LE-2-2023

LOGISTIK express

LOGISTIK express 2/2023 | S84 SPECIAL Lernprozesse bei Künstlicher Intelligenz begrenzt Die traditionelle Künstliche Intelligenz scheiterte an Komplexitäts- und Berechenbarkeitsproblemen, die später durch das statistikbasierte Deep Learning besser gemeistert werden konnten. Doch auch hier gibt es konzeptionelle Grenzen. Die Gründe dafür sind vielfältig. AUTOR: PHILIP HAUTMANN System eine vorgegebene Aufgabe mit Hilfe von logischen Schlussfolgerungen erfüllt. Die subsymbolische KI erkennt Regelmäßigkeiten (Muster) in großen Datenmengen und verwendet diese Muster, um Daten zu bewerten, zu vergleichen und zu vervollständigen. Subsymbolische KI kann über die Auswertung von gigantischen Datenmengen Lernprozesse durchschreiten. Die Vorhersagen der subsymbolischen Künstlichen Intelligenz sind statistikbasiert, ihr Lernen funktioniert, indem sie mit Big Data gefüttert wird und diese mithilfe von Algorithmen prozessiert. Visable unterstützt industriell tätige Unternehmen, Produkte und Dienstleistungen für Einkäufer international zugänglich zu machen. Als speziell auf Geschäftskunden zugeschnittene Verbindung aus eigenen B2B- Plattformen und Online- Marketing-Services wie zum Beispiel Google Ads und Retargeting bietet das Unternehmen ein breit gefächertes digitales Portfolio zur Reichweiten-Steigerung im Internet. Traditionell bestand Künstliche Intelligenz aus Expertensystemen, wissensbasierten Programmen, die zur Lösung von Problemen auf logische Regeln und Wissensdatenbanken zurückgreifen. Dieses Wissen war eng begrenzt und viele Aufgaben erforderten einen Rechenaufwand, der über das Bewältigbare hinauswuchs. Die Berechenbarkeitskomplexität war für traditionelle Speichersysteme und Prozessorgeschwindigkeiten zu groß und auch die allgemeine Komplexität der Sprache konnte nicht in Regeln übersetzt werden. Nach einer anfänglichen Euphorie (oder dystopischen Visionen von einer feindseligen, bewussten superintelligenten KI) machte sich immer wieder Ernüchterung breit. Künstliche Intelligenz schien die Erwartungen, die man in sie setzte, nicht zu erfüllen. Nach der Jahrtausendwende nahmen die Rechnergeschwindigkeiten, die Speicherkapazitäten und die vorhandenen Datenmengen exorbitant zu. Es kam auf dem Gebiet der Künstlichen Intelligenz quasi zu einem Umschlag von Quantität in Qualität und zu einer Ablösung der symbolischen KI durch subsymbolische KI. Symbolische KI ist der Oberbegriff für alle Verfahren der KI, bei denen das Oberflächlichkeit von Deep Learning Dieses Lernen wird als „Deep Learning“ bezeichnet. Tatsächlich geht es aber nicht in die Tiefe, sondern basiert auf dem Zugriff auf riesige Datenmengen. „Tief“ ist es aber in dem Sinn, dass sich die Lernvorgänge der Künstlichen Intelligenz der Nachverfolgung und Analyse durch die menschliche Intelligenz entziehen. Um zu „verstehen“, was eine Katze ist, muss Künstliche Intelligenz mit Millionen von Katzenbildern gefüttert werden. Trotzdem mag die Künstliche Intelligenz in einem bestimmten Fall eine Katze mit einem Haus verwechseln, eventuell, weil in den Trainingsdaten im Hintergrund oftmals Häuser zu sehen waren. Tatsächlich ist eine Künstliche Intelligenz bereits in ihrem Lernen vollkommen „dumm“ und kann nicht zwischen Substanz und Akzidens einer Sache selbstständig unterscheiden. Künstliche Intelligenz weiß nicht, was der eigentliche Gehalt und der Sinn hinter den Daten ist, die sie bearbeitet. Im Geschäftsalltag scheitert der Einsatz von Künstlicher Intelligenz oftmals an einer inadäquaten Datengrundlage. Es gilt das Prinzip von „garbage in, garbage out“ (auf deutsch „Abfall in, Abfall aus“). Inadäquate Daten liefern inadäquate oder schlimmer, irreführende Ergebnisse. Gute Beispiele dafür, wie große Datenmengen dank KI optimal genutzt und gepflegt werden können, liefern die B2B-Plattformen wlw (ehemals „Wer liefert was“) und europages. Die Plattformen bieten eine große Menge an Informationen, um gewerbliche Einkäufer mit den passenden Produkten und Dienstleistungen zusammenzubringen. Das Unternehmen Visable als Träger der beiden Plattformen nutzt selbst KI-Programme zur Pflege der Daten, beispielsweise zur Bereitstellung von Schlüsselwörtern für die Datensuche oder zur Eliminierung von Daten-Duplikaten. Notwendig dafür ist