16 min read

Fortschritte beim maschinellen Lernen machen den aktuellen Höhenflug der KI (Künstliche Intelligenz) möglich und tragen zur Verwandlung etlicher Branchen und vieler alltäglicher Aufgaben bei. Aber wie sieht die Zukunft des maschinellen Lernens aus? 


Künstliche Intelligenz ist heute überall zu finden: Sie steckt in unseren Smartphones und in Sprachassistenten wie Siri und Alexa. In unseren GPS-Systemen zeigt sie uns den schnellsten Weg nach Hause. Und in unseren sozialen Netzwerken präsentiert sie uns personalisierte News-Feeds und gezielte Werbung.

All diese Anwendungen der künstlichen Intelligenz basieren auf maschinellem Lernen (ML), bei dem Algorithmen so konfiguriert werden, dass sie ähnliche kognitive Funktionen verwenden wie das menschliche Gehirn. Diese eigenständige Lernfunktion hat bereits zur Verwandlung etlicher Branchen und vieler alltäglicher Aufgaben beigetragen. Die Vorteile liegen auf der Hand: Anstatt sich bei der Verarbeitung von Informationen und bei den daraus gefolgerten Entscheidungen auf Menschen zu verlassen (was oft zeitaufwendig und kostspielig ist), können Maschinen fast nahtlos die gleichen Einschätzungen vornehmen.

Aber was passiert, wenn maschinelles Lernen den anderen Weg einschlägt – in die Richtung, die gern in den Schreckensvisionen von Science-Fiction-Thrillern ausgemalt wird? Ist eine Zukunft nach dem Vorbild von Ex Machina denkbar, in der maschinelles Lernen das menschliche Lernen übertrifft? Und selbst wenn nicht, welche anderen Konsequenzen müssen wir bei der Entwicklung dieser Technologie berücksichtigen?

KI und die Varianten des maschinellen Lernens

Um maschinelles Lernen zu verstehen, muss es zunächst definiert werden. 1943 entdeckten Wissenschaftler, dass „künstliche Neuronen“ logische Funktionen wie z. B. menschliches Lernen ausführen konnten. Der Begriff „künstliche Intelligenz“ wurde jedoch erst 1956 geprägt, als John McCarthy ihn während einer wissenschaftlichen Konferenz an der Dartmouth University als Oberbegriff für eine Reihe von zukunftsweisenden Forschungsthemen verwendete.

Heute bezieht sich KI auf die allgemeine Fähigkeit einer Maschine, menschliches Verhalten zu imitieren. Dazu gehören Aufgaben wie Sprachverständnis, die Wahrnehmung von Objekten und der Umgebung sowie fortgesetztes Lernen.

Es gibt im Wesentlichen zwei Arten von KI:

Quelle: Ioannis Oikonomou


„Eine der wichtigsten Herausforderungen, mit denen wir heute konfrontiert sind, ist die Notwendigkeit, positive Werte in Systemen zu verankern, die maschinelles Lernen verwenden.“

– Nicholas Davis

Will machine learning surpass human learning?

Eingeschränkte KI

Die KI kann bestimmte Aspekte der menschlichen Intelligenz umsetzen, andere dagegen nicht. Die konkreten Fähigkeiten, die eine solche KI besitzt, sind jedoch besonders gut entwickelt. Ein Beispiel dafür ist die AlphaGo AI von DeepMind. Sie kann den Weltmeister im Go-Spiel besiegen, aber nicht viel mehr als das.

Generelle KI

Die KI weist alle Merkmale menschlicher Intelligenz auf. Sie kann argumentieren, planen, abstrakt denken und aus Erfahrung lernen. Von der eingeschränkten KI bis hierher ist es großer Schritt, der bisher noch nicht vollständig umgesetzt werden konnte.

„Forscher gehen von einer 50 %igen Chance aus, dass KI den Menschen innerhalb von 45 Jahren bei allen Aufgaben übertreffen wird.“

 – Grace et al., 2017, When Will AI Exceed Human Performance? Evidence from AI Experts

Die Rolle des maschinellen Lernens

Maschinelles Lernen unterstützt die Ziele der KI. Es ist nicht der einzige Weg, KI zu erreichen, aber bisher der erfolgreichste.

Das bedeutet, dass es auch möglich ist, KI ohne maschinelles Lernen aufzubauen. Denken Sie nur an Ihre eigene Intelligenz. Natürlich macht die Mustererkennung einen Teil dessen aus, wie Sie sprechen, rechnen und lesen gelernt haben. Aber diese Art des Lernens muss auch mit Experimenten, Entscheidungsfindung und Emotionen kombiniert werden, um ein erfolgreiches Ganzes zu ergeben. Ebenso erfordert KI – insbesondere generelle KI – mehr als nur Algorithmen, Entscheidungsbäume und Daten.

