weiter zu entwickeln, braucht man eine +technische Definition des Erfolgs, die ermöglicht, die Schwächen dieses Systems aufzuzeigen, an denen +noch gearbeitet werden soll. Eine voreilige Einbeziehung einer ethischen Bewertung würde den Fortschritt +im Bereich der künstlichen Intelligenz unnötig verkomplizieren und verlangsamen. Eine ethische Bewertung +der künstlichen Intelligenz als solchen und dessen, wie sie eingesetzt wird, ist im Gegenteil nützlich +und nötig, um die Möglichkeit einer bösartigen Anwendung deren zu verringern. + +Ich meine auch nicht, dass eine ethische Auseinandersetzung der technischen Entwicklung zeitlich +folgen soll. Es kann zu spät sein, sich mit etwas auseinanderzusetzen, was schon da ist. Vielmehr sollen +die Bereiche des Technischen und Ethischen voneinander getrennt sein. Wenn ein Informatiker oder ein +Mathematiker an einem neuen Algorithmus für maschinelles Lernen arbeitet, ist er wahrscheinlich +gar nicht daran interessiert, ein künstliches System zu erschaffen, das ihm ermöglicht, die Welt +zu beherrschen, womöglich ist er nur an seinem Fach interessiert und will sehen, wie weit man die +künstliche Intelligenz bringen kann. Natürlich soll man sich Gedanken darüber machen, was passiert, +wenn man den neuen Algorithmus oder die neue Technologie auf den Markt bringt, das darf aber nicht +der eigentlichen Forschung im Wege stehen. + + \section{Dritt- und Erstperson-Perspektive} + +Kommen wir auf die Frage „Können die Maschinen denken?“ zurück. Was ist an dieser +Frage so problematisch, sodass Alan Turing sie umzugehen suchte, außer dass der Begriff +„Denken“ schwierig zu definieren ist. Oder warum ist er schwierig zu +definieren? Das Denken für den Menschen ist ein \textit{Erlebnis}, das heißt ich erlebe mich +selbst als ein denkendes Wesen. Ich gehe davon aus, dass auch die anderen Menschen sich als +denkende Wesen erleben, obwohl ich nicht mit Sicherheit sagen kann, wie sich das Denken eines +anderen Menschen für ihn anfühlt, was und wie er denkt. Man denke nur an die Diskussionen, ob +Tiere Freude oder Leiden empfinden können, ob sie denken können. Es ist relativ naheliegend, +dass andere Menschen denken können, aber es ist nicht klar, ob man das von den anderen Lebewesen +behaupten kann. Desto unklarer ist es, wenn man von etwas spricht, was überhaupt kein +Lebewesen ist. + +Anstatt der Maschine einen Geist und eine Art Innerlichkeit zuzuschreiben, entwickelt sich aber +die Tendenz, den Menschen mechanisch zu verstehen. Wenn Sören Kierkegaard sagt: +„Der Mensch ist Geist“\autocite[11]{kierkegaard:krankheit}, so heute ist der Mensch immer +öfter sein Gehirn: „In Germany, leading neuroscientists like Wolf Singer and Gerhard +Roth are omnipresent in TV and press. They speak of the brain as if they were talking about a +person.“\autocite[164]{foerster:neuroturn} Kierkegaards Mensch und sein Geist waren nicht bloß +eine immaterielle Substanz, sondern vielmehr eine Synthese „aus Unendlichkeit und Endlichkeit, +aus dem Zeitlichen und dem Ewigen, aus Freiheit und +Notwendigkeit, [\dots]“\autocite[11]{kierkegaard:krankheit} Ob die Beschreibung des Menschen +als Gehirn genauer zutrifft, ist fraglich. Yvonne Förster in ihrem Artikel „Effects of the +Neuro-Turn: The Neural Network as a Paradigm for Human Self-Understanding“ macht darauf +aufmerksam, dass obwohl bei der Erforschung des Gehirns nur die Drittperson-Perspektive in die Betrachtung +einbezogen wird, eine Verschiebung der Terminologie von der Philosophie zu den Neurowissenschaften +stattfindet: + + \begin{quote} + While phylosophy works with concepts, experience, reflection, and linguistic + description, neuroscience, on the other hand, uses these philosophical terms within + a third-person framework of observation, imaging techniques, and + measurements.