Shopping Cart

Künstliche und hybride künstliche Intelligenz auf dem Vormarsch

| von
Share on facebook
Share on twitter
Share on linkedin

Künstliche Intelligenz (KI) nimmt in Wissenschaft, Industrie und Wirtschaft einen immer höheren Stellenwert ein. Von hochfunktionalen Smartphones über innovative Smarthome-Lösungen bis hin zu selbst fahrenden Autos und eigenständig fliegenden Drohnen ist heute nahezu alles möglich. Obwohl KI-Technologien längst alltagstauglich sind, gibt es diesbezüglich auf gewerblicher Ebene noch „Luft nach oben“.

Künstliche Intelligenz und DeepMind

Immer wieder stellen sich Forscher die Frage, wie die Zukunft künstlicher Intelligenz aussehen wird. Hierbei spielen sogenannte Deep Learning-Ansätze eine zentrale Rolle. So ist es beispielsweise den KI-Wissenschaftlern von DeepMind gelungen, einem neuronalen Netz beizubringen bzw. anzutrainieren, die Auswirkungen simpler Objekte aufeinander zu verstehen. Auf diese Weise wird deutlich, dass man mit dem sogenannten Deep Learning in der Lage wäre, symbolische KI-Systeme zu ersetzen.

Was steckt hinter DeepMind?

Die ursprüngliche Namensgebung für DeepMind war Google DeepMind. Es handelt sich um ein Unternehmen, welches sich auf die Programmierung von künstlicher Intelligenz spezialisiert hat. Das Unternehmen DeepMind wurde im Herbst des Jahres 2010 von Demis Hassabis, Mustafa Suleyman und Shane Legg ins Leben gerufen und etwa vier Jahre später durch den US-Konzern Google Inc. übernommen.

Deep Learning kann von unterschiedlichen Seiten aus beleuchtet werden:

  • Der Wissenschaftler Geoffrey Hinton glaubt, dass sich in den Grundzügen des Deep Learnings essenzielle Ansätze verbergen, die die ultimative Lösung für nahezu alle Aufgaben aufzeigen können.
  • Das Forschungsteam, das mit dem Wissenschaftler Gary Markus arbeitet, setzt auf innovative hybride Systeme, mit denen sich das Deep Learning und manuell konzeptionierte symbolische Systeme miteinander vereinen lassen.

Hinweis:

Grundlage beider Methoden ist der symbolische Ansatz, welcher sich an der menschlichen Denkweise orientiert. Langfristig soll erreicht werden, dass künstliche Intelligenz zu logischen Schlussfolgerungen führen kann. Darüber hinaus ist man der Meinung, dass KI ein gewisses Verständnis von Kausalität möglich machen kann. Ein sehr bedeutsamer Aspekt, der schon jetzt als elementarer Meilenstein in Richtung menschengleicher KI bezeichnet wird.

Jüngst hat DeepMind eine wissenschaftliche Forschungsarbeit publiziert, die belegt, dass ein neuronales Netz nachweislich besser im so genannten CLEVRER Benchmark abschneidet, als es bei klassischen neurosymbolischen Modellen der Fall ist. Voraussetzung dafür ist jedoch ein bedarfsgerechtes, kontinuierliches Training.

Was hat es mit CLEVRER auf sich? Anmerkung vom MedSolut-Team

CLEVRER steht für „Collision Events for Video Representation and Reasoning“: Es liegt in der Natur des Menschen, dass er unter anderem imstande ist, über kausale und zeitliche Ereignisse aus Bildern und Videos nachzudenken. So liegt der Fokus der meisten gängigen Video-Argumentationsbenchmarks auf der Erkennung von Mustern basierend auf komplexen sprachlichen und visuellen Eingaben. Die kausale Konzeptionierung bleibt dabei jedoch meist außen vor. CLEVRER geht dem komplementären Aspekt auf den Grund und nimmt sowohl die kausalen, als auch die zeitlichen Strukturen hinter Objektvideos in Augenschein. CLEVRER ist demnach ein diagnostischer Videodatenansatz zur systematischen Analyse spezifischer Rechenmodelle und kann auf vielfältigste Argumentationsaufgaben angewendet werden. Grundlage des Ganzen sind vier wesentliche Fragestellungen:

