Maschinelles Lernen Künstliche Intelligenz: Was sind programmierte und lernende Systeme?

Im Kontext von Künstlicher Intelligenz spricht man auch von lernenden Systemen. Wo liegen die Unterschiede zu programmierten Systemen und wie funktionieren sie?

Anbieter zum Thema

Spricht man von Künstlicher Intelligenz begegnet man auch der Unterscheidung zwischen programmiertem und lernendem System.
Spricht man von Künstlicher Intelligenz begegnet man auch der Unterscheidung zwischen programmiertem und lernendem System.
(Bild: gemeinfrei / Unsplash)

Ein fest programmiertes System, auch einfacher Agent genannt, kann seine Aktionen nicht durch Erfahrungen verändern, es reagiert immer gleich. Wie in Bild 1.2 unseres Fachbuchs "Künstliche Intelligenz" gezeigt, nimmt es seine Umgebung über Sensoren, wie eine Kamera, wahr und führt anhand vorgegebener Regeln mithilfe von sogenannten Aktuatoren, beispielsweise Greifarmen oder Rädern, bestimmte Aktionen durch ([5] S. 77).

Solch einem System entsprechen die meisten klassischen Softwareprogramme. Zur Erläuterung betrachten wir ein Beispiel aus der Biologie, also im Gegensatz zu einer künstlichen, menschengemachten Intelligenz eine natürliche, durch die Evolution entstandene Intelligenz: einen Mistkäfer, der seinen Weg nach Hause sucht [6].

Was Mistkäfer mit KI zu tun haben

Ausgangspunkt unseres Systems ist der Nistplatz des Mistkäfers (Bild 1.3), den er auf einem gewundenen Pfad verlässt, um nach Futter zu suchen (eine Aktion). Sobald er Futter gefunden hat, kehrt er mit einer weiteren Aktion geradewegs zum Nest zurück. Er weiß genau, wo sein Zuhause ist und nimmt den direkten Heimweg.

Wie macht er das? Es sind verschiedene Methoden denkbar, mit denen der Käfer diese Aufgabe bewerkstelligt. Zwei Möglichkeiten kann man testen, indem man den Käfer auf einen neuen Platz versetzt, sobald er an der Futterstelle ist (Bild 1.4).

Wenn er Wegmarken benutzt, wird er auch so nach Hause finden. Benutzt er die sogenannte Vektororientierung – zählt er also in jedem Wegabschnitt des Hinwegs seine Schritte und bestimmt seine Richtung – wird er nach dem Versetzen nicht nach Hause finden, sondern an einer falschen Stelle enden.

Definition Künstliche Intelligenz:

Wir bezeichnen mit Künstlicher Intelligenz Systeme, die möglichst eigenständig Aufgaben lösen können, indem sie die beste mögliche Aktion in einer bestimmten Situation wählen ([2] S. 34). Welche Fähigkeiten ein solches System benötigt, das möglichst eigenständig Aufgaben lösen will, hängt davon ab, in welchem Umfeld es sich befindet.

Das Experiment mit einem lebenden Käfer ergibt: Versetzt ihn der Experimentator wie in Bild 1.4 angegeben, so landet er an der mit dem Fragezeichen markierten falschen Stelle. Der Käfer benutzt also mit der Vektororientierung ein effizientes Regelwerk für den Rückweg, das sehr gut funktioniert, sofern nichts Unvorhergesehenes passiert. Die Navigation nach Wegmarken dagegen würde Lernfähigkeit voraussetzen, da es nicht möglich ist, alle in der Natur vorkommenden unterschiedlichen Wegmarken im Vorhinein zu programmieren. Der versetzte Käfer findet den Weg nicht zurück: Sein reiskorngroßes Gehirn ist hier nicht ausreichend lernfähig und er kann seine Aktionen nicht an eine neue Situation anpassen. Seine „Programmierung“, entstanden durch Mutation und Selektion, ist kurzfristig unflexibel.

Zur Ehrenrettung von Mistkäfern möchten wir jedoch festhalten, dass sie ihre typischen Probleme in ihrer natürlichen Umgebung seit Jahrmillionen autonom lösen – von einem Experimentator versetzt zu werden, gehört nicht dazu. Damit entsprechen sie unserer obigen Definition von Künstlicher Intelligenz: KI-Systeme sind Systeme, die eigenständig Aufgaben lösen.

Viele Umgebungen erfordern jedoch lernende Systeme, weil eine Vorabprogrammierung auf alle möglichen oder auch nur wahrscheinlichen Zustände der Umgebung nicht möglich ist. Das Erkennen von Verkehrszeichen ist ein Beispiel für die Unmöglichkeit der Vorabprogrammierung, man denke nur an die verschiedensten Möglichkeiten der Verschmutzung. KI-Systemen kann man dagegen beibringen, Verkehrsschilder zu erkennen, selbst wenn sie sehr verschmutzt oder beschädigt sind [7].

Lernelement und Leistungselement ermöglichen Künstliche Intelligenz

Wie bei einem fest programmierten System nimmt auch ein lernendes System, auch lernender Agent genannt, seine Umgebung durch Sensoren wahr und führt mithilfe von Aktuatoren bestimmte Aktionen durch, wie in Bild 1.5 gezeigt ([5] S. 83). Anders als bei fest programmierbaren Systemen sind vor allem das Lernelement und das Leistungselement.