\autocite[163]{foerster:neuroturn} + \end{quote} + +Eine Reihe von Begriffen, wie der freie Wille oder das Bewusstsein, für die die Innenperspektive +unentbehrlich ist, werden aus der Drittperson-Perspektive beurteilt und beschrieben. +Doris Nauer spricht auch davon, dass bei der Erforschung geistiger Funktionen +„NaturwissenschaftlerInnen zunehmend die Interpretationsgrenzen rein naturwissenschaftlicher +Forschung überschreiten“.\autocite[35]{nauer:seelsorge} +Außerdem merkt Förster an, dass die Neurowissenschaften keinen direkten Zugang auch zum Gehirn oder den +Neuronen selbst haben, vielmehr arbeiten sie mit Modellen: + + \begin{quote} + The neural gains its visibility only via technology. The process of making the neural visible is + not a simple representation of something otherwise hidden. Rather it is a production of images by + means imaging techniques. What we get to see is not the inside of our skull, not copies of our + neurons, but reconstructions modeled according to a certain set of rules of computation. The neural + net as we know it from neuroscientific imagery is not a photograph of brain parts. It is deeply + technological mediated.\autocite[172]{foerster:neuroturn} + \end{quote} + +Das Selbstverständnis des Menschen und das Verständnis der Maschine und der künstlichen Intelligenz sind +voneinander abhängig. Wenn wir die Maschinen konstruieren, die selbst lernen und vielleicht denken können, +und so den Menschen nachahmen, lernen wir auch etwas über die menschlichen Denkprozesse und dem +Zusammenhang zwischen dem Bewusstsein und dem Gehirn. Andererseits um +zu entscheiden, ob die Maschinen denken oder ein geistiges Leben haben können, ist unser Menschenbild +wichtig, weil es von ihm abhängt, ob sich das, was wir unter dem Menschen verstehen, auf die Maschine +übertragen lässt. + + \section{Zum Begriff der Intelligenz} + +Eine der Fragen, die sich noch stellen, ob wir im Falle der künstlichen Intelligenz überhaupt von +der \textit{Intelligenz} sprechen kann, wie wir von der menschlichen sprechen. Ich möchte von vornherein +sagen, dass diese Frage nicht eindeutig zu beantworten ist. Von einem Menschen zu sagen, er sei intelligent, +ist nicht dasselbe, wie zu sagen: „Zwei ist eine gerade Zahl“. + +Erstens, je nachdem wer das Wort „intelligent“ sagt, kann man darunter unterschiedliche +Eigenschaften meinen. Für einen mag intelligent derjenige sein, der über viele Fachkentnisse in +einem bestimmten Bereich verfügt. Für einen anderen ist es der, der allgemein gebildet ist und nicht +nur in bestimmten Bereichen. Für den dritten spielen die erworbenen Kenntnisse überhaupt eine geringere +Rolle, viel wichtiger, um intelligent zu sein, sei es, schlau zu sein, schnell die Lösungen für die +auftretenden Probleme zu finden. + +Zweitens hängt die Antwort auf die Frage, ob man so eine Eigenschaft wie „Intelligenz“ +auf eine Maschine übertragen kann, sehr stark von anthropologischen Ansichten der jeweiligen Person. +Ist der Mensch selbst wahrscheinlich nichts weiter als eine Art von der Natur erschaffener Roboter? +In diesem Fall kann wohl auch eine vom Menschen konstruierte Maschine Intelligenz haben. Wenn der Mensch +dagegen ein geistiges Wesen ist, das nicht vollständig durch physikalische Gesetze determeniert ist, +dann ist es qualitativ etwas anderes als eine Maschine und man könnte argumentieren, dass deswegen bestimmte +Eigenschaften wie Intelligenz nur dem Menschen zugeschrieben werden können. + +Der Stand der Entwicklung rechtfertigt nicht immer die Anwendung des Begriffes „Intelligenz“ +im Bezug auf die Maschinen. Bereits heutige Computer sind in bestimmten Bereichen +intelligenter als die Menschen. Zum Beispiel kann jeder der heutigen Prozessoren (oder CPU, +\textbf{C}entral \textbf{P}rocessing \textbf{U}nit) einfache Berechnungen, wie Multiplizieren, +Dividieren, Addieren oder Substrahieren, vielfach schneller durchführen als ein Mensch. Und diese +Fähigkeit besitzten bereits die Computer der neunziger Jahre des vergangenen Jahrhunderts, als die künstliche +Intelligenz noch nicht so verbreitet war. Schnelles Rechnen kann