Machine Learning und AI. Eine Einführung.

Künstliche Intelligenz (KI) ist der Schlüssel zur Schaffung von Maschinen, die menschenähnliche Denk- und Lernfähigkeiten aufweisen. Ein Kernstück davon ist Machine Learning. Es ermöglicht Maschinen eigenständig aus Daten zu lernen, ohne explizit programmiert zu werden.

Was bedeutet das genau? Machine Learning trainiert Computer, Muster zu erkennen und darauf basierend Vorhersagen zu treffen. Durch den Zugang zu umfangreichen Datensätzen lernt der Computer, relevante Muster oder Merkmale zu identifizieren, die für seine Aufgaben wichtig sind.

KI wird im Allgemeinen in drei Kategorien unterteilt

Die KI-Landschaft lässt sich grob in drei Kategorien unterteilen, wie unsere Infografik unten zeigt. Die erste Kategorie, «Artificial Narrow Intelligence» (ANI) oder «Schwache KI», ist auf spezifische Aufgaben spezialisiert und aktuell der Praxisstandard. Trotz ihres begrenzten Leistungsspektrums im Vergleich zu zukünftigen KI-Formen, bildet sie die derzeitige Realität der KI-Entwicklung ab.

Die zweite Kategorie, «Artificial General Intelligence» (AGI) oder «Starke KI», ist in der Lage, jegliche intellektuelle Tätigkeiten zu erlernen und auszuführen, die auch Menschen bewältigen können. Diese Form der KI ist noch zukunftsweisend, verspricht aber echte Fähigkeiten, die der menschlichen Intelligenz ebenbürtig sind.

Die letzte Kategorie, die «Artificial Super Intelligence» (ASI), stellt eine Vorstellung von KI dar, die weit über die menschliche Intelligenz hinausgeht und transzendente Leistungen vollbringen kann, die weit über das hinausgehen, was Menschen erreichen können. Dieser Ansatz, oft als «Singularität» bezeichnet, stellt den theoretischen Höhepunkt der KI-Entwicklung dar, an dem künstliche Intelligenz die menschliche Intelligenz überflügeln könnte.

Machine Learning

Machine Learning ist in verschiedene Formen unterteilt: Überwachtes Lernen, Unüberwachtes Lernen und Verstärkungslernen.

Im überwachtes Lernen erhält der Computer markierte Daten, deren korrekte Ausgabe bereits bekannt ist, und lernt, basierend auf den Eingabedaten korrekte Vorhersagen zu treffen.

Im unüberwachtes Lernen lernt der Computer Muster oder Cluster in den Daten zu erkennen, ohne vorher über diese Muster informiert zu werden.

Beim Verstärkungslernen lernt der Computer auf Basis von Feedback zu seinen Aktionen, ähnlich wie ein Kind von seiner Umgebung lernt.

Anwendungsbeispiel: Vorhersage des Kundenverhaltens durch Einsatz von Machine Learning

Ein Anwendungsszenario für Machine Learning könnte die Vorhersage des Kundenverhaltens sein. Angenommen, wir wollen für dich ein Machine Learning Modell entwickeln, das vorhersagt, ob dein Kunde basierend auf seinen demographischen Daten und seinem Online-Surfverhalten mit grosser Wahrscheinlichkeit ein bestimmtes Produkt von dir kaufen wird.

Ein beliebtes Modell für solche binären Klassifizierungsaufgaben ist die logistische Regression. Dieses einfache, aber effektive Modell kann mit «gelabelten» Daten trainiert werden und dann genutzt werden, um die Wahrscheinlichkeit eines Kaufs basierend auf den demographischen Daten und dem Browserverlauf deines Kunden vorherzusagen.

Wenn wir andere Modelle des Machine Learnings für die binäre Klassifizierung anwenden wollen, dann können Entscheidungsbäume, Support-Vektor-Maschinen (SVM) oder neuronale Netze (Deep Learning) in Betracht gezogen werden.

Welches Modell für eine spezielle Aufgabe am besten geeignet ist, hängt von Faktoren wie der Menge der verfügbaren Daten, der Komplexität des Problems und dem gewünschten Genauigkeitsgrad ab.

ChatGPT

ChatGPT ist ein gutes Beispiel für ein System zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), einem Teilbereich der KI. Es wurde von OpenAI entwickelt und basiert auf der GPT (Generative Pre-trained Transformer) Architektur.

Was ist eine GPT-Architektur?

Die GPT-Architektur ist ein KI-Modell, das darauf abzielt, menschenähnliche Sprache zu verstehen und zu erzeugen. Es verwendet eine spezielle Art von neuronalem Netzwerk, den «Transformator», der auf einem grossen Textdatensatz trainiert wird.

Während des Trainings lernt das Modell, die Wahrscheinlichkeit des Auftretens eines Wortes in einem Satz basierend auf den vorhergehenden Wörtern vorherzusagen. Durch diesen Prozess lernt das Modell die Struktur und Muster der Sprache und kann so zusammenhängende und realistische Texte erzeugen

Haben wir als Programmierer bald keine Jobs mehr?

Trotz der beeindruckenden Fähigkeiten der KI ist es unwahrscheinlich, dass sie menschliche Programmierer vollständig ersetzen wird. Programmierung erfordert kreatives Denken, kritisches Denken und die Fähigkeit Probleme zu lösen, die nicht so leicht von Maschinen nachvollzogen werden können.

Darüber hinaus erfordert die Entwicklung und Wartung von KI-Systemen qualifizierte menschliche Programmierer. KI arbeitet nach vordefinierten Algorithmen und Regeln und kann daher nicht eigenständig denken oder kreativ sein wie wir Menschen.