Direkt zum Inhalt wechseln
Forschung

Künstliche Intelligenz & Big Data

Forschungs- und Innovationszentrum FIT4BA
Künstliche Intelligenz & Big Data 2

Künstliche Intelligenz (KI)

Es gibt zahlreiche formale sowie informelle Beschreibungen von Intelligenz, wobei es schwierig erscheint, eine einheitliche Definition zu formulieren, für die eine allgemeine wissenschaftliche Akzeptanz gegeben ist. Zwei Definitionen sind stellvertretend angeführt, wobei sich diese dadurch unterscheiden, dass im Zentrum der erstgenannten Definition Denkprozesse und Schlussfolgern stehen, wogegen die zweite Definition auf das sinngebende und logisch korrekte Verhalten eines Agenten, zum Beispiel einer Maschine, gegenüber Änderungen in einem System fokussiert.

The study of the computations that make it possible to perceive, reason, and act.
Winston, 1992
Computational Intelligence is the study of the design of intelligent agents.
Poole et al., 1998

Künstliche Intelligenz (KI) oder Artificial Intelligence (AI) umfasst folglich eine Vielzahl an Technologien, Werkzeugen, Prozessen und damit verbundenen Vorgehensmodellen. Diese sind divers sowie auch komplex und können kombiniert werden, um intelligente Fähigkeiten zu repräsentieren.

Wie können wir feststellen, ob ein System intelligent ist? Gibt es einen Unterschied zwischen der Intelligenz von Menschen und Computern? Kann eine Maschine denken? Ein bekannter Test, um diese Fragen zu beantworten, ist der Turing-Test, benannt nach seinem Erfinder Alan Turing. Um diesen Test zu bestehen, muss eine Maschine folgende Fähigkeiten aufweisen:

  • Sie muss in einer natürlichen Sprache wie beispielsweise Deutsch kommunizieren können.
  • Sie muss Wissen besitzen und es irgendwo speichern können.
  • Sie muss basierend auf ihrem Wissen überlegen können.
  • Sie muss aus ihrer Umgebung lernen können.

Eine allgemein gültige Definition für Künstliche Intelligenz gibt es nicht. Allerdings gibt es Voraussetzungen, die ein System erfüllen muss, um als intelligent eingestuft zu werden. Dazu zählen:

Systeme, die wie Menschen denken

Um festzustellen, ob ein System kognitiv handelt, müssen wir zuerst Mechanismen der Kognition beim Menschen verstehen. Diese Mechanismen im menschlichen Gehirn kann man auf verschiedene Arten beschreiben:

  • Introspektion – unsere eigenen Gedanken beobachten
  • Psychologische Experimente – eine Person beim Handeln beobachten
  • Neuroimaging – ein Gehirn im Einsatz beobachten

Sobald ein ausreichend präzises Modell die Funktion des Gehirns betreffend verfügbar sein wird, wäre es möglich dieses Modell mithilfe eines Computerprogramms abzubilden. Danach wird die Ein- und Ausgabe des Programms beobachtet. Wenn Ergebnisse des Experiments annähernd die gleichen Resultate liefern wie jene von Menschen erzielten, könnte man von intelligenten Maschinen sprechen.

Systeme, die wie Menschen handeln

Der Turing Test prüft, ob sich eine Maschine wie ein Mensch verhalten kann. Der Test evaluiert Ergebnisse und Handlungen, die aus maschinellen „intelligenten“ Prozessen resultieren. Eine Erweiterung des ursprünglich von Alan Turing entwickelten Verfahrens ist der sogenannte totale Turing Test, bei dem zusätzlich die Wahrnehmungsfähigkeit von Maschinen getestet wird. Unter anderem werden dabei der Maschine auch physische Objekte gereicht. Um diesen Test zu bestehen, braucht die Maschine nicht nur die vier oben genannten Fähigkeiten, sondern auch visuelle und robotische Kompetenzen.

Systeme, die rational denken

Der griechische Philosoph Aristoteles war einer der Ersten, die versucht haben, „richtiges Denken“ festzuschreiben im Sinne einer unwiderlegbaren Argumentation. Sein Syllogismus stellte Vorlagen für Argumentstrukturen bereit. Diese produzierten immer korrekte Schlussfolgerungen, falls die Prämissen korrekt waren. Ein Beispiel wäre „Sokrates ist ein Mann, alle Männer sind sterblich, also ist Sokrates sterblich“. Diese Vorlagen bildeten die Anfänge des Gebiets der Logik. Im 19. Jahrhundert wurden dann logische Notationen für allmögliche Aussagen entwickelt.

