Worum geht es?
Es geht um den Einsatz von «intelligenten» IT-Systemen in konkreten Einsatzgebieten. Systeme mit künstlicher Intelligenz (KI) (engl.: artificial intelligence – AI) bauen auf maschinellen Lernmethoden der Informatik, Mathematik als auch auf sog. «Neuronalen Netzen (NN)» auf. Möglich wurde diese Leistungsfähigkeit durch die heute verfügbaren hohen Rechnerleistungen.
Durch maschinelle Lernmethoden wird in Daten nach wiederkehrenden Mustern gesucht, Gesetzmäßigkeiten erkannt oder Daten in Klassen eingeteilt. Dies kann regel-basiert, durch Mathematik (z.B. statistische Verfahren) oder auch durch Neuronale Netze (NN) erfolgen («Deep Learning Systeme»).
Beim «supervised learning“ wird der Maschine durch den Experten (Menschen) während des Lernprozesses mit Lerndaten ein Feedback zum Lernerfolg gegeben. Für solche Ansätze braucht es eine festgelegte Zielsetzung für das angestrebte Analyseergebnis; d.h. eine sog. «Ground-truth». Ein Experte muss festlegen, welche Daten zum Ergebnis beitragen und welche nicht.
Damit ergeben sich wichtige Anforderungen zur Generierung von Lerndaten für AI Algorithmen; d.h. große Menge an geeignete Lerndaten, und die Daten dürfen nicht mit Fehlern behaftet sein, da sie sonst vom KI-System gelernt werden (Bias-Problem der Lerndaten).
Beim «unsupervised learning» braucht es keine «Ground-truth» der Trainingsdaten. Hier lernt das System nur Muster, ohne aber eine Bedeutung der Muster in einem Gesamtkontext zu erkennen. Dadurch kann ein KI Algorithmus einen «Normalzustand» eines Systems feststellen und dann in einem Betrieb Abweichungen davon – Anomalien – erkennen.
«Reinforcement learning» ist ein dritter grundlegender Ansatz in der KI. Dabei geht es um vortrainierten Neuronalen Netzes (NN), welches während des Einsatzes mit Echtdaten weiter trainiert werden.
Weiterführende Informationen
Es ist grundlegend wichtig, dass es sich bei KI um ein Data Science Thema handelt; d.h. es muss zuerst herausgearbeitet werden welche Daten verfügbar sind, welche für die spezielle Aufgabenstellung notwendig sind, und wie diese Daten gewonnen werden können. Dann gilt es geeignete Methoden und Werkzeuge zu verwenden um Daten aufzubereiten oder spezielle Daten zu gewinnen (Feature Extraction). Darauf aufbauend gilt es effektive Lernmethoden zu identifizieren und zu bewerten; d.h. Regeln, mathematische Methoden oder NN. Des Weiteren braucht es geeignete, Trainings- und Testdaten. Es gilt zu beachten, dass KI-Systeme welche auf NN basieren, nicht mehr deterministisch verifizierbar sind; d.h. man muss dem Analyseergebnis der Maschine «trauen». Dadurch entstehen besondere Probleme beim Einsatz für höchst zuverlässige Systeme mit Safety-Anforderungen oder bei ethischen Fragestellungen (z.B. bekommt man höchst fragwürdige Ergebnisse, wenn man einfach Google Translate Testdaten für das Trainieren eines KI Systems verwendet). Für einen effektiven Einsatz von KI Systemen sind acht Themenbereiche relevant, welche jeweils gestaltet werden müssen:
- Anwendungsbereiche – Märkte (Application Fields – Markets)
- Datenquellen (Data Sources)
- Zielsetzung des KI Einsatzes (AI Objectives)
- KI Einsatzbedingungen (Sicherheit von KI Methoden, Testen und Verifizieren)
- KI Lerndaten/Ground truth
- Data Science Werkzeuge (Daten Management und Verarbeitungswerkzeuge)
- KI Technologien – Basis Know-How und Grundlagenforschung (Mathematik, verschiedene NN Architekturen, etc.)
- HW Plattformen
Künstliche Intelligenz in 5 Minuten erklärt
