Unternehmen öffnen sich der Idee des Deep Learning

In dem Film Transcendence spielt Johnny Depp Dr. Will Caster, einen Forscher im Bereich der künstlichen Intelligenz an der University of California, Berkeley, der versucht, einen empfindungsfähigen Computer zu bauen. Stuart Russel ist sozusagen der Will Caster im echten Leben. Er arbeitet wie sein filmisches Abbild im KI- Bereich in Berkeley und ist Co-Autor des maßgeblichen Fachbuchs über künstliche Intelligenz. Zudem äußerte er sich eindringlich zu den Risiken, dass Forschung im Bereich der künstlichen Intelligenz Erfolg hat. Zu Beginn des Jahres brachte DeepMind von Google einem Computerprogramm innerhalb weniger Stunden bei, eine große Auswahl an Atari-Spielen auf einem enorm hohen Niveau zu spielen. Dem Programm wurde kein Hintergrundwissen gegeben, es lernte jedes Spiel von Grund auf. Stuart stellte fest: „Wenn das ein Neugeborenes getan hätte, würde man denken, es wäre besessen“. Sollten wir beeindruckt oder besorgt über solch einen Fortschritt sein?

Die Geheimzutat

Das Geheimnis hinter dem Erfolg von DeepMind ist Deep Learning, ein aufregender und sehr lebendiger Teil des maschinellen Lernens. Maschinelles Lernen treibt die nächste Revolution in Datenverarbeitung an. Statt einen Computer mühsam per Hand zu programmieren, eine Aufgabe auszuführen, bringen wir den Computer einfach dazu, zu lernen, die Aufgabe zu lösen. Spiele sind ein besonders guter Bereich, in dem man maschinelles Lernen anwenden kann. Es gibt sehr genaue Regeln, die man einhalten muss. Es ist einfach, herauszuarbeiten, wer gewinnt und der Computer kann seine Leistung selbständig laden, indem er sich selbst millionenfach spielt. Deep Learning ist jedoch zu viel mehr gut als zu lernen, wie man Spiele spielt. Es wandelt um, wie Computer eine Rede in einen Text übertragen, Bilder erkennen, Suchergebnisse einordnen, und viele andere Aufgaben durchführen, die Intelligenz erfordern. Deep Learning benutzt ein „tiefes“ neurales Netzwerk, welches lose am Beispiel des menschlichen Hirns modelliert ist. Es ist „tief“, weil es ein halbes Dutzend Schichten besitzt. Diese Schichten sind entscheidend für den Erfolg. Sie erlauben dem neuralen Netzwerk, bestimmte Merkmale auszuwählen. Bei der Bilderkennung können die Schichten bestimmte Merkmale wie Ecken und Kanten ausmachen. Ebenfalls entscheidend für den Erfolg sind die Datenmenge und die Rechenleistung. Deep Learning braucht viele Beispiele, von denen es lernen kann. Und das Lernen selbst wird oft auf mehreren spezialisierten Grafikprozessoren ausgeübt (GPUs).

Für was ist es nicht geeignet?

Deep Learning ist dem Anschein nach eine wichtige Komponente für die künstliche Intelligenz. Jedoch ist es unwahrscheinlich, dass es alle Belange der künstlichen Intelligenz lösen können wird. Deep Learning hat vor allem bei tiefergehenden Aufgaben wie der Sprach- und Bildverarbeitung seine Stärken. Bei komplexeren Aufgaben oder bei Aufgaben, die strategisches Denken erfordern, stellt die Anwendung eine Herausforderung dar. Man denke nur an die Planung des Baus einer Fabrik oder daran, ein komplexes mathematisches Problem zu lösen. Das Programm von DeepMind hat gelernt, einfache reaktive Spiele wie „Pong“ und „Space Invaders“ zu spielen. Aber es hat sich bei „PacMan“ nicht besonders gut angestellt, da hier im Umgang mit den Gegnern in Gespensterformat vorausschauend gedacht werden muss. Hier sind weitere Herausforderungen zu nennen. Deep Learning erfordert beispielsweise eine Menge an Daten. Menschen hingegen lernen im Vergleich dazu bereits anhand einiger weniger Beispiele. Es gibt viele Bereiche, in denen Lernen schwierig, schmerzlich oder tödlich enden kann. Wir brauchen daher auch Methoden, welche schnell er durchzuführen sind. Deep Learning ist weitestgehend eine Blackbox. Es gibt viele Bereiche, in denen wir vom Computer eine Begründung für seine Schlussfolgerungen haben wollen oder er seine Antwort rechtfertigen muss. Schließlich gibt es auch viele Bereiche, in denen wir eine Garantie brauchen: Das Programm für die Luftsicherung sollte auf keinen Fall den gleichen Luftraum für zwei Flugzeuge freigeben. Das selbstfahrende Auto sollte immer an einer roten Ampel halten. Deep Learning bietet von Hause aus keine solche Garantie. Nichtsdestotrotz gibt es immer mehr Firmen, die mit der Idee spielen, neue Dienstleistungen mit Hilfe von Deep Learning aufzubauen. Es spielt sicher eine kritische Rolle bei selbstfahrenden Autos, wenn man Suchergebnisse einstufen möchte oder Produkte empfehlen, Spam-Mails identifizieren, mit Aktien handeln oder medizinische Aufnahmen interpretieren will.

Wohin wird das alles führen?

Deep Learning verwendet tausende von Neuronen und Millionen an Verbindungen. Doch das menschliche Gehirn verfügt über Milliarden Neuronen und viele Billionen Verbindungen. Es bleibt eine große wissenschaftliche und technische Herausforderung, wenn man auf die Größe des menschlichen Gehirns kommen möchte. Nach allem, was wir bisher kennen, ist das menschliche Gehirn das komplexeste System im ganzen Universum. Außerdem gibt es noch einen Haufen Probleme zu lösen, wie beispielsweise Bewusstsein oder Emotionen und sie scheinen unmittelbar mit unserer Intelligenz verbunden zu sein. Wir müssen diese nun verstehen oder sie als Silikonmodell nachbilden. Wir sind noch ein gutes Stück von dem Vorbild aus Transcendence entfernt: Der technischen Singularität, also dem Moment, in dem Computer anfangen, sich selbst zu verbessern, in einem merklichen Tempo Intelligenz entwickeln und schon bald menschliche Grenzen übersteigen. Viele Wissenschaftler im KI-Bereich zweifeln momentan, ob wir diesen Moment überhaupt erreichen. Sie vermuten eher, dass wir recht bald an unsere wissenschaftlichen, technischen oder andere Grenzen stoßen, was uns daran hindert, der Intelligenz der Maschinen zu entkommen. All das wird uns trotzdem nicht aufhalten, Maschinen zu bauen, die unser Leben verändern werden. Wir müssen jetzt damit anfangen, für die Zukunft zu planen und uns auf die Zeiten vorzubereiten, in der viele Aufgaben automatisiert sein werden. Dieser Artikel erschien zuerst auf „The Conversation“ unter CC BY-ND 4.0. Übersetzung mit freundlicher Genehmigung der Redaktion.


Image (adapted) „Exercise Plays Vital Role Maintaining Brain Health“ by A Health Blog (CC BY 2.0)


ist Professor für Künstlichen Intelligenz an der Universität New South Wales in Sydney. Er ist leitender Forscher eines Projektes zur „Algorithmischen Entscheidungstheorie“ und Redakteur eines der führenden Magazine für Computerwissenschaften.


Artikel per E-Mail verschicken
Schlagwörter: , , , , , , , ,

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert