Maschinelles und Tiefes Lernen – Treiber der aktuellen KI-Entwicklung

Ein Expertenbeitrag von Prof. Dr. Kristian Kersting und Prof. Dr. Volker TrespIntelligente sprachgesteuerte Assistenten unterstützen uns bei der Navigation, Bilderkennungssysteme interpretieren Röntgenaufnahmen: KI-basierte Anwendungen, die noch vor wenigen Jahren als Science Fiction galten, halten Einzug in unseren Alltag – und werden immer besser. Technologische Treiber auf dem Feld der Künstlichen Intelligenz (KI) sind aktuell das Maschinelle Lernen und das Tiefe Lernen. Verbunden mit der Verfügbarkeit von Massendaten sowie Fortschritten beim schnellen, parallelen Rechnen waren sie für die spektakulären KI-Durchbrüche der vergangenen Jahre verantwortlich. So auch für die Lernfähigkeit von AlphaZero: Das System von DeepMind lernte durch intensives Spielen gegen sich selbst, mehrere Brettspiele auf übermenschlichem Niveau zu spielen.

Gegenüber dem umfassenden Begriff der Künstlichen Intelligenz grenzen sich die beiden Ansätze wie folgt ab:

Prof. Dr. Kristian Kersting leitet am Fachbereich für Informatik der TU Darmstadt das Labor für Maschinelles Lernen. Er forscht schwerpunktmäßig zu statistischer, relationaler KI und tiefen, probabilistischen Modellen. Kristian Kersting ist Fellow der European Association of Artificial Intelligence (EurAI).

Prof. Dr. Volker Tresp ist Distinguished Research Scientist bei der Siemens AG und Professor für Maschinelles Lernen and der Ludwig-Maximilians-Universität (LMU) München. Er hat mehr als 150 wissenschaftliche Artikel veröffentlicht und 80 Patentanmeldungen eingereicht und forscht zu Maschinellem Lernen in Informationsnetzwerken.

  • Künstliche Intelligenz (KI) definiert Herausforderungen, die es zu lösen gilt und entwickelt Lösungsansätze. Nach John McCarthy, der den Begriff Künstliche Intelligenz 1956 eingeführt hat, ist KI die Wissenschaft und „Bauen“ von intelligenten Maschinen, insbesondere intelligenter Computerprogramme. Das ist sehr ähnlich zur Aufgabe, Computer zum Verständnis der menschlichen Intelligenz zu verwenden. Aber KI muss sich nicht auf Methoden beschränken, die biologisch beobachtbar sind.
  • Maschinelles Lernen ist ein grundlegendes Teilgebiet der Künstlichen Intelligenz. Es zielt darauf, Maschinen zu entwickeln, die ohne genaue Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Spezielle Algorithmen lernen dabei aus vorliegenden Beispieldaten Modelle, die dann auch auf neue, zuvor noch nicht gesehene Daten angewendet werden können.
  • Maschinelles Lernen mit großen neuronalen Netzen wird als Tiefes Lernen (Deep Learning) bezeichnet. Eine große Zahl an künstlichen Neuronen verarbeitet hierbei Eingangsinformationen in mehreren (latenten) Schichten und stellt am Ausgang das Ergebnis bereit.

Expertise für Maschinelles und Tiefes Lernen

Für eine zukunftsorientierte und erfolgreiche „KI made in Germany“ ist es daher entscheidend, die Expertise für Maschinelles und Tiefes Lernen in Deutschland zu stärken – an Hochschulen wie auch in Forschungsgrammen und Kompetenzzentren. Denn unabhängig davon, ob Daten als das „Öl des 21. Jahrhunderts“ in großem oder kleinem Umfang gesammelt werden: Ohne hochleistungsfähige „Raffinerien“ – also Methoden wie Maschinelles oder Tiefes Lernen – bleiben sie, was sie sind: Rohöl, das keinen (Wirtschafts-) Motor antreiben kann.

Zugleich muss die KI-Infrastruktur in Deutschland weiter auf- und ausgebaut werden – insbesondere durch Cluster, die Maschinelles und Tiefes Lernen mittels speziellen KI-Beschleunigern (z.B. GPU-/CPU-Cluster) unterstützen. Diese Infrastruktur sollte allen Stakeholdern mit ausgewiesener Expertise zur Verfügung stehen.

Anforderungen an KI von morgen

Moderne KI-Anwendungen sind beeindruckend. Allerdings ist ihre Entwicklung auch sehr kostenintensiv. Zudem erfordern Ansätze wie das Tiefe Lernen meist aufbereitete („gelabelte“) Trainingsdaten. Sie zu beschaffen ist schwierig, wenn nicht gar unmöglich. Ein wichtiges Ziel der Forschung ist es daher, diese Entwicklungsprozesse zu vereinfachen. Für viele Anwendungen – etwa in der Medizin – ist es zudem essentiell, dass KI-basierte Vorhersagen und Entscheidungen zuverlässig und nachvollziehbar sind. Der Aufbau von vertrauenswürdigen KI-Systemen erfordert neben KI-Fachwissen auch umfangreiche Programmierkenntnisse, Anwendungswissen sowie eine fundierte Expertise im Umgang mit Unsicherheiten.

 

Die hier veröffentlichten Inhalte und Meinungen der Autorinnen und Autoren entsprechen nicht notwendigerweise der Meinung des Wissenschaftsjahres 2019 – Künstliche Intelligenz.

Metadaten zu diesem Beitrag

Mehr zum Themenfeld:

Schlagworte zu diesem Beitrag: