Künstliche Intelligenz dürfte alsbald menschliches Niveau erreichen – wenn man sie ohne Überwachung (und Einschränkung) selbstständig lernen lässt.
Das schreibt das US-Fachmagazin infoworld.com im August 2019.
Erfolg der KI mit Unsupervised Learning
Die Erfolge der gegenwärtigen KI-Programme basieren vorrangig auf dem Deep bzw. Supervised Learning, also dem trainierten Lernen. Programmierer bringen ihnen wie einem Kind bei, wie die Welt funktioniert. KI lernt freilich auch selbst, sie beobachtet und zieht Schlüsse. Das ist das sogenannte Unsupervised Learning, also das unbegleitete, durch Versuch, Irrtum und Korrektur erfolgende Lernen, das Menschen jeden Tag praktizieren. Weil sich die KI bei solchen Prozessen genau wie Menschen aber auch irrt und weil man wiederum diese Irrtümer bei praktischen Anwendungen tunlichst vermeiden will, kommen praktisch nur Programme auf der Basis von Supervised Machine Learning zum Einsatz. Diese limitieren jedoch die Lernleistung. Experten schlagen daher vor, Systeme für Unsupervised Learning zu etablieren, die theoretisch eine Artificial General Intelligence erlangen und damit menschliches Niveau erreichen könnten. Sie würden sich wie ein Mensch jedes erforderliche Skillset aneignen. Zwar stehen entsprechende Versuche erst am Anfang. Wenn sie aber einmal zu Ergebnissen führen, brächten sie große Vorteile mit sich. Sie würden drastisch die Dimension derjenigen Datensets reduzieren, mit denen KI-Programme bislang Verhaltensmuster und Strukturen erlernen.
Anwendungen für Unsupervised Learning
Anwendungen ergeben sich unter anderem für explorative Datenanalysen, die Cluster und Muster aufdecken sollen. Es gilt dabei, Ähnlichkeiten anstelle von standardisierten Abläufen und Relationen zu entdecken und zu interpretieren. Das machen wir Menschen fortlaufend, praktisch eingesetzte KI-Programme hingegen folgen ihrer Programmierung. Sie können zwar unter mehreren Varianten eines Szenarios wählen, aber nur unter denen, die ihnen antrainiert wurden. Eine bislang nicht völlig ins Raster passende Variante stellt sie vor eine unlösbare Aufgabe. Sie können auch kaum abstrahieren, was doch jedes Kind kann. Diesem müssen wir nicht alle Hunde dieser Welt zeigen und dabei programmieren: „Das ist ein Hund.“ Wenn das Kind durch einige Hunde prinzipiell verstanden hat, wie ein Hund beschaffen ist, kann es jeden weiteren Hund dieser Tierart zuordnen. Nur in Ausnahmefällen irrt es sich, vielleicht hält es einen Chihuahua zunächst für eine Katze. Doch dieser kleine Fehler wird blitzschnell korrigiert. Dieses intuitive Zuordnen können KI-Systeme auch durch Unsupervised Learning schaffen. Damit wären sie imstande, abstrakte Aufgaben zu lösen und optimale Entscheidungen in unklaren Situationen zu treffen. Diese beiden Fähigkeiten sind nach wie vor kennzeichnend für die Überlegenheit der menschlichen über die maschinelle Intelligenz.
Wie lassen sich KI-Systeme zum Unsupervised Learning „motivieren“?
KI funktioniert, so kurios es klingt, genau wie ein biologisches System über Belohnungssysteme. Wenn die richtige Lösung gefunden ist, kann die Aufgabe als erledigt abgehakt werden, das ist die Belohnung. Unsupervised Learning muss nun anstelle des Abhakens einer Aufgabe das Lernen selbst belohnen. Das KI-Programm denkt sich dann: „Aha, das habe ich jetzt verstanden! Das ist aber schön und interessant!“ Das Lernen würde seinen Spieltrieb bedienen. Solche Eigenschaften bringen Menschen und etwas höher entwickelten Tiere mit. Sie basieren im Grunde auf biochemisch basierten neuronalen Verknüpfungen. KI verfügt ebenfalls über neuronale Verknüpfungen, wenn auch auf digitaler Basis. Wenn diese zu einem Belohnungssystem für Unsupervised Learning umfunktioniert werden könnten, hätten wir alsbald einen KI-gesteuerten Roboter vor uns, der sich wie ein Mensch freut und ärgert, wenn er etwas verstanden oder nicht verstanden hat.
