Deep Learning macht den Computer zum künstlichen Gehirn (Quelle: Sean Batty, Pixabay)

Computer mit Hirn

Sprachsteuerungen wie Alexa und Siri, Facebooks DeepText und der umstrittene Online-Übersetzer haben eins gemeinsam: Deep Learning. Es ist ein Rechenverfahren, das sich am menschlichen Gehirn orientiert und künstliche Intelligenz weiterentwickelt. Doch wie funktioniert das genau? // Giuliano Roper und Lukas Schröter

16.08.2017//In der modernen Datengesellschaft ist Künstliche Intelligenz (KI) eine notwendige Entwicklung. Die Flut an Informationen ist so gewaltig, dass sie von Menschen nicht mehr zu überschauen ist. So setzt Facebook seit Mitte Juni eine KI zum Aufspüren von extremistischen Inhalten ein. Facebook nutzt dabei vier verschiedene Methoden: Zuerst werden Bilder und Videos mit bekanntem extremistischen Material verglichen, darüberhinaus Beiträge auf terroristische Propagandabotschaften durchsucht. Die Software überprüft sozialen Kontakte von auffällig gewordenen Nutzern auf eine ähnliche Gesinnung. Schlussendlich verzahnt die KI noch die anderen sozialen Netzwerke der Facebook Familie wie zum Beispiel WhatsApp.

Anders als der Mensch ist künstliche Intelligenz logisch

Insbesondere die Analyse der Beiträge setzt voraus, dass der Computer den Menschen zu einem hohen Grade versteht. Damit er entscheiden kann, ob ein Video eines Mannes der verstümmelt wird, Gewaltverherrlichung zeigt oder doch nur einen Ausschnitt aus einem Monty Python Film, müsste ein Computer Humor verstehen. Um zu entscheiden, ob der Satz "Das wird voll die Bombe in Berlin" Jugendsprache ist oder eine konkrete Terrorbedrohung darstellt, sollte der Computer in der Lage sein Umgangssprache zu verstehen. Deep Learning soll es einem Computer ermöglichen genau das zu tun. Wie es funktioniert, lässt sich an der Identifizierung von handschriftlichen Zahlen erklären.

Maschinelles Lernen seit den 40ern

Die Anfänge von Deep Learning finden sich in den 1940ern. Damals wurde zum ersten Mal vorgeschlagen, mit einem Netzwerk aus künstlichen Neuronen, Funktionen zu berechnen. Über mehrere Jahrzehnte lag die Theorie brach, da die Komplexität des Netzwerks die verfügbare Rechenleistung übertraf. Erst um die Jahrtausendwende begann sich das Blatt zu drehen. Deep Learning wurde zuerst in der Bilderkennung von Schecks angewendet. Seit der zweiten Hälfte der 2000er dominiert Deep Learning bei der Texterkennung. Möglich wurde diese Entwicklung durch die wachsende Rechenleistung. Diese stieg alle zehn Jahre ungefähr um den Faktor 100.
Künstliche Neuronale Netze im Alltag

Derzeit boomen Sprachsteuerungen mit künstlicher Intelligenz. Amazons Alexa wird in Millionen von Wohnzimmern genutzt und Siri unterstützt noch weit mehr Handynutzer. Laszlo Friedmann ein Experte für Deep Learning vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme (IAIS) sieht in naher Zukunft weitere Anwendungsgebiete: "Ich gehe davon aus, dass die ersten selbstfahrenden Autos in den nächsten fünf Jahren auf den Straßen unterwegs sein werden. Auch in der medizinischen Diagnostik wird durch Deep Learning eine Revolution angestoßen werden". Das Prinzip bleibt dabei immer das Gleiche. Die eingehenden Rohdaten werden von Neuronen erfasst. Diese Neuronen sind mit vielen weiteren Knoten in einem Netzwerk verbunden und geben die gegebenen Daten weiter. Um zu entscheiden, welche Daten relevant sind, lernt der Computer, verschiedenen Werten eine Gewichtung zu geben. In diesen Knoten wird daraus ein Ausgangssignal errechnet. Es funktioniert genau wie im menschlichen Gehirn. Um einen Ball zu fangen, wird aufgrund der Erfahrung die Flugkurve und die Geschwindigkeit eingeschätzt. Die fangenden Hände wären in diesem Fall das errechnete Ausgangssignal. Ob es schließlich menschliche Hände oder die Hände eines Roboters sind, ist da prinzipiell egal.

Die Hürden von Deep Learning

Noch gibt es aber einen gravierenden Unterschied zwischen menschlicher und künstlicher Intelligenz. "Wir können Aufgaben abstrahieren und Erfahrungen von einem Problem auf ein anderes übertragen. Computer sind zu einer solchen Abstraktion nicht in der Lage, sondern auf eine sehr spezifische Aufgabe beschränkt", so Friedmann. Was passiert wenn künstliche Intelligenzsysteme aufgrund dieser Limitation überfordert sind, macht das unrühmliche Ende von Microsofts "Tay" deutlich. Das war ein Chatbot, der lernen sollte sich mit Menschen zu unterhalten. Er wurde in einer gezielten Kampagne mit einer Flut von rassistischen und antisemitischen Beiträgen konfrontiert. Als "Tay" lernte solche Beiträge selbstständig zu verfassen, musste er binnen Stunden wieder abgeschaltet werden. Michael Nielsen, Autor des Buches Neural Networks und Deep Learning, ist hoffnungsvoll, dass Deep Learning langfristig zu einem selbstständig denkenden Computer führen wird. Er schreibt: "Der Schlüssel zur Künstlichen Intelligenz sind simple, bedeutsame Ideen. Und wir können und sollten optimistisch nach ihnen suchen. Wir werden viele von ihnen brauchen und der Weg ist noch weit".

Teaserbild Quelle:  Sean Batty, Pixabay

Giuliano Roper

Giuliano Roper

Lukas Schröter

Lukas Schröter

Kommentar hinterlassen