Prof. Dr. Peter Gentsch

Fast alle heutigen kommerziellen Erfolge von AI-Systemen sind auf Supervised-Learning-Algorithmen zurückzuführen. Dafür werden dem System riesige bereits klassifizierte Datenmengen gezeigt. Auf Basis dieser Evidenz passt das System dann die Verknüpfungsgewichte zwischen den einzelnen Repräsentationspunkten des Problems (die formalen Neurone) automatisch an. So werden einzelne Teilaspekte der Lösung mehr betont als andere. Schließlich setzt das System die Lösung zusammen und übersetzt diese von der Repräsentationskodierung in eine menschlich auswertbare Darstellung. Der Vergleich mit Musterlösungen hilft dem System, das eigene Ergebnis zu bewerten. Durch Penalties oder Rewards, also additive Punktestrafen und -belohnungen, sieht das System, ob der Lernvorgang das gewünschte Ergebnis bringt oder nicht. Ähnlich wie ein Schulkind wird das System belohnt oder bestraft – das Prinzip des Reinforcement Learnings (bestärkendes Lernen).

Der nächste Schritt zur Emanzipation der Systeme in Richtung Human Level AI sind Unsupervised-Learning-Algorithmen die im Anwendungsfall funktionieren. Es geht wie bei Kindern, die ihre Umgebung entdecken und lernen mit dieser zu interagieren, um unbeaufsichtigtes Lernen. Hier steht die Forschung trotz kleiner Durchbrüche in der letzten Zeit noch am Anfang.

Einer der vielversprechendsten Fortschritte im Bereich des Unsupervised Learnings ereignete sich in diesem Jahr: Der Forschergruppe um Anh Nguyen von der Universität Wyoming gelang es, synthetisch generierte hochauflösende Bilder von Vulkanen, Gebäuden und Tieren zu produzieren. Doch sind auch bei dem Training dieser „Plug & Play Generative Networks“ viele bereits klassifizierte Trainingsdaten genommen worden. Aus reinen Rohdaten ist bisher keinem Forscher etwas Ähnliches gelungen.

Lernalgorithmen sind extrem ressourcenintensiv. Es braucht viel Rechenleistung und Zeit, ein System adäquat zu trainieren, da das komplette Netz für jedes Symbol, also für jeden neuen Fakt, neu simuliert werden muss. Auch fehlt bisher ein maschinelles episodisches Gedächtnis (beim Menschen das Langzeitgedächtnis), sodass der Computer alles bisher Erlernte vergisst, wenn ein neuer Lernvorgang abgeschlossen ist. „Learning to learn“ ist sicherlich das entscheidende Mantra zum nächsten Intelligence-Reifegrad. Heute versuchen Menschen noch, dem System den besten Lernalgorithmus vorzugeben. Künftig werden AI-Systeme selbst den besten Weg zum Lernen finden. Auf Basis einer Art Meta-Lernens delegieren wir sozusagen die Bestimmung des optimalen Lern-Algorithmus. Diese Art des AI-autonomen Lernens geht weit über die Lernparadigmen des heutigen maschinellen Lernens und der Narrow Intelligence hinaus. Der „General Problem Solver“ könnte so auch den Weltmeister im Schach, Jeopardy, Go und Mensch „Ärgere Dich nicht“ universell schlagen, indem er selbst immer den besten Lösungsalgorithmus erlernt.

 

Teil 3: „Problematik bei der Entwicklung intelligenter Systeme“ am 22. August auf unserem Newsblog!

Sie interessieren sich dafür, wie Künstliche Intelligenz bei den DATAlovers funktioniert?

Kontaktieren Sie uns jetzt!

Ihr Name

Ihre E-Mail-Adresse


... oder rufen uns unter:+49 (0)6131 327008-0 an.



Ihre Nachricht



Ja, ich bestätige, dass meine Daten verwendet werden dürfen, um mir auch in Zukunft für mich relevante Studien, Analysen oder Marketinginformationen zu senden.
DATAlovers setzt sich für den umfassenden Schutz Ihrer Daten ein. Ihre Angaben werden in Übereinstimmung mit den geltenden Datenschutzgesetzen, unseren internen Richtlinien und unserer Datenschutzrichtlinie verwendet und sicher gespeichert. DATAlovers gibt Ihre personenbezogenen Daten nicht an Dritte weiter, es sei denn, dies ist für die Verwaltung der Veranstaltungen oder Funktionen erforderlich, für die Sie sich registriert haben. Durch den Besuch dieser Seite stimmen Sie der Platzierung von Cookies zu. Weitere Informationen hierzu finden Sie in unserer Datenschutzrichtlinie.