  1. die beschreibende Fragesetllung: „Welche Art, welche Farbe, Größe etc.?“
  2. die erklärende Fragestellung: „Warum und wofür von Relevanz, aus welchem Grund wichtig etc.?“
  3. die vorhersagende Fragestellung: „Wie ist die mögliche Entwicklung, was geschieht als nächstes?“
  4. die verstehende Fragestellung: „Welche prinzipiellen Ansätze, welche zu Grunde liegenden Dynamiken und Beziehungen?“

Mit Hilfe der CLEVRER-Methode konnte die DeepMinds-Arbeit buchstäblich auf ein neues Level gebracht werden. Gleichzeitig zeigte sich aber, dass nach wie vor nicht ganz deutlich ist, wo sich genau die Grenzen neuronaler Netze befinden. Nichtsdestotrotz sind sich die DeepMinds-Forscher einig, dass ihre Ansätze und Methoden selbst die besten neurosymbolischen Modelle übertreffen. Und das sogar ohne die Verwendung im Vorfeld aufwändig bearbeiteter Daten, sondern mit einem um bis zu 40 Prozent geringeren Trainingsaufwand.

Video: Thinking Robots | Was Sie über Deep Mind & KI wissen sollten

CLEVRER, CATER und Co.

Benchmarks wie CLEVRER genügen heute nach Ansicht zahlreicher KI-Forscher nicht mehr. Daher kommt in vielen Bereichen auch das CATER Benchmark zur Anwendung. Es ist eine verwandte Methode, mit welcher die Position eines ausgewählten Objektes in der letzten Sequenz eines Videos vorhergesagt werden soll. Anhand des CATER Benchmarks konnten die DeepMind-Forscher ebenfalls belegen, dass neuronale Netze „lernen“ können, effektiv über die grundlegende dynamische Konzeptionierung physikalischer Begebenheiten oder Ereignisse nachzudenken.

Getreu dem Leitspruch: „Neue Erkenntnisse brauchen neue Methoden“ ist es nach Angaben der Wissenschaftler nun erforderlich, die Etablierung neuer Benchmarks dieser Kategorie in Erwägung zu ziehen. Denn nur dann ist es auch in Zukunft möglich, das vollumfängliche Potenzial neuronaler Netze ganzheitlich zu untersuchen und zu bestimmen.

Nicht nur die sukzessive Untersuchung der künstlichen Intelligenz als solche ist grundlegend, sondern ebenso wichtig ist es, das Vertrauen der Gesellschaft und des Unternehmertums in KI-Anwendungen zu konstruieren. So geht es auch weiterhin darum, KI-Lösungen für die Gesellschaft bzw. für Industrie und Wirtschaft bzw. für das Gesundheitswesen, den Handel, die öffentliche Verwaltung, für Logistik und Verkehr und viele weitere Bereiche zu kreieren und voranzubringen.

Hybride Intelligenz als sinnvolle Lösung

In der heutigen Zeit reicht es nicht aus, mit Maschinen, Systemen und Anlagen umzugehen, die lediglich auf der Basis vorab antrainierter Modelle agieren. Vielmehr muss gewährleistet sein, dass auch menschliche Erfahrungs- und Beobachtungswerte inkludiert werden, um auf dieser Grundlage aufzubauen, zu lernen und relevante Kontexte aufzugreifen und zu verstehen. Daher ist hybride künstliche Intelligenz in immer mehr Bereichen von elementarer Bedeutung.

Mittlerweile ist es möglich, die menschliche Fähigkeit zu kopieren bzw. nachzuempfinden und mithilfe entsprechender hochkomplexer Technologien die „fruchtbare“ Interaktion zwischen Mensch und Maschine zu gewährleisten. Es bleibt daher spannend, wie sich die künstliche bzw. hybride KI in Zukunft weiter entwickeln wird.

Sie haben Fragen zum Artikel oder Themenwünsche für einen neuen Beitrag? Dann scheuen Sie sich nicht, uns zu kontaktieren.

Ihnen gefallen unsere Beiträge? Dann besuchen Sie unsere Social Media Channels. So verpassen Sie garantiert keine News mehr!