Künstliche Intelligenz: Vier Bereiche, in denen Sie im Vorteil sind

NACHRICHTEN / KI-TECHNOLOGIE

“Werden Maschinen den Menschen ersetzen?” Man schrieb das Jahr 1940, und Franklin D. Roosevelt machte sich in einer Debatte mit dem Präsidenten des MIT Sorgen über die Auswirkungen von Maschinen auf die Arbeitslosenquote. Sechzehn Jahre später, auf der Dartmouth-Konferenz, wird Künstliche Intelligenz (KI) offiziell in das Pantheon der wissenschaftlichen Disziplinen aufgenommen.

“Werden Maschinen den Menschen ersetzen?” Wir schreiben das Jahr 1940 und Franklin D. Roosevelt debattiert in einer Debatte mit dem Präsidenten der MIT, war besorgt über die Auswirkungen der Maschinen auf die Arbeitslosenquote. Sechzehn Jahre später, auf der Konferenz in Dartmouth, Künstliche Intelligenz (KI) tritt offiziell in das Pantheon der wissenschaftlichen Disziplinen ein. Dieses Mal werden die Roboter die Menschen ersetzen. Es ist nur noch eine Frage von Jahren, vielleicht von Monaten... Sechzig Jahre später sind unsere Berufskollegen immer noch aus Fleisch und Blut, und unsere Ambitionen wurden endgültig nach unten korrigiert. Jüngstes Beispiel: das fahrerlose Auto, das wir vor vier Jahren für 2020 vorausgesagt haben. Ein Ratschlag: Behalten Sie Ihren Führerschein noch mindestens zehn Jahre lang.

Ja, es ist wahrscheinlich, dass ein artificial intelligence eines Tages alles so gut kann wie ein Mensch, wie Geoffrey Hinton, Gewinner des Turing-Preises 2019, vorhersagt. Aber das ist keine Frage von Monaten, nicht einmal von Jahren... Ein halbes Jahrhundert? Ein paar hundert Jahre? Mehr? Es wäre unvorsichtig, auch nur zu raten.

Die Forscher sind mit mehreren großen Hindernissen konfrontiert, die die KI dazu zwingen, in einem “schwachen” Stadium zu bleiben. Im Moment können Algorithmen “spezifische” Probleme lösen, für die wir sie trainiert haben (z.B. Spiele), kurzzeitig sensorische data interpretieren (Sprach- und visuelle Erkennung) und sogar Stimmen, Texte oder Bilder erzeugen, wie Samsung und andere kürzlich demonstriert haben. Das “Deep Learning”, das auf Netzwerken aus künstlichen Neuronen basiert, hat uns in den letzten Jahren einen großen Schritt nach vorne gebracht. Aber nicht nur die Tatsache, dass eine KI in der Lage ist, den Weltmeister im Go-Spiel oder einen Menschen im Schach zu schlagen, macht sie “leistungsstark”. Bitten Sie AlphaGo, sich Ihren Einkaufszettel zu merken, um sich selbst davon zu überzeugen: Sie werden nicht mit viel - wenn überhaupt - in Ihrer Tasche aus dem Supermarkt zurückkehren. Es wird sogar geschätzt, dass der intellektuelle Quotient des heutigen artificial intelligence dem eines vierjährigen Kindes entspricht (ein Ergebnis, das mit Vorsicht zu genießen ist, da die getestete KI speziell für die im Test bewerteten Kompetenzen programmiert wurde). Dennoch ist das Ergebnis für Präsident Roosevelt beruhigend.

Vier große Bereiche beherrscht dieses “vierjährige Kind” noch nicht, und wir Menschen haben ihm gegenüber erhebliche Vorteile:

• Autonome Programmierung und Anpassung. Stellen Sie sich einen Reinigungsroboter vor, der in einem Park putzt. Wenn sein Akku leer ist, wird er nicht in der Lage sein, einen eigenen Plan zu erstellen, um sich aufzuladen. Die Programmierer mussten ein System einbauen, damit er weiß, wie er die Ladezone findet und dorthin kommt. Und wenn diese Zone eines Tages außer Betrieb ist, wird er nicht wissen, wie er sich selbst anpassen kann, es sei denn, ein solcher Fall wurde von den Entwicklern des Algorithmus im Vorfeld vorgesehen - wo ein menschlicher Agent kein Problem damit hätte, sich einen Notfallplan auszudenken, wenn der Sandwich-Laden im Park geschlossen wäre. Mit anderen Worten, in einer unsicheren Umgebung haben unsere artificial intelligences nicht wirklich viel Intelligenz zu bieten. Es stimmt zwar, dass die Kombination aus aktuellen “Deep Learning”- und “Reinforcement Learning”-KI-Techniken unseren Roboter in die Lage versetzt, etwas über sein Umfeld und sogar über die darin stattfindenden Veränderungen zu lernen, aber nur in geschlossenen Umgebungen mit festen und bekannten Regeln, wie z.B. auf den Brettern eines Go- oder Schachspiels - nicht auf einem Autobahnnetz, wo jederzeit das Unerwartete passieren kann.