In diesem Sinne kann maschinelles Lernen als clevere Datenverarbeitungstechnik betrachtet werden. Der Begriff „maschinelles Lernen“ (machine learning) wurde 1959 von Arthur Samuel geprägt, der es als „die Fähigkeit, ohne explizite Programmierung zu lernen“ definierte. Anstatt detaillierte Anweisungen zu erhalten, wird der Algorithmus der Maschine so konfiguriert, dass er selbst Anpassungen und Optimierungen vornimmt, um Daten besser zu verarbeiten. Maschinen finden eine Lösung auf der Grundlage der Daten, die sie zur Verfügung haben.

Maschinelles Lernen ermöglicht es Softwaretechnikern, Daten optimal auszuschöpfen, ohne die Maschinen so programmieren zu müssen, dass sie vorgeschriebenen Pfaden folgen.

Es gibt verschiedene Variationen des maschinellen Lernens. Es sind dies:

Lernen anhand von Wissensrepräsentation

Hierbei werden Systeme so konzipiert, dass sie automatisch die Repräsentationen ermitteln, die für die Datenklassifizierung oder -erkennung erforderlich sind. Es gibt verschiedene Formen des Lernens anhand von Wissensrepräsentation:

Hierbei handelt es sich vorwiegend um Mustererkennung. Dazu müssen Daten korrekt gekennzeichnet werden. Die Kennzeichnung erfolgt in der Regel durch Menschen, um eine hohe Datenqualität zu gewährleisten. Ein Beispiel wäre ein Computer, der versucht, den Unterschied zwischen einem Apfel und einer Apfelsine zu erlernen. Jedes Bild wird entsprechend als „Apfel“ oder „Apfelsine“ gekennzeichnet. Die Maschine erlernt den Unterschied, d. h., der Algorithmus kann bisher unbekannte Bilder als „Apfel“ oder „Apfelsine“ klassifizieren.

In diesem Fall gibt es keine Kennzeichnung. Der Algorithmus sucht nach Strukturen innerhalb der Daten. Wenn er Beispiele gefunden hat, die einander ähnlich sind, gruppiert er sie in „Clustern“, aus denen er lernen kann. 2012 erzielte Google beispielsweise einen bedeutenden Durchbruch: Es gelang, die Computer des Unternehmens zu schulen, Katzen in YouTube-Videos zu erkennen.

Beim bestärkenden Lernen ermittelt der Algorithmus die beste Lösung anhand des Versuch-und-Irrtum-Prinzips. Er baut sein „Wissen“ durch eine Reihe von Konfigurationsbeispielen auf (z. B.: diese Aktion war positiv, diese Aktion war negativ). Ein Computer, der seine Schachkünste mit jedem Spiel verbessert, ist ein Beispiel für bestärkendes Lernen.

Deep Learning

Deep Learning bezieht sich auf einen Lernprozess mit einer Reihe von verborgenen Schichten in einem künstlichen neuronalen Netzwerk (KNN). Diese Schichten ahmen die biologische Methode nach, mit der das menschliche Gehirn Informationen verarbeitet – etwa die Umwandlung von Lauten in Spracherkennung oder von Bildern in Informationen. Innerhalb des KNN gibt es Schichten und Verbindungen zu anderen „Neuronen“. Jede Schicht ist für das Erlernen eines bestimmten Aspekts einer Aufgabe vorgesehen, und mehrere Schichten werden angewendet, um die komplette Aufgabe abzuschließen.

Unternehmen, die maschinelles Lernen einsetzen

Heute investieren die meisten großen Technologieunternehmen in irgendeiner Form in maschinelles Lernen.

Facebook

Facebook nutzt maschinelles Lernen, um Benutzeraktionen vorherzusagen. Dazu gehören zum Beispiel Einschätzungen, was einem Nutzer vermutlich „gefällt“ und auf welche Beiträge er klicken wird. Maschinelles Lernen wird außerdem eingesetzt, um den News-Feed abzurufen und Empfehlungen zu geben.

Google

Google wird häufig als das fortschrittlichste Unternehmen im Bereich KI und maschinelles Lernen angesehen. Neben den kontinuierlichen Übernahmen von KI-Startups bietet Google Entwicklern eine Reihe von cloudbasierten Tools an, um weitere Entwicklungen auf diesem Gebiet zu fördern. Ein Beispiel hierfür ist das Google Cloud Machine Learning Tool.

