Move themes files into the root directory

1 files changed, 0 insertions, 717 deletions

diff --git a/themes/posts/2017/12/ki-begriffsklaerung.tex b/themes/posts/2017/12/ki-begriffsklaerung.tex
deleted file mode 100644
index d34d0ed..0000000
--- a/themes/posts/2017/12/ki-begriffsklaerung.tex
+++ /dev/null
@@ -1,717 +0,0 @@
----
-layout: post
-date: 2017-12-25 00:00:00
-tags: Aufsatz
-title: Künstliche Intelligenz. Eine Begriffsklärung
-teaser:
-  <p>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 <em>künstlichen Intelligenz</em>
-  (<em>Artificial Intelligence</em>) und dem <em>maschinellen Lernen</em> (<em>Machine Learning</em>), 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.</p>
----
-	\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.