Wie Deep Learning künstliche Intelligenzen antreibt

Nicolas Dittberner
May 10, 2017

Als der Schachcomputer Deep Blue im Jahr 1996 den Weltmeister Garri Kasparow schlägt, scheint der Weg zur künstlichen Intelligenz (KI) geebnet. Heutige Sprachassistenten wie Siri und Alexa oder Googles AlphaGo, ein auf das Brettspiel Go spezialisiertes Computerprogramm, untermauern diesen Eindruck. Doch wie weit sind wir bei der Entwicklung wirklich? Fest steht: Wer KI entwickeln will, kommt an Deep Learning nicht vorbei.

Wie Deep Learning die Entwicklung von künstlicher Intelligenz antreibt

Die ersten Schritte zur künstlichen Intelligenz

Die Entwicklung von KI wird von zwei unterschiedlichen Ansätzen geprägt. Bei den ersten Schachcomputern setzten die Entwickler auf Logik und Regeln. Die Grundidee war, alle möglichen Zugvarianten des Spiels zu analysieren und dann die beste zu wählen. Besonders intelligent war das jedoch nicht. Deep Blue basierte schlicht auf Rechenleistung und vorher programmierten Entscheidungsbäumen, die von erfolgreichen Schachspielern beigesteuert wurden.

Ein anderer Ansatz ließ sich von der Natur inspirieren: Statt der Maschine starre Regeln vorzugeben, sollte sie sich diese durch Datenanalyse und Nachahmung selbst beibringen. Dank Algorithmen erlernen diese Computer komplexe Regeln mehr oder weniger ohne menschliche Hilfe. Um beim Schach zu bleiben: 2015 gelang es dem Programm Giraffe, innerhalb von 72 Stunden Schach zu lernen und auf dem Niveau eines internationalen Meisters zu spielen. Dafür analysierte es Millionen Stellungen und spielte unzählige Male gegen sich selbst. Maschinelles Lernen ist heute der aussichtsreichste Weg zur künstlichen Intelligenz.

Wie Maschinen mit Deep Learning Probleme lösen

Maschinelles Lernen beruht auf künstlichen neuronalen Netzen. Ähnlich wie Nervenzellen im menschlichen Gehirn bestehen diese Netze aus Knotenpunkten bzw. Ebenen, die untereinander kommunizieren. Statt eindimensionale Entscheidungsbäume abzugehen, können sie komplexe Schlussfolgerungen ziehen, Regeln lernen und wieder verwerfen sowie eigenständig Prioritäten setzen. Das ist besonders dann wichtig, wenn die Masse an neuen Daten und die Anforderungen an die Rechenleistung der neuronalen Netze steigen. Die Algorithmen filtern dann selbstständig und effizient Daten und Ergebnisse. Ab einer gewissen Komplexität spricht man in Abgrenzung zum eher oberflächlichen Shallow Learning von Deep Learning.

Neben den Algorithmen hängt der Erfolg weiterhin vom Umgang mit Big Data und der Prozessorleistung ab. Das zeigt ein Blick auf das Training eines chinesischen Sprachassistenten von Baidu: Es erfordert neben 4 Terabyte an Daten auch etwa 20 Exaflops Rechenleistung. Das entspricht 20 Trillionen Rechenoperationen, einer Zahl mit 19 Nullen: 20.000.000.000.000.000.000. Handelsübliche Prozessoren haben aktuell eine Leistung von einigen Gigaflops und sind damit rund eine Milliarde Mal langsamer. Es wird also viel Rechenpower für die Erkennung einzelner Worte benötigt, die wir Menschen sofort und intuitiv verstehen.

Schon heute die Technologie von morgen lernen

So komplex die Entwicklung von KI auch anmutet, die ersten Schritte dahin sind relativ simpel. Mit grundlegenden Programmierkenntnissen in Python kannst du schnell dein erstes künstliches neuronales Netz programmieren. Bei Udacity lernst du alles dazu im Nanodegree-Programm Deep Learning: Während des dreimonatigen Kurses hast du Zugriff auf zahlreiche Videos und Live-Sessions mit Data Scientists, dank derer du Chatbots, intelligente Visualisierungsprogramme oder Bilderkennungs-Software programmieren kannst. Damit stehen dir die Wege für zukunftsweisende Technologien wie selbstfahrende Autos oder künstliche Intelligenz offen.

Die Grenzen künstlicher Intelligenz

Das Beispiel zeigt, dass künstliche Intelligenz anders funktioniert als das menschliche Gehirn. Computer können lernen, Katzen in Youtube-Videos zu erkennen oder Filmtrailer zu schneiden. Aber sind sie auch zu Kreativität und einzigartigen Gedanken fähig? Um diese Frage zu beantworten, müssten wir zunächst verstehen, wie neuronale Netze wirklich funktionieren. Je komplexer eine KI wird, desto weniger können Forscher nachvollziehen, wie sie zu ihrem Ergebnis gelangt. Googles Deep Dream war im Grunde ein Versuch, die eigene Bilderkennungssoftware besser zu verstehen, indem man sie umkehrte: Statt Tiere in Bildern zu erkennen, erzeugte das Programm alptraumhafte Lebewesen in zufälligen Fotos. Um den nächsten Schritt hin zur künstlichen Intelligenz zu machen, müssen wir noch tiefer in die Funktionsweise von Deep Learning eintauchen.

deepdream © Daniel ............, https://www.flickr.com/photos/loshak/26379212484/in/photostream/; Watson deep dream intense

Erfolge der KI-Forschung und ein Ausblick in die Zukunft

Die Fortschritte auf dem Gebiet der KI-Forschung sind dennoch bemerkenswert. Schachcomputer oder Sprachassistenten erscheinen dagegen fast als Spielerei. Denn Deep Learning hilft bereits bei der Diagnose von bestimmten Krebsarten. Forscher der Universität Stanford haben erfolgreich einen Algorithmus trainiert, Hautkrebs zu erkennen – und damit bisher unbekannte Muster entdeckt, die der Medizin heute bei der Früherkennung helfen. Auch bei der Entwicklung von selbstfahrenden Autos kommen neuronale Netze zum Einsatz. Sie interpretieren Millionen von Daten und Kamerabildern, womit ein sicheres autonomes Fahren erst möglich wird. Für die Verkehrsoptimierung einer Smart City müssen ebenfalls große Datenmengen mit Hilfe von KI verarbeitet werden. Medizin, Verkehr, Kommunikation: In Zukunft werden Computer in viele weitere Bereiche unseres Alltags eingreifen und uns das Leben erleichtern.

Unser Nanodegree-Programm Deep Learning wurde gemeinsam mit Google entwickelt und beschäftigt sich mit der Lösung von komplexen Problemen mittels Algorithmen und neuronaler Netze. Wer als Data Analyst oder Machine Learning Engineer die neuesten Erkenntnisse und Techniken lernen möchte, kommt an diesem Programm nicht vorbei!