Microsoft

2017 erwarb Microsoft den Deep-Learning-Startup Maluuba und beschrieb ihn als „eines der eindrucksvollsten Deep-Learning-Forschungslabore für das Verständnis natürlicher Sprache“. Microsoft hofft, dass es mit dieser Übernahme seine Fortschritte bei der Schaffung vollständig sprachkundiger Maschinen vorantreiben kann.

Der Datenwissenschaftler Kenji Doi verwendete AutoML Vision von Google, um eine KI so zu konfigurieren, dass sie erkennen konnte, aus welchem Restaurant das Foto eines bestimmten Nudelgerichts kam.

Er sammelte rund 1.170 Fotos aus allen 41 Restaurants der Kette Ramen Jiro in Tokio. Diese Fotos gab er dann in die KI-Software ein. Es dauerte etwa 24 Stunden, AutoML mit den Daten zu konfigurieren. Anschließend war das Modell in der Lage, mit einer Genauigkeit von 95 % vorherzusagen, aus welchem Restaurant ein Nudelgericht kam.

Maschinelles Lernen im Vergleich zu menschlichem Lernen

Einfach ausgedrückt könnte man sagen, dass sich menschliches Wissen im Gehirn befindet, während Maschinenwissen auf Servern existiert. Aber die Unterschiede und Ähnlichkeiten zwischen beiden reichen viel weiter.

Künstliche neuronale Netzwerke ahmen menschliche Hirnfunktionen zwar nach, haben jedoch noch nicht den gleichen Intelligenzgrad wie Menschen erreicht. Das liegt daran, dass künstliche Neuronen sich nicht selbst organisieren und in der gleichen Weise anpassen können wie menschliche Neuronen. Darüber hinaus kann maschinelles Lernen nicht so programmiert werden, dass es die spezifischen Merkmale des menschlichen Lernens einschließt.

Eines dieser Merkmale ist Motivation. Als Menschen lernen wir, weil es uns Spaß macht und uns persönlich bereichert. Maschinen dagegen können nur durch externe Belohnungen oder zur Vermeidung negativer Konsequenzen zu etwas motiviert werden.

Machine learning vs human learning

Quelle: Roman Mager


Künstliche neuronale Netzwerke können menschliche Hirnfunktionen zwar nachahmen, haben jedoch noch nicht den gleichen Intelligenzgrad wie Menschen erreicht.

Die Kombination von menschlichem und maschinellem Lernen

Computer können heute riesige Mengen an Informationen speichern und durch überwachtes maschinelles Lernen komplexe Aufgaben ausführen. Einzeln betrachtet übertreffen diese Aufgaben die Kapazität des menschlichen Gehirns um ein Vielfaches.

Aber bisher können Maschinen ihr Wissen nicht anwenden, um auf abstraktere Art zu denken.

Da wir uns jedoch zunehmend auf automatisierte Aufgaben verlassen (schließlich sind die Antworten auf viele unserer Fragen nur einen Google-Klick entfernt), könnte sich das menschliche Lernen ab jetzt anders entwickeln. In den Klassenräumen von morgen können wir weniger Fokus auf das Speichern von Wissen im Gedächtnis und mehr Fokus auf Problemlösung und Kreativität erwarten.

Die Art, in der Kinder lernen, kann Wissenschaftlern Anregungen für die Konfiguration des maschinellen Lernens geben. Eine mögliche Technik ist das physische Lernen.

Forscher an der Indiana University haben herausgefunden, dass unsere Fähigkeit, neue Informationen zu behalten, von unserer körperlichen Beziehung zu ihnen abhängt.

Die Forscher studierten Roboter und Kleinkinder, um zu untersuchen, welche Rolle die Körperhaltung bei der Fähigkeit des Gehirns spielt, Namen den richtigen Objekten zuzuordnen. Bei der Studie wurde nachgewiesen, dass die gleiche Körperhaltung und räumliche Beziehung zu einem Objekt, wenn der Name des Objekts gezeigt und laut genannt wurde, der Schlüssel zur erfolgreichen Verbindung des Namens mit dem Objekt waren.

„Diese Studie zeigt, dass der Körper beim Erlernen von Objektnamen im frühkindlichen Alter eine Rolle spielt und dass Kleinkinder die Körperhaltung im Raum nutzen, um Gedankenverbindungen herzustellen. Die Erstellung eines Robotermodells für die Lernmethodik von Kleinkindern lässt weitreichende Schlussfolgerungen darauf zu, wie das Gehirn junger Menschen funktioniert.“

Linda Smith, Professorin für Psychologie und kognitive Wissenschaften, Indiana University

Müssen wir uns alle Sorgen machen?