auch ein Merkmal der Intelligenz sein. +Und doch spricht man von der künstlichen Intelligenz meistens in Bezug auf maschinelles Lernen. Dies zeigt, +dass wenn man von intelligenten Maschinen spricht, meint man eine bestimmte Art von der Intelligenz, und +zwar meint man die Maschinen, die das Können besitzen, nicht nur die einprogrammierten +„Kenntnisse“ anzuwenden, sondern auch neue Erkenntnisse selbstständig zu gewinnen. Das heißt +Intelligenz knüpft hier an die \textit{schöpferische} Kraft des Menschen, an die Kraft etwas neues +zu \textit{erschöpfen}. Natürlich ist es nicht dasselbe wie Erschaffen eines Kunstwerkes oder eines +Musikstückes, weil das, was erkannt wird, schon da ist, es nicht aus Nichts geschaffen wird. Und doch +ist auch das Gewinnen der Erkenntnisse aus der Erfahrung, die vorher nicht waren, ist das Gewinnen von +etwas \textit{neuem}, also ein schöpferischer Vorgang. Und dieser Übergang zwischen einer die Befehle +ausführenden und einer lernenden Maschine ist wohl die Grenze, ab der die Maschinen +\textit{intelligent} werden. + +Wie weit die künstliche Intelligenz reicht oder reichen kann, lässt sich noch nicht sagen. Wir haben +noch keine Roboter, die malen, Romane oder Lieder schreiben oder physikalische Gesetze entdecken. Wie +am Beispiel mit dem neuronalen Netz gezeigt wurde, geht es bei maschinellem Lernen um das Erkennen +bestimmter Muster in der Eingabedaten. Falls so ein Muster tatsäschlich erkannt wurde, dann können anhand +dessen auch neue Daten ausgewertet werden. Dem lernenden System geht es nicht um die Forschung oder die +Suche nach der Wahrheit. Und hier ist es nicht mal wichtig, was Wahrheit ist, und ob es sie gibt. Wenn +ein Schriftsteller schreibt, sehnt er oft aus dem tiefsten seines Herzens, seinen Lesern etwas +mitzuteilen, seine Wahrheit zu verkünden. Auch ein Forscher kann von diesem Gefühl bewegt werden, +selbst wenn seine Theorie sich später als falsch erweist, hat er versucht, etwas Wahres zu entdecken. +Ein lernendes System hat überhaupt keinen Sinn für die Wahrheit. Es wurde programmiert, um Muster in +den Daten zu erkennen und das tut es. Wenn ich weiß, wie ein System aufgebaut ist, kann ich es von +vornherein mit manipulierten Daten füttern, sodass es etwas falsch lernt, und es wird sich nicht +betrogen fühlen. Wobei ich zugeben muss, dass es auch einem Menschen passieren kann, dass er sich +auf falsche, falsch ausgewählt Daten, stützt, und deswegen zu inkorrekten Ergebnissen gelangt. + +Die Mustererkennung ist wichtig auch für das menschliche Überleben. Allerdings vermag der Mensch auch +abstrakt zu denken. Es gibt zum Beispiel in der Natur keine Zahlen, es gibt nur abzählbare Gegenstände. +Man muss sich von den einzelnen Gegenständen beziehungsweise ihrer endlichen Anzahl abstrahieren können, +um auf die unendliche Menge von natürlichen Zahlen kommen. Diese Fähigkeit zum abstrakten Denken ist etwas, +was den Menschen gegenüber den Maschinen immer noch auszeichnet. + + \section{Grenzen der Anwendung von maschinellem Lernen} + +Zwar ist die künstliche Intelligenz zum selbstständigen Lernen fähig, ist kein selbstständiges +Lebewesen wie der Mensch, sondern nur ein Instrument unter vielen anderen. + +Nehmen wir an, wir wollen quadratische Gleichungen in der Normalform lösen: + +\begin{equation} + x^2 + px + q = 0 +\end{equation} + +Dafür beabsichtigen wir ein Programm zu schreiben, das die 2 Parameter, $p$ und $q$, als +Eingabewerte annimmt und die Gleichung nach $x$ auflöst. Man kann diese Aufgabe durchaus mithilfe der +künstlichen Intelligenz lösen. Wir entwerfen ein neuronales Netz, das zwei Neuronen in der +Eingabeschicht und zwei in der Ausgabeschicht hat. Dann lösen wir einige Tausende solcher Gleichungen +selbst und übergeben die Eingaben und die Lösungen dem Netz, damit es aus diesen Daten lernen kann. +Dann testen wir, ob das Netz nun selbst richtige Antworten produzieren kann. Wenn es nicht der Fall +sein soll, bereiten wir weitere