Künstliche Intelligenz in einem Smart Home Gerät

„Ok Google, erzähl mir was über KI“

Künstliche Intelligenz umgibt uns mittlerweile in vielen Bereichen des täglichen Lebens. Teilweise beeindruckend, teilweise kaum wahrnehmbar im Hintergrund. Handykameras, die dein Mittagessen erkennen, um es mit passenden Filtern automatisch aufzuwerten, oder Regierungen, die Verkehrssünder per Gesichtserkennung öffentlich an den Pranger stellen. Allein diese zwei Beispiele lassen die Vielfalt an Einsatzmöglichkeiten von KI erkennen.

Ich selbst bin als Entwickler im Jenaer Startup Enginsight tätig. Da wir seit diesem Jahr selbst KI dazu nutzen unsere Software noch smarter zu gestalten, habe ich mich sehr viel mit dem Thema KI auseinandersetzen dürfen. Deshalb will ich euch über die nächsten Wochen mit einer kleinen Blogreihe einen Einblick in die faszinierende Welt von KI, Big Data, neuronalen Netzen und Co. geben. Denn meiner Meinung nach liegt in KI die Zukunft. Und trotz der vielen Chancen, die diese Technologie mit sich bringt, verunsichert diese Technologie schon jetzt einige Menschen, die immer wieder auf die Risiken von KI hinweisen. Ist die Besorgnis um Maschinen, die uns durch ihre Intelligenz beherrschen könnten gerechtfertigt?

Diese Woche wird es einen ersten Einstieg ins Thema geben, bevor wir uns später auf konkrete Umsetzungen verschiedener Modelle, passende Software und unseren persönlichen Nutzen für IT-Security mithilfe von KI beschäftigen.

Personal Assistant – KI im Alltag

Heutzutage ist es für die meisten Menschen in Industriestaaten normal ein kleines Gerät in der Wohnung stehen zu haben, welches auf Zuruf die Temperatur oder das Fernsehprogramm für den Abend angibt. Auch wenn Deutschland in Sachen digitaler Revolution nicht mit anderen Staaten mithalten kann, ist auch hier die Akzeptanz gegenüber Personal Assistants gestiegen. Laut einer Studie des Digital Transformation Institute von Capgemini benutzen bereits 36 Prozent der Deutschen diese digitalen Helfer im Alltag. Auch weil diese stetig leistungsfähiger werden. Doch was genau steckt dahinter? Klar … KI, aber wie genau funktioniert das? Die unkomplizierteste Umsetzung einer künstlichen Intelligenz stellen wohl neuronale Netze dar.

Neuronale Netze – Algorithmen nach menschlichem Vorbild

Das menschliche Gehirn ist faszinierend. Bis heute wissen wir nicht genau wie es funktioniert. Eine Sache, über die wir uns jedoch in diesem Gebilde im Klaren sind, sind Neuronen. Diese kann man sich wie Prozessoren vorstellen, die miteinander verbunden sind. Einige davon sind Eingabeneuronen, welche Umweltumstände erkennen und die Informationen weiterleiten, andere sind Ausgabeneuronen, die getriggert durch einen Input, Aktionen durchführen. Zum Beispiel hören wir den Klingelton unseres Handys (Input) und nehmen es daraufhin in die Hand und nehmen den Anruf an (oder auch nicht). Genau dieses Zusammenspiel von Neuronen machen sich Programmierer beim Aufbau eines neuronalen Netzes zu Eigen. Denn durch diese zusammenhängenden Knoten werden eingehende Informationen weitergeleitet um schließlich ein Ausgabeneuron zu triggern und eine Lösung auszugeben. Neuronale Netze kann man sich als Netzwerk mit mehreren Ebenen vorstellen. Die erste Ebene nimmt die Eingabeinformationen auf, die Letzte stellt die Ausgabe dar. Dazwischen kümmern sich verschiedene Ebenen um die Umwandlung der Eingabeinformationen.

Ein Beispiel für ein neuronales Netz

Ein sehr einfaches Beispiel für die Anwendung eines solchen Netzwerks ist die Erkennung von handgeschriebenen Zahlen. Stellen wir uns ein Bild von 10×10 Pixeln vor. Diese sind zunächst alle schwarz. Dann wird eine Ziffer darauf weiß dargestellt. Weiße Pixel seien gleich 1, Schwarze gleich 0. Ein Eingabeneuron nimmt nun jeweils den Input eines Bits war. Man benötigt also ein Netzwerk mit 10×10 also 100 Eingabeneuronen. Diese leiten ihren Input auf eine weitere Ebene. Je nach Aufbau des Netzwerkes wird der Input nun entsprechend des Wertes auf mehrere Ebenen weitergeleitet. Die letzte Ebene bilden die Ausgabeneuronen. Je nach Input werden diese zu einem gewissen Prozentsatz getriggert. Diese Ausgabeneuronen sind in unserem Beispiel die Ziffern 0 bis 9, also 10 Ausgabeneuronen. Das Neuron mit der höchsten Wahrscheinlichkeit ist der Ausgabewert des Netzwerkes.

Wie man sich vorstellen kann, gibt solch ein Algorithmus am Anfang komplett zufällige Ergebnisse aus. Genau dafür werden Daten benötigt. Je mehr zur Verfügung stehen umso besser, deshalb sind für die meisten Unternehmen Datensammlungen so wertvoll, aber mehr dazu nächste Woche. Diese Daten werden dann benutzt, um den Algorithmus zu trainieren. Zum Beispiel hat man 1000 unterschiedliche Darstellungen einer 5 und erklärt dem Netzwerk jedes Mal, dass es sich tatsächlich um eine 5 handelt. Der Trainingsvorgang reguliert dabei die Stärke der Verbindungen zwischen zwei Neuronen. Durch welche Funktionen das geschieht und wie der genaue Ablauf gestaltet ist, würde hier jedoch vielleicht zu weit führen.

Wenn das Netzwerk gut genug trainiert ist, ist es also dazu in der Lage zu erkennen welche Zahl ihm gezeigt wurde. Ähnlich dazu arbeitet die ursprüngliche Spracherkennung. Diese wandelt unsere Sprache in Daten um. Maschinen sind daraufhin in der Lage zu erkennen, was wir gesagt haben. Jedoch gibt es einen wesentlichen Unterschied zwischen dem Erkennen der Wörter und dem Verstehen des Satzes. Dort stoßen neuronale Netze in ihrer Grundform oft an ihre Grenzen. Eine Weiterentwicklung ist z.B. das LSTM Netzwerk, welches den nächste Schritt zur KI liefern soll.

LSTM – Schritt für Schritt war gestern

LSTM – long short-term memory – ist ein neuronales Netzwerk, das nicht mehr ganz so einfach gestrickt ist wie das zuvor beschriebene. Wie schon der Name sagt, arbeitet dieses Netzwerk mithilfe von einem Memory, also Erinnerungen in gewisser Art.
Auch hier ist wieder der alltägliche Umgang mit Informationen Vorbild. Denn auch wir merken uns Sachen, manchmal besser manchmal schlechter, doch wir können ohne Probleme Rückschlüsse ziehen und die Vernetzung von zum Beispiel mehreren Filmszenen erkennen ohne je wirklich darüber nachzudenken.

Anfänglich kam es zur Entwicklung der sogenannten Recurrent Neural Networks, RNN – wiederkehrend oder auch wiederholend. Durch Schleifen innerhalb des Netzwerks war es ihnen möglich sich Informationen zu „merken“ und zu einem darauffolgenden Zeitpunkt erneut auf diese zugreifen zu können. Der Algorithmus rief sich also öfter hintereinander auf und verarbeitete den vorherigen Output zusätzlich zu neuem Input. So weit so gut oder? Nicht ganz. Denn Informationen sind leider nicht immer schön aneinandergereiht. Wieviel Prozent der Deutschen nutzen noch gleich Personal Assistants? Ja klar haben wir das alle gelesen, doch seitdem prasselte eine Flut von anderen Informationen auf uns ein. Genauso geht es den RNN. Sobald Informationen benötigt werden, die nicht in den Iterationen davor wahrgenommen/erzeugt wurden, hat diese Art von Netzwerk Probleme. Genau dieses Problem geht das LSTM an. Sie wurden nämlich spezifisch dafür entwickelt, Informationen über eine lange Zeitspanne zu behalten.

Auch Google nutzt neuronale Netze

Seit 2015 benutzt zum Beispiel Google Translate eine Software, die auf LSTM Netzwerken basiert. Die Qualität der Übersetzungen ist seitdem enorm gestiegen, da der Kontext mit in die Übersetzung einbezogen wird und nicht mehr einfach nur Wort für Wort übersetzt wird. Eine aktuelle Weiterentwicklung mit noch komplexeren Netzwerken bietet die neueste Version des Google Assistant. Diese ermöglicht es erstmalig eine Art Gespräch aufzubauen. Das Wort Gespräch ist hier mit Vorsicht zu sehen, da dieses immer noch auf einem niedrigen Niveau stattfindet. Aber immerhin merkt sich dein Assistant Informationen über einen gewissen Zeitraum und du kannst ihn erst nach der Route in dein nächstes Urlaubsziel fragen und dann nach dem Wetter dort, ohne erneut zu sagen von wo du den Wetterbericht benötigst.

In den nächsten Jahren wird diese Technik definitiv immer ausgereifter und cleverer werden. Bis zum nächsten Abschnitt müsst ihr euch zum Glück nicht noch Jahre gedulden. Schon nächste Woche geht es genau hier weiter. Falls ihr das Thema neuronale Netze interessant findet und einen genaueren Einblick in das Thema erhalten wollt, besonders zum Hintergrund des Trainings von neuronalen Netzen, kann ich euch wirklich dieses Video empfehlen.

Share this post

Share on facebook
Share on google
Share on twitter
Share on linkedin
Share on pinterest
Share on print
Share on email

Klicke den Bearbeitungs-Button um diesen Text zu verändern. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.

jQuery(window).load(function() { jQuery.each( elementorFrontend.documentsManager.documents, ( id, document ) => { if ( document.getModal && id == 4611) { // It's a popup document document.getModal().on( 'show', () => { console.log( 'src="https://cdn.pipedriveassets.com/web-form-assets/webforms.min.js' ); } ); } }); });

Enginsight ist ein Telekom Techboost Unternehmen