Künstliche Intelligenz & Machine Learning

Computersysteme, die auf Augenhöhe mit Menschen arbeiten und diese bei schwierigen Aufgaben unterstützen können. Starke KI hat das Ziel, menschliche Problemlösungskreativität, Selbstbewusstsein und Emotionen abzubilden. Stand der Technik und in naher Zukunft kann die Form der starken Künstlichen Intelligenz technisch noch nicht abgebildet werden. Dieser Zeitpunkt wird als Singularität bezeichnet.

Menschliches Denken und technische Anwendungen werden bei konkreten Anwendungsproblemen unterstützt. Schwache KI fokussiert auf die Lösung konkreter Anwendungsfälle durch Simulation von Intelligenz durch Methoden der Informatik, der Statistik und der Mathematik. Im industriellen Bereich finden wir nur Anwendungen, die der schwachen Künstlichen Intelligenz zugeordnet werden können (lernende Intelligenz der Stufe I2).

• Induktives Schließen basiert auf Beobachtungen und der intuitiven Annahme, dass auf Basis dieser Beobachtungen (stets mit begrenzter Anzahl) auf eine Grundgesamtheit geschlossen werden kann (Lernen auf Daten, z. B. beim Maschinellen Lernen). Diese Ergebnisse sind allerdings stets statistisch bzw. wahrscheinlichkeitsbehaftet. Wird z. B. mit der empirischen Modellbildung bei der Blackbox-Methode angewendet.
• Deduktives Schließen erfolgt auf Basis von als wahr definierten Prämissen durch logisches Schlussfolgern, insbesondere in der Mathematik. Wird z. B. mit der analytischen Modellbildung bei der Whitebox-Methode angewendet.

• Symbolische Ansätze: Das Wissen, sowohl die Beispiele als auch die induzierten Regeln sind explizit bekannt (repräsentiert). Unterschieden wird zwischen aussagenlogischen (z. B. ID3, C4.5) und prädikatenlogischen (Anwendung in der induktiven logischen Programmierung) Systemen.
• Nicht-symbolische (sub-symbolische) Ansätze: Ein berechenbares Verhalten wird zwar „antrainiert“, jedoch besteht kein Einblick in die erlernten Lösungswege. Das Wissen ist implizit repräsentiert, z. B. bei künstlichen neuronalen Netzen.

• Vertreter: Delta-Lernregel (einfaches Verfahren); Backpropagation-Lernregel, LSTM-Netze (Long Short-Term Memory) und CNN (Convolutional Neural Networks, Neuronale Faltungsnetzwerke), diese stellen die Idee des Deep-Learning-Systems dar.
• Teilüberwachtes Lernen (semi-supervised learning): Nur für einen Teil der Eingaben sind die dazugehörigen Ausgaben bekannt.

• Vertreter: Q-Learning.
• Aktives Lernen (active learning): Der Algorithmus kann für einen Teil der Eingaben die korrekten Ausgaben zu erfragen. Dabei muss der Algorithmus die Fragen bestimmen, welche einen hohen Informationsgewinn versprechen, um die Anzahl der Fragen möglichst klein zu halten.

• Vertreter: Hebb´sche Lernregel (ältestes Lernverfahren), Competitive Networks und SOM-Lernregel (Selbst-Organisierende Merkmalskarten); die beiden letztgenannten Verfahren zeigen, wie Lernen in der KI funktionieren kann.
• Clustering-Verfahren: Die Daten werden in mehrere Kategorien eingeteilt, die sich durch charakteristische Muster voneinander unterscheiden. Das Verfahren erstellt somit selbständig Klassifikatoren (Zugehörigkeitsbildung), nach denen es die Eingabemuster einteilt.
• Hauptkomponentenanalyse (Dimensionsreduktion, PCA): Das Verfahren verzichtet auf die Kategorisierung. Es zielt durch Komprimierung darauf ab, die beobachteten Daten in eine einfachere Repräsentation zu übersetzen, die sie trotz drastisch reduzierter Information möglichst genau wiedergibt.

• Batch-Lernen: alle Eingabe/ Ausgabe-Paare werden gleichzeitig trainiert
• Kontinuierliches (sequenzielles) Lernen: die Eingaben werden zeitlich versetzt bzw. nacheinander verarbeitet
• Offline-Lernen: das Training wird auf einem feststehenden Datensatz durchgeführt, der sich nicht verändert
• Online-Lernen: die Eingaben erfolgen auch sequenziell, werden aber sofort verarbeitet

Künstliche neuronale Netze (KNN) bestehen aus künstlichen Neuronen, die entweder eine lineare oder eine nicht-lineare mathematische Funktion darstellen. Sie sind Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der künstlichen Intelligenz dar. Künstliche Neuronen haben biologische Neuronen als Vorbild.

Dies sind die einfachsten Strukturen von KNN. Sie besitzen keine versteckten Schichten. Die feedforward-Eigenschaft besagt, dass Neuronenausgaben nur in Verarbeitungsrichtung geleitet werden und nicht durch eine rekurrente (rückgekoppelte) Kante zurückgeführt werden können (azyklischer, gerichteter Graph).

Rekurrente Netze besitzen im Gegensatz zu feedforward-Netzen auch rekurrente (rückgerichtete) Kanten und enthalten somit eine Rückkopplung. Solche Kanten werden dann häufig mit einer Zeitverzögerung versehen, sodass bei einer schrittweisen Verarbeitung die Neuronenausgaben der vergangenen Zeiteinheit wieder als Eingaben angelegt werden können. Diese Rückkopplungen ermöglichen ein Verhalten, das dynamisch in der zeitlichen Abfolge der Datenpunkte ist und statten das rekurrente Netz mit einem Gedächtnis aus.

Deep Learning ist der Oberbegriff für alle künstlichen, neuronalen Netze, die verdeckte Schichten benutzen (z.B. mehrschichtige feedforward-Netze, Convolutional Neural Network (CNNs), rekurrente, neuronale Netze) usw.). Durch die freie Verfügbarkeit von Deep-Learning-Frameworks und bereits vortrainierter Netze ist Deep Learning für den Einsatz in der Industrie prädestiniert. Dabei wird der Einsatz nicht nur auf die Verarbeitung von perzeptuellen Daten wie Videos, Bilder oder Sprache beschränkt bleiben.

• Big Data: steht für das Verarbeiten großer, heterogener Datenmengen aus verschiedenen Quellen, deren Geschwindigkeit und Datentypen.
• Small Data: wird in den nächsten Jahren immer wichtiger, da nicht für alle Anwendungsfälle Big Data-Quellen zur Verfügung stehen, aber auch diese Daten als Grundlage für KI dienen sollen.