Der Wirbel, der derzeit um KI gemacht wird, hat zu großer Angst vor den potenziellen negativen Folgen von maschinellem Lernen geführt. Doch bei dieser Einstellung werden die Vorteile, die das Zusammenspiel von menschlichem und maschinellem Lernen mit sich bringt, nicht berücksichtigt.

Quelle: Stefano Pollio


„Eine der wichtigsten Herausforderungen, mit denen wir heute konfrontiert sind, ist die Notwendigkeit, positive Werte in Systemen zu verankern, die maschinelles Lernen verwenden.“

– Nicholas Davis

Machine learning vs human learning

Singularität: eine mögliche Zukunftsvision

Ein Großteil der Angst vor maschinellem Lernen gilt der Singularität, einem hypothetischen Punkt, an dem KI und Roboter die menschliche Intelligenz übertreffen. Der Begriff ist von der gravitativen Singularität abgeleitet, die im Zentrum eines schwarzen Lochs auftritt, in dem die Gravitationsfelder so unendlich stark sind, dass die Gesetze der Physik aufgehoben werden. 1993 schrieb Vernor Vinge einen Essay, in dem er diesen Begriff auf einen Moment in der Zukunft anwendete, in dem die Intelligenz der Technologie unsere eigene übertreffen und das Leben, wie wir es kennen, für immer verändern wird. Dieses Thema bildet die Grundlage vieler Science-Fiction-Geschichten (und in der Regel gehen sie nicht gut aus).

Multiplizität: der heutige Status

Hierbei arbeiten Menschen und Maschinen zusammen an der Lösung von Problemen. Multiplizität existiert nicht in der Science-Fiction-Welt, sondern schon heute in vielen intelligenten Systemen. Menschen sind für Multiplizität unverzichtbar. Verschiedene Gruppen von Personen interagieren dabei mit verschiedenen Gruppen von Computern, um Sprachen zu übersetzen, Buchempfehlungen zu geben und Tags für Bilder und Videos vorzuschlagen. Diesen Ansatz verfolgen viele Forscher beim maschinellen Lernen.

Im März 2018 veröffentlichte das Weltwirtschaftsforum eine Abhandlung darüber, wie Entwickler die Diskriminierung von Menschen beim maschinellen Lernen verhindern können. Darin wurde dargelegt, dass maschinelles Lernen aufgrund der verzerrten Daten, auf denen seine Konfiguration basiert, das Potenzial birgt, bestimmte Gruppen weiter auszugrenzen und zu diskriminieren, wenn nicht die notwendige Sorgfalt angewendet wird.

Die wichtigste Empfehlung besteht darin, Diskriminierung vermeiden, indem Entwickler und Unternehmen vier Schlüsselprinzipien übernehmen:

  • Aktive Einbeziehung
  • Fairness
  • Recht auf Verständnis
  • Zugang zu Wiedergutmachung

„Eine der wichtigsten Herausforderungen, mit denen wir heute konfrontiert sind, ist die Notwendigkeit, positive Werte in Systemen zu verankern, die maschinelles Lernen verwenden. Dazu müssen wir genau verstehen, wie und wo wir Systeme verzerren, und innovative Methoden entwickeln, um Menschen vor Diskriminierung zu schützen.“

Nicholas Davis, Leiter des Bereichs Gesellschaft und Innovation, Mitglied des Leitungsgremiums im Weltwirtschaftsforum

Die Zukunft des maschinellen Lernens

Mensch und Maschine müssen sich gemeinsam weiterentwickeln, nicht separat. Intelligentere Maschinen steigern auch unsere menschlichen Fähigkeiten. Genau wie die Druckerpresse den Wissens- und Kenntnisstand im 15. Jahrhundert demokratisierte, erfüllen Computer mit KI jetzt die gleiche Funktion.

Doch mit der Weiterentwicklung des maschinellen Lernens müssen wir auch verschiedene komplexe und weitreichende Fragen nach den Auswirkungen dieser Technologie stellen. Wie können wir sicherstellen, dass maschinelles Lernen nicht die systemischen Verzerrungen aus vorhandenen Datensätzen übernimmt? Und wie können wir gewährleisten, dass Menschen in einer Welt ohne Arbeit weiterhin einen Sinn finden?

Denn während wir uns noch an die eingeschränkte KI gewöhnen, wird unter Umständen bereits die generelle KI verwirklicht. Und sobald sie erreicht ist, stellt superintelligente KI die nächste Hürde dar. Hoffen wir, dass eine intelligente Maschine uns helfen kann, diesen bedeutsamen Schritt zu bewältigen.