• Die Fähigkeit, mit weniger Beispielen zu lernen. Stellen Sie sich denselben Roboter in demselben Park vor. Um den sich nähernden Hund als potenzielle Gefahr zu erkennen, hätte der Roboter Millionen von Fotos mit und ohne Hund verdauen müssen, bevor er einsatzbereit war. Denn heute brauchen unsere Algorithmen, egal wie intelligent sie sind, eine riesige Menge an Beispielen, um zu erkennen, was ein Hund, ein Baum oder ein Tisch ist. Ein vierjähriges Kind braucht nicht Tausende oder Millionen von Beispielen von Hunden, um einen Hund zu erkennen. Ein Forschungsansatz, das so genannte “Transfer-Lernen”, würde unseren Roboter in die Lage versetzen, die Umgebung, in der er sich befindet, so vielfältig sie auch sein mag, anhand einer geringeren Anzahl von Beispielen zu erkennen.

• Erklärungsbasiertes Lernen. Heutzutage werden KI-Algorithmen ausschließlich von Beispielen abgeleitet, können aber nicht von einer Konzeptualisierung dessen, was sie gelernt haben, profitieren. Wir können einem Kind sagen, dass ein Panther eine große Katze ist und dass ein Boot keine Beine hat, sonst würde es laufen. Das Kind würde also Panther erkennen und nicht erwarten, dass es ein Foto von einem Boot in kurzen Hosen sieht. Eine Maschine kann das nicht. Sie weiß nicht, wie man einen Panther identifiziert, es sei denn, sie hat bereits zahlreiche Exemplare gesehen, und sie wird sich niemals am Anblick eines Fotos eines Katamarans stören, der herumläuft.

• Erklärbarkeit der Ergebnisse. In den meisten Fällen sind Menschen in der Lage, auf Nachfrage zumindest teilweise zu erklären, warum sie eine Entscheidung getroffen haben und eine andere nicht. Die fortschrittlichsten KIs sind sehr schlechte Lehrer, wenn es darum geht zu erklären, wie sie ein Problem gelöst haben. Das ist besorgniserregend, wenn man bedenkt, dass sie Bankern, Versicherern und Ärzten mehr und mehr zur Hand gehen. Moderne Deep Learning-Algorithmen bestehen aus Millionen von künstlichen Neuronen, die untereinander organisiert sind. Sobald sie trainiert sind, schalten sie in den “Black Box”-Modus: Selbst diejenigen, die sie entwickelt haben, können die Ergebnisse ihrer Funktionsweise nicht einfach interpretieren. Das ist sowohl praktisch (sie können sehr schnell sehr komplexe Probleme lösen) als auch äußerst problematisch: Wie sollen Sie Ihrem Kunden gegenüber eine Kreditablehnung rechtfertigen, die von einem Algorithmus beschlossen wurde? Und wie soll man verstehen, dass dieses fahrerlose Auto sich für ein höchst gefährliches Manöver entschieden hat, bei dem es Sach- oder sogar Personenschäden riskiert? Selbst wenn es die richtige Entscheidung ist, wie kann man einem artificial intelligence vertrauen, wenn es eine Diagnose stellt, die der eines Facharztes widerspricht?

Aufgrund dieser Hindernisse sind die heutigen artificial intelligences eine “schwache” KI, gegenüber der der Mensch im Vorteil ist. Zumal die Forscher mit dem Problem der theoretischen Formalisierung der verwendeten Algorithmen konfrontiert sind. Es gibt zwar einige Theoreme, aber unser Fachwissen beruht immer noch hauptsächlich auf empirischem Wissen und nicht immer auf unumstößlichen mathematischen Theorien. Wir gehen nach dem Prinzip von Versuch und Irrtum vor, wir entwickeln uns weiter, wir modifizieren, um schließlich unsere Ziele zu erreichen. Denn wenn es Maschinen manchmal schwer fällt, Menschen zu verstehen, fällt es auch Menschen schwer, die Funktionsweise ihrer Maschinen zu verstehen.