B 6 Maschinelles Lernen – unterwegs Richtung Mensch

Herkömmliche Computer arbeiten mit schematischen Problemlösungsverfahren: Sie bekommen eine Aufgabe (z. B. ein Bild einzufärben) und führen diese Aufgabe nach zuvor programmierten Formeln durch (indem sie Pixel für Pixel prüfen und vordefinierte Farbwerte verändern). Dank einer hohen Rechnerleistung können sie das beeindruckend schnell und sind z. B. in der Lage, ganze Filme optisch zu manipulieren.

Ein solches System arbeitet mit mathematischen Formeln und einer klar definierten Aufgabenstellung. Wesentliche Leistungen menschlicher Intelligenz bleiben so unerreichbar: etwa die Fähigkeit, mit neuen, sich ständig verändernden Situationen umzugehen.

Eine Antwort auf komplexe und sich verändernde Anforderungen ist „Deep Learning“, eine von mehreren Formen maschinellen Lernens. Deep Learning funktioniert auf der Basis von künstlichen neuronalen Netzen, also Rechenarchitekturen, die dem menschlichen Gehirn nachempfunden sind. Das Verfahren kommt heute bereits in verschiedenen Anwendungen zum Einsatz, zum Beispiel bei der Sprachübersetzung oder bei der Umgebungsanalyse in autonom gesteuerten Fahrzeugen.  

Soll ein Computer beispielsweise lernen, in Straßensituationen Menschen zu erkennen, erhält der Rechner in einem ersten Schritt zahlreiche Bilder mit Menschen in unterschiedlichsten Konstellationen, Körperhaltungen, Wetter- und Lichtverhältnissen. Welche Merkmale der Bilder der Rechner nutzt, um das Auftreten von Menschen zu erkennen, ist nicht vorgegeben. Er entwickelt durch tausendfaches Ausprobieren selbst die Parameter, nach denen er Menschen identifiziert.

Nach dieser Trainings- beginnt eine Übungsphase: Bilder mit und ohne Menschen werden importiert. Der Rechner muss nun erkennen, wo sich Menschen befinden. Er erhält eine Rückmeldung über richtige und falsche Ergebnisse, um den Erkennungsprozess zu verfeinern, so lange, bis er zuverlässig in der Lage ist, die Aufgabe zu lösen.

Der Vorteil dieses Verfahrens – dass der Rechner selbst Erkennungsprozeduren entwickelt – ist zugleich ein Nachteil, da nach außen nicht transparent wird, wie ein Ergebnis zustande kommt. Wenn es durch ein autonomes System, das den Luftverkehr steuert oder einen LKW an sein Ziel bringt, zu einem Unfall kommt, wird man unbedingt wissen müssen, welche Entscheidungsprozeduren möglicherweise zum Unfall geführt haben.

Ein weiterer Nachteil sind die enormen Datenmengen, die erforderlich sind, um eine Maschine so weit zu bringen, dass sie die Aufgabe zuverlässig erledigt. Für manche Anwendungen stehen solche Datenmengen nicht zur Verfügung. Auch die Qualität der Testdaten spielt eine Rolle: Soll ein technisches System Bären erkennen, bekommt aber als Trainingsmaterial nur braune und schwarze Bären, wird es später vermutlich keine Eisbären erkennen.

Eigener Text, vgl. auch: Manuela Lenzen, Künstliche Intelligenz. München 20182, S. 48ff.

Aufgaben

• Skizziert, ob und wie sich maschinelles Lernen von den Problemlösungsverfahren eines Schultaschenrechners unterscheidet. Nennt Vor- und Nachteile.

• Maschinelles Lernen ist im Bereich der Bilderkennung sehr erfolgreich. Das Lesen von Texten dagegen bereitet immer wieder Schwierigkeiten. Findet Gründe dafür und nutzt dazu folgende Beispielsätze: „Die Züge entgleisen bei einem Erdbeben.“ – „Die Züge entgleiten ihr, als sie von dem Erdbeben hört.“