Ab 1965 gab es schon Programme, die im Prinzip schon alle lösbaren Probleme, die in logischer Notation beschrieben wurden, lösen konnten. Dieser Ansatz bringt aber zwei Probleme mit sich. Erstens ist es nicht leicht, informelles Wissen in logischer Notation darzustellen. Zweitens gibt es einen großen Unterschied zwischen dem Lösen eines Problems in der Theorie und in der Praxis.

Systeme, die rational handeln

Ein Agent ist etwas, das handelt. Man erwartet von ihm Fähigkeiten wie anonym zu arbeiten, seine Umgebung wahrzunehmen, über eine lange Zeit zu bestehen, sich an Änderungen anzupassen und Ziele zu erschaffen und zu verfolgen. Ein rationaler Agent handelt auf eine Weise, die das beste Ergebnis oder beste erwartete Ergebnis erzielt. Alle Fähigkeiten, die für den Turing Test benötigt werden, ermöglichen dem Agenten rational zu handeln.

Angewandte Artificial Intelligence

Big Data

Die Menge an Daten steigt global exponentiell und kontinuierlich. Der Begriff Big Data stellt ein Synonym sowohl für den Prozess der Datengenerierung als auch für extreme umfangreiche Datenpools dar. Eine Definition von Big Data beschreibt beispielsweise folgende Eigenschaften:

  • Umfangreich: Riesige Datenmengen werden nicht nur durch Personen, zum Beispiel via Facebook, Instagram, usw., sondern auch durch Unternehmen, zum Beispiel durch Maschinen, erzeugt.
  • Vielfältige Struktur: Unterschiedliche Arten von Daten werden gespeichert, auch unstrukturierte Daten (siehe Grafik).
  • Ansteigende Geschwindigkeit: Die Erzeugungsrate nimmt weiter zu – Datenmengen müssen gespeichert und verarbeitet werden.
  • Unbekannte Qualität: Die Zuverlässigkeit der Daten ist unterschiedlich, da sie oftmals aus mehreren Quellen kommen (ggf. unsichere / ungenaue Daten).

Aufgrund dieser Eigenschaften können diese Daten nicht in herkömmlichen Computersystemen gehalten und ausgewertet werden. Sie sind zu umfangreich, verändern sich mitunter schnell und besitzen eine komplexe Struktur. Die Rolle der Technik ist also, diese Datenflut zu bewältigen. Besonders das effiziente Speichern, das Verteilen und das Verbreiten der Daten ist eine wichtige Aufgabe.

Big Data bezieht die Daten aus vielen verschiedenen Quellen. Zu diesen zählen beispielsweise Seiten im Internet wie in Soziale Medien oder Daten von verschiedenen Sensoren. Für die Auswertung, das heißt die Erkennung von Trends und Mustern, dieser Daten werden schnelle Rechner benötigt. Das Ziel von Big-Data-Technologien ist, Mehrwerte für Unternehmen zu schaffen. Denn die daraus gewonnenen Ergebnisse können etwa zu Statistiken und Erhebungen beitragen.

Arten von Big Data

Literatur

  • Fasel, D., & Meier, A. (2016). Big Data: Grundlagen, Systeme und Nutzungspotenziale. Wiesbaden: Springer Fachmedien.
  • Gesellschaft für Informatik. (2013, Juli). Retrieved Jänner 9, 2020, from Big Data: https://gi.de/informatiklexikon/big-data
  • Poole, D., Mackworth, A. K., and Goebel, R. (1998). Computational intelligence: A logical approach. Oxford University Press.Russell, S., & Norvig, P. (2004). Künstliche Intelligenz : ein moderner Ansatz, 2.Auflage. München: Pearson Studium.
  • Villars, R. L., Olofson, C. W., & Eastwood, M. (2011). Big Data: What It Is and Why You Should Care. Framingham, Massachusetts, USA.
  • Winston, P. H. (1992). Artificial Intelligence (Third edition). Addison-Wesley.
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.