Das Lernelement ist dazu da, Verbesserungen zu erzielen, das Leistungselement wählt die Aktionen aus (Bild 1.5). Das Lernelement verwendet dabei das Feedback aus der

„Kritik“ dazu, um die Ergebnisse des Leistungselements zu bewerten und gegebenenfalls Aktionen abzuändern, damit bessere Ergebnisse erzielt werden. Die „Kritik“ wiederum fußt auf der vorgegebenen Nutzenfunktion des Systems. Der Innovator ist dazu da, Aktionen vorzuschlagen, die zu neuen Erfahrungen führen. Unter Erfahrung verstehen wir hier durch Wahrnehmung und Lernen erworbene Kenntnisse und Verhaltensweisen, allerdings ohne die beim Menschen übliche Verknüpfung mit Emotionen.

Auch hierzu gibt es ein stark vereinfachtes Beispiel aus der Biologie: unsere Maus von Bild 1.1. Sie gelangt im Experiment ins Labyrinth und sucht einen Weg nach draußen zum Käse. Wenn sie in eine Sackgasse gelangt, probiert sie einen anderen Weg. Das führt sie so lange durch, bis sie das Labyrinth überwunden hat. Kommt sie nochmals in dasselbe Labyrinth, erinnert sie sich an den richtigen Weg. Kommt sie in ein anderes Labyrinth, verfährt sie für die Suche genauso und erinnert sich auch dort beim zweiten Mal an den Weg. Mäuse arbeiten nicht mit Vektororientierung wie Mistkäfer, sondern mit rasterförmigen Landkarten und Ortszellen [8].

Ortszellen markieren eine bestimmte Position der Maus auf der mentalen Landkarte, Gitterzellen des Rasters erkennen die Bewegung der Maus auf der Karte. So kann die Maus ihre jeweilige Position und Route erkennen, erinnern und planen. Lern- und Leistungselement arbeiten Hand in Hand. Die Problemlösungsstrategie der Maus ist weitgehend umgebungsunabhängig, da sie in der Lage ist, aus Erfahrungen zu lernen.

Die Maus besitzt also offensichtlich neben Sensoren und Aktoren alle Elemente eines lernenden Systems: eine Nutzenfunktion, zum Beispiel Futter finden, die Kritik am Erreichten übt, ein Lernelement, das Erfahrungen zum Beispiel in Form einer erfolgreichen oder gescheiterten Route durch ein Labyrinth speichert, einen Innovator, der neue Wege vorschlägt und ein Leistungselement, das die vorgeschlagenen Planungsoptionen des Innovators bewertet.

Problemlösungsfähigkeit als Indikator für Intelligenz

Mistkäfer und Maus zeigen also die Unterschiede zwischen lernenden und nicht lernenden Systemen. Beide Systeme – sowohl lernende als auch klassisch programmierte – können sich aber gemäß der oben genannten Definition intelligent verhalten, da sie die anstehenden Aufgaben lösen.

Es bleibt uns anzumerken, dass die technische Realisierung von KI-Systemen mit der Leistungsfähigkeit sowohl von Mistkäfern als auch von Mäusen derzeit nur in Teilbereichen möglich ist.

Hinweis

Dieser Artikel ist ein Auszug aus dem Fachbuch „Künstliche Intelligenz“, das eine fundierte Einführung in die Grundlagen der Künstlichen Intelligenz und der neuronalen Netze bietet. Anhand von Beispielen aus der Unternehmenspraxis werden mögliche Einsatzgebiete aufgezeigt und Wege dargelegt, wie Unternehmen die Potenziale von Künstlicher Intelligenz erkennen und strategisch umsetzen können.

Mehr Infos

Quellen

[2] Russell, S. und Norvig, P. Artificial Intelligence. A modern Approach.

[5] Russel, S. und Norvig, P. Künstliche Intelligenz. Ein moderner Ansatz. Deutsche Übersetzung. New Jersey: Pearson, 2012.

[6] Byrne, M. The dance of the dung beetle. TED Talk, 2012.
https://www.ted.com/talks/marcus_byrne_the_dance_of_the_dung_beetle/transcriptt.
abgerufen am 21.2.2022

[7] Walsh, T. Franken-Algorithms: the deadly consequences of unpredictable code, 2018.
https://www.theguardian.com/technology/2018/aug/29/coding-algorithms-frankenalgos-program-danger
abgerufen am 21.2.2022

[8] Schaefer, M. und Schiller, D. Landkarten im Gehirn. Spektrum der Wissenschaften 2/21. 2021, S. 34-40.

* Christian Greiner studierte und promovierte in Mathematik an der Universität Ulm mit Schwerpunkt auf Entscheidungsprozessen. Seit 2003 ist er Professor und Prodekan für Wirtschaftsinformatik und Management an der Hochschule München. Sein Forschungsinteresse gilt der erweiterten Intelligenz, intelligenten Informationssystemen und der Entrepreneurship-Ausbildung.

* Oliver Mayer studierte an der Technischen Universität München und promovierte an der Universität der Bundeswehr. 2004 wechselte er zur GE-Forschungseinrichtung in München, derzeit ist er Leiter des Spezialisierungsfelds Energie bei der Bayern Innovativ GmbH. Er beschäftigt sich intensiv mit Möglichkeiten der KI im Bereich der Energietechnik.

* Joachim Reinhart studierte Wirtschaftswissenschaften an der Universität Augsburg. Er leitet den Bereich KI und Innovation der arborsys GmbH und unterstützt in dieser Funktion Unternehmen bei der digitalen Transformation. Mit KI beschäftigt er sich seit Anfang der 90er Jahre, u.a. bei der Deutschen Telekom AG sowie als Geschäftsführer eines Beratungsunternehmens.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:47837455)