3 Wie funktioniert KI?

Was machen wir mit den Daten?

Okay, wir haben jetzt Daten als eine Abfolge von Zahlen. Was machen wir nun damit? Die Grundlage Künstlicher Intelligenz ist intelligente Datenverarbeitung. In den meisten Fällen besteht die Leistung der KI darin, eine Reihe von Ausgangsdaten in eine Menge von Ergebnisdaten zu überführen. Das passiert mit einer Reihe von sogenannten Algorithmen.

3.2 Algorithmen

Wie wir sehen, können die Eingabedaten unterschiedlicher Natur sein: Zahlen, Text, Audio, Bilder, Videos, Ortsangaben usw. Manchmal liegen die Daten bereits maschinenlesbar vor, manchmal müssen diese erst noch umgewandelt werden. Durch Digitalisierung können die Eingabedaten alle in Zahlen umgewandelt werden. KI ermöglicht, auf der der Basis der Eingabedaten sinnvolle Entscheidungen zu treffen. Zwischen den Eingabe- und Ausgabedaten gibt es verschiedene „intelligente“ Verfahren, die aus den Eingabedaten neue Daten erzeugen. Die Intelligenz steckt also in den „intelligenten“ Verfahren.

Solche Verfahren der Datenverarbeitung nennen wir Algorithmen. Ein Algorithmus ist eine eindeutige Beschreibung, wie Daten verarbeitet werden sollen. Ein Anwendungsbeispiel, das du in deinem Smartphone oder Laptop vielleicht schon einmal gesehen hast, ist ein Fotofilter, z.B. bei Instagram. Ein Fotofilter liest ein Foto ein und verändert dieses, indem er z.B. die Farben verstärkt oder die Kontraste erhöht. Ein extrem simpler Filter wäre ein Filter, der aus einem Schwarz-Weiß-Bild ein Negativbild macht, also Schwarz und Weiß vertauscht.

Ein Algorithmus, der das Negativbild zu unserem digitalisierten „A“ herstellt, lautet: Nimm die digitalisierten Zahlen des Bildes und wandle jede 1 in eine 0 um und jede 0 in eine 1, oder noch genauer: Gehe zeilenweise durch das Zahlengitter: Immer, wenn du in einem Feld auf einen 0 triffst, mache eine 1 daraus, und wenn du auf eine 1 triffst, mache eine 0 daraus. Das ist natürlich ein sehr simpler Algorithmus, der aber sehr gut funktioniert. Praktisch kann ein Algorithmus in einem Computer beliebig komplexe Berechnungen mit den Eingabedaten anstellen.

Schaubild: Was ist ein Algorithmus? Und Illustration zum Fotofilter (fehlt noch). Es gibt zwei Möglichkeiten, wie Algorithmen uns bei der „intelligenten“ Datenverarbeitung unterstützen:

Regelbasierte Algorithmen und Lernende Algorithmen.

3.2.1 Regelbasierte Algorithmen

Hierbei wird alles Wissen durch ganz klare Regeln in den Prozess vom Entwickler in die Maschine „hineinprogrammiert“, so wie bei dem Negativfilter oben. Das heißt, eine Reihe von unveränderbaren Regeln legt fest, was mit den Ausgangsdaten passieren muss, um zu den Ergebnisdaten zu gelangen. Der Vorteil solcher regelbasierter Algorithmen ist, dass sie sicher und schnell zu einem eindeutigen Ergebnis führen und dass die Art, wie der Algorithmus dort hingekommen ist, einfach nachvollziehbar ist. Ein Nachteil ist, dass jedes neue Wissen explizit in Regeln formuliert werden muss und nur das bereits Einprogrammierte auch wieder verwendet werden kann.

Schaubild (to do)

Ausgangsdaten —> Regeln

Neue Daten —> Regeln —> Ergebnis

3.2.2 Lernende Algorithmen

Hierbei wird das Wissen nicht explizit in den Algorithmus eingeschrieben, sondern es werden Beispiele präsentiert, aus denen der Algorithmus selber „lernt“, was die Ausgabe sein soll. Ein Vorteil dieser lernenden Algorithmen besteht darin, dass diese durch neue Daten immer wieder etwas Neues lernen können. Man braucht keinen Programmierer, der alle Daten in Regeln umformuliert, sodass diese Verfahren viel flexibler sind als vorprogrammierte Systeme.

Schaubild:

Trainingsdaten —> Lernender Algorithmus —> Modell

Neue Daten —> Modell —> Ergebnis

Aus den sogenannten Trainingsdaten entsteht ein Modell. Nach der Trainingsphase kann das Modell verwendet werden, um neue Daten zu verarbeiten.

Beispiel: Ich zeige dem Algorithmus Hunderte verschiedene Bilder von Zahlen. und der Algorithmus entwickelt daraus ein internes Modell.

Etwa so: Ein gerader Strich von oben nach unten entspricht einer 1, ein geschlossener Kreis oder Oval entspricht einer 0 usw.

Nachdem der lernende Algorithmus sich von all den präsentierten Bildern ein Modell gemacht hat, kann man mit dem Modell neue, auch leicht abweichende Bilder von Zahlen richtig einsortieren.

Das Modell kann eine einfache mathematische Formel sein oder eine super-komplizierte Berechnung. Entscheidend ist, dass es die Eingabedaten allein durch Berechnung in Ausgabedaten umwandelt. Wie das genau funktioniert, werden wir in den nächsten Kapiteln an vielen Beispielen sehen.

Wir merken uns:

Die Verfahren, die aus unseren Daten ein Modell trainieren, nennen wir Lernende Algorithmen.

Bei den Lernenden Algorithmen unterscheiden wir drei Formen:

3.2.2.1 Überwachtes Lernen

Ein „Trainer“ sagt der Maschine bei jedem Beispiel, welches die richtigen Ergebnisse sein sollen; und zwar so lange, bis die Maschine es verstanden hat. Bis sie z.B. bei jeder neuen Mail erkennt, ob diese Spam oder kein Spam ist.

3.2.2.2 Unüberwachtes Lernen

Hierbei wendet der Algorithmus statistische Methoden an, um die unstrukturierten Daten in eine neue Ordnung zu bringen, ohne dass ein Mensch dabei „vorsagt“, was richtig oder falsch ist. Damit kann der Algorithmus Zusammenhänge in den Daten entdecken, die der Mensch selbst vorher nicht erkannt hat. Ein Beispiel ist die automatische Zuordnung von Kunden beim Online-Shopping in verschiedene Gruppen durch Analyse des Kaufverhaltens. Das Modell kann danach z.B. Vielkäufer von Gelegenheitsshoppern unterscheiden. (Dazu kommen wir in Kapitel 9.)

3.2.2.3 Verstärkendes Lernen/Reinforcement Learning

Hierbei wird der Algorithmus wie ein Hund dressiert. Mit den Ausgangsdaten probiert der Algorithmus verschiedene Lösungen aus, und je nachdem, ob diese nützlich sind oder nicht, erhält er eine Belohnung oder Bestrafung nach einem Punktesystem. Am Ende wird das gemacht, was am meisten Punkte bringt. Auch dieses Lernen ist eine Form des überwachten Lernens, da ein Trainer über die Punkte entscheidet, die das jeweilige Verhalten bewerten. Beispiele für Verstärkendes Lernen finden wir in Computer-Games, Schachprogrammen und bei automatischen Staubsaugerrobotern. (Das sehen wir uns in Kapitel 10 an.)

3.3 Modelle

Was ist also nun ein Modell? Fürs Erste können wir folgende Definition verwenden:

Ein Modell wandelt Eingabedaten in Ausgabedaten um.

Dabei kann das Modell einen einfachen mathematischen Zusammenhang beschreiben oder ein sehr komplexes Verfahren darstellen, das durch viele Beispiele von Trainingsdaten trainiert wurde.

Beispiel für ein einfaches Modell:

Ich stelle fest, dass eine neue Prepaidkundin in den ersten drei Monaten etwa 25 Euro monatlich für Datenverkehr mit ihrem Handy ausgibt. Ein einfaches Modell, um den Jahresumsatz zu berechnen, wäre nun, den Monatsumsatz mit 12 zu multiplizieren. So erhalte ich als vorhergesagten Jahresumsatz: 25 Euro x 12 = 300 Euro.

Ein komplexeres Modell schaut sich mehrere verschiedene Kunden an, z.B. eine Stichprobe von 300, und stellt fest, dass 100 Kunden etwa 10 Euro im Monat ausgeben, weitere 100 Kunden etwa 20 Euro und noch andere 100 Kunden etwa 30 Euro. Das zugehörige Modell für den Jahresumsatz ist nun komplizierter: Zuerst errechne ich den durchschnittlichen Monatsumsatz der Stichprobe: (100 x 10 Euro + 100 x 20 Euro + 100 x 30 Euro) : 300 = 20 Euro.

Dann multipliziere ich den durchschnittlichen Monatsumsatz mit 12, das ergibt einen Jahresumsatz: 20 x 12 = 240 Euro.

Zum einen ist das zweite Modell besser als das erste, weil es auf der Basis von detaillierteren Kundendaten zustande kommt, zum anderen werden im zweiten Modell drei Typen von Kunden zusammengeworfen, über die man viel mehr herausbekommen könnte, wenn man sie mit einem noch komplexeren Modell als drei verschiedene Kundengruppen betrachten würde.

Ein Modell hilft uns dabei, Vorhersagen zu machen.

Später werden wir z.B. beim Maschinellen Lernen Modelle kennenlernen, die automatisch auf der Basis von Eingabedaten Prognosen über die Ausgabedaten machen können, ohne dass wir eine mathematische Formel dort einprogrammieren müssen. Hier schon mal eine kleine Vorschau, was wir uns dabei anschauen werden: