Künstliche Intelligenz

In der Informatik ist ein Algorithmus eine genaue Berechnungsvorschrift zur Lösung einer Aufgabe. Ein Lernalgorithmus (oder selbstlernender Algorithmus) ist ein Algorithmus, der Beispieldaten (Lerndaten oder Trainingsdaten) erhält und ein Modell für die gesehenen Daten berechnet, das auf neue Beispieldaten angewendet werden kann.

Data Science ist ein interdisziplinäres Wissenschaftsfeld, das sich mit Methoden, Prozessen und Algorithmen zur Extraktion von Erkenntnissen aus strukturierten und unstrukturierten Daten beschäftigt. Im Berufsfeld von Data Scientists sind Kenntnisse aus den Bereichen Mathematik, Betriebswirtschaftslehre, Informatik und Statistik erforderlich. Data Scientists identifizieren und analysieren verfügbare Datenressourcen, eruieren Bedarfe und entwickeln Konzepte, um die Daten gewinnbringend zu nutzen.

Das Fraunhofer IAIS bietet Data-Scientist-Schulungen an.

Foundation Modelle bzw. Large Language Models (LLM) sind große Sprachmodelle mit Milliarden von Parametern, die auf riesigen Datensätzen trainiert werden. Dabei setzt man auf »selbstüberwachtes Lernen«, also Lernen, das auch ohne Annotationen auskommt. Beispiele solcher Modelle sind ChatGPT, GPT-4 oder BARD und sorgen für öffentlichkeitswirksame Resultate und breite gesellschaftliche Diskussionen.

Einerseits kann man sie für spezifische Aufgaben mit gelabelten Daten feinjustieren. Andererseits können große Modelle auch direkt Aufgaben erledigen, indem man einen Auftrag formuliert und diesen gegebenenfalls mit ein paar Beispielen erläutert. Klare Vorteile liegen in der hohen Flexibilität für die Anwendung solcher Modelle. Nachteile umfassen neben der enormen Rechenleistung, die momentan noch für das Training notwendig ist, die assoziative Arbeitsweise der Modelle, die plausible Formulierungen suchen und nicht an lexikonhafter Faktentreue orientiert sind. Bei genauerem Prüfen fallen manchmal Inkonsistenzen und durcheinandergewürfelte Informationen auf. Weiterhin ist meist völlig unklar, wie die Modelle zu ihren Ergebnissen gekommen sind. Eine Transparenz und Nachvollziehbarkeit ist in Fällen von kritischen Entscheidungen, wie z. B. im Gesundheitswesen, aber von elementarer Bedeutung. Trotz des jetzt schon enormen Potentials von LLMs stellen sich also nach wie vor wichtige Forschungsfragen zu deren Trainierbarkeit, Verlässlichkeit und Fairness.

Künstliche Intelligenz (engl. Artificial Intelligence) ist ein Teilgebiet der Informatik, und befasst sich damit, wie ein Computer intelligentes, menschliches Verhalten nachahmen kann. Dabei ist weder festgelegt, was »intelligent« bedeutet, noch welche Technik zum Einsatz kommt. Eine der Grundlagen der modernen Künstlichen Intelligenz ist das Maschinelle Lernen. In Fachkreisen wird zwischen Starker KI und Schwacher KI unterschieden.

Schwache KI setzt KI-Methoden zur Lösung eng umrissener Aufgaben um. Während sie in einzelnen Bereichen, wie z.B. der Bildanalyse, menschliche Fähigkeiten bereits übertreffen kann, erreicht Schwache KI bei weiter gefassten Aufgaben im größeren Kontext oder bei Aufgaben, die Weltwissen erfordern, bei weitem nicht das gleiche Niveau. Alle derzeitigen KI-Lösungen sind Beispiele Schwacher KI und haben einen begrenzten Horizont: Eine Künstliche Intelligenz, die Bilder erkennen kann, kann nicht zwangsläufig auch Schach spielen.

Starke KI steht für die Vision, mit KI-Techniken menschliche Intelligenz in vollem Umfang und außerhalb einzelner, eng definierter Handlungsfelder nachzubilden. Starke KI findet man bisher nur in Science Fiction. Seit Künstliche Intelligenz in den 1950er Jahren entstand, gab es Prognosen, dass eine Starke KI in wenigen Jahrzehnten realisierbar wird.

Hybride KI kombiniert datenbasiertes Maschinelles Lernen, Welt- bzw. Expert*innenwissen und logisches Schlussfolgern. Wissen und die jeweiligen Schlussfolgerungen werden direkt in den Lernprozess eingebracht, um beispielsweise die menschliche Fähigkeit nachzubilden, Bedeutungen aus dem Kontext heraus korrekt zu verstehen und das KI-System insgesamt robuster auszugestalten.

Nur vertrauenswürdige KI-Anwendungen garantieren IT-Sicherheit, Kontrolle, Rechtssicherheit, Verantwortlichkeit und Transparenz. Aus diesem Grund werden unternehmensintern, auf gesellschaftlicher und politischer Ebene Leitlinien für eine ethische Gestaltung von Künstlicher Intelligenz erarbeitet. Diese fokussieren beispielsweise die Dimensionen Ethik und Recht, Fairness, Autonomie und Kontrolle, Transparenz, Verlässlichkeit, Sicherheit und Privatsphäre.

Maschinelles Lernen (engl. Machine Learning) bezweckt die Generierung von »Wissen« aus »Erfahrung«, indem Lernalgorithmen aus Beispielen ein komplexes Modell entwickeln. Das Modell, und damit die automatisch erworbene Wissensrepräsentation, kann anschließend auf neue, potenziell unbekannte Daten derselben Art angewendet werden. Immer wenn Prozesse zu kompliziert sind, um sie analytisch zu beschreiben, aber genügend viele Beispieldaten – etwa Sensordaten, Bilder oder Texte – verfügbar sind, bietet sich Maschinelles Lernen an. Mit den gelernten Modellen können Vorhersagen getroffen oder Empfehlungen und Entscheidungen generiert werden – ganz ohne im Vorhinein festgelegte Regeln oder Berechnungsvorschriften.

»Machine Learning« ist eine der Kernkompetenzen am Fraunhofer IAIS. 

Informed Machine Learning beschreibt den Ansatz, die Berechnungen eines ML-Modells durch Nutzung von Weltwissen oder gut verstandenen Komponenten transparent zu gestalten, sodass die durch das Modell getroffenen Entscheidungen besser von Menschen nachvollzogen werden können. Wichtig ist diese Nachvollziehbarkeit etwa, wenn Systeme der Künstlichen Intelligenz in der Medizin eingesetzt werden.

Durch Informed Machine Learning soll eine sogenannte Black Box (in die der Mensch im übertragenen Sinne nicht hineinsehen kann) vermieden werden.

Künstliche neuronale Netze sind Modelle des Maschinellen Lernens, deren Vorbild die natürlichen neuronalen Netze des Gehirns sind. Sie bestehen aus vielen in Software realisierten Schichten von vernetzten Berechnungseinheiten, die als künstliche Neuronen bezeichnet werden. Mithilfe von Beispielen verändert ein Lernalgorithmus die Vernetzung zwischen den Neuronen solange, bis das neuronale Netz gute Ergebnisse liefert. Die Anzahl der Neuronen, Schichten und ihre Verknüpfung untereinander wirkt sich maßgeblich auf die Lösungskompetenz des Modells aus.

Deep Learning bzw. tiefes Lernen beschreibt die Umsetzung eines maschinellen Lernverfahrens in Form eines künstlichen neuronalen Netzes mit mehreren bis sehr vielen Schichten, die aus einer Vielzahl künstlicher Neuronen zusammengesetzt sind. Die Erzeugung der für das Lernen relevanten Merkmale erfolgt selbstständig. Tiefes Lernen ist verantwortlich für die Erfolge in der Sprach- und Text-, Bild- und Videoverarbeitung.

Entscheidend ist, dass Deep Learning insbesondere dann gut funktioniert, wenn besonders große Datenmengen – Big Data – zum Training neuronaler Netze verfügbar sind. Dank seiner langjährigen Erfahrung mit Neurocomputing und Big-Data-Analytics-Lösungen gehört das Fraunhofer IAIS in Deutschland zu den Vorreitern in der Entwicklung von Deep-Learning-Ansätzen für die Industrie.

Quantencomputer basieren ihre elementaren Rechenschritte auf quantenmechanische Zustände – sogenannte Qubits – anstelle der binären Zustände (Bits) in klassischen digitalen Computern. Qubits werden anhand quantenmechanischer Prinzipien verarbeitet, wodurch für manche Anwendungen ein enormer Geschwindigkeitsvorteil erwartet wird. Durch die neuen Rechnerarchitekturen sind auch Potenziale bezogen auf Maschinelles Lernen und somit die Künstliche Intelligenz erkennbar.

Erfahren Sie mehr zum Thema Quantencomputing am Fraunhofer IAIS.