Angaben und Lösungen vor. Irgendwann haben wir das neuronale Netz +ausreichend trainiert, sodass es jetzt selbst solche Gleichungen lösen kann. + +Eigentlich wissen wir aber, wie man eine quadratische Gleichung löst. Genauso gut könnten wir den folgenden +Algorithmus in einem Programm implementieren:\autocite[Vgl.][10f]{lothar:math} + +\begin{enumerate} + \item Berechne die Diskriminante $D$: + \begin{equation} + D = {(p/2)}^2 - q + \end{equation} + + \item Wenn $D \geq 0$ ist, gibt es zwei reelle Lösungen: + \begin{equation} + x_{1/2} = -\frac{p}{2} \pm \sqrt{D} + \end{equation} + + \item Wenn $D < 0$ ist, gibt es zwei konjugiert komplexe Lösungen:\autocite[Vgl.][676]{lothar:math} + \begin{equation} + x_{1/2} = -\frac{p}{2} \pm j \cdot \sqrt{\left|D\right|} + \end{equation} +\end{enumerate} + +Der Aufwand, dieses Programm, zu schreiben ist viel geringer als die Variante mit der künstlichen +Intelligenz. Was noch viel wichtiger für ein Programm, das mathematische Berechnungen durchführt, ist, +ist, dass wir wissen, dass, wenn der Algorithmus korrekt implementiert ist, er richtige Ergebnisse +liefert. Im Falle des neuronalen Netzes ist es nicht so. Wenn das neuronale Netz komplex genug ist, +können wir nicht mehr nachvollziehen, wie eine bestimmte Berechnung durchgeführt wird, das heißt, wir +können nicht überprüfen, ob der Algorithmus für alle Paare $p$ und $q$ das richtige Ergebnis liefert. +Für die Anwendungsfelder des maschinellen Lernens ist eine solche Genauigkeit auch nicht unbedingt +erforderlich. Wenn ein soziales Netzwerk setzt künstliche Intelligenz ein, um gezielte Werbung +anzuzeigen, dann ist es durchaus vorteilhaft, wenn die Werbung den Nutzer anspricht, aber es ist immer +noch zulässig, wenn die Wahl der Werbung nicht optimal ist. Es genügt, wenn die Werbung +\textit{interessant genug} für den Nutzer ist, oder dass ein gewisser Profit durch sie erreicht wird. + +Künstliche Intelligenz ist keine universelle Lösung für alle Probleme. Sie ist sehr nützlich für +die Auswertung von großen Mengen an Daten und für die Suche nach Mustern in diesen, aber ist noch +nicht fähig abstrakte, e\@.g\@. mathematische Probleme zu lösen. + + \section{Fazit} + +Über viele Fragen lässt es heute nur spekulieren. Können die Maschinen alle Tätigkeiten ausüben, die +die Menschen ausüben? Sind sie eine neue Evolutionsstufe, sodass sie die Menschen eines Tages +verdrängen und überflüssig machen? Oder werden die Maschinen und Menschen weiterhin friedlich +coexistieren? Einige Autoren versuchen bereits diese Fragen zu beantworten. Ich wage heute noch nicht, +auf sie eine Antwort zu geben. Schließlich ist die Entwicklung der Wissenschaft und der Technik +auch von einer Reihe von sozialen, politischen und wirtschaflichen Faktoren mitbestimmt. + +Künstliche Intelligenz und Maschinelles Lernen ist ein junges Konzept, dem viel Aufmerksamkeit von +verschiedenen Siten geschenkt wird. Die Technik und Informatik sind daran interessiert, weil es ermöglicht +neue, selbst „denkende“ Programme zu schreiben; Naturwissenschaften hoffen durch künstliche +auch die menschliche Intelligenz besser zu verstehen; man sieht auch Potenzial, den Menschen noch mehr +vom Last der Arbeit zu befreien, aber man warnt auch vor den Gefahren der Verselbständigung der +Computertechnik oder deren Missbrauch. Naturwissenschaftliche Forschung hatte schon fatale Folgen, sie +ermöglichte zum Beispiel eines Tages die Erschaffung der Atomwaffen, was vielen unschuldigen Menschen +ihr Leben kostete. Doch sie hat auch einen soliden Beitrag zur modernen Medizin und Technik geleistet, +auf die wir uns jeden Tag verlassen. Um die künstliche Intelligenz scheint es ähnlich zu stehen: Es ist +ein kontroverses Thema. diff --git a/themes/templates/default.html b/themes/templates/default.html index b4b125a..80e9bd1 100644 --- a/themes/templates/default.html +++ b/themes/templates/default.html @@ -14,8 +14,6 @@ - - $partial("_includes/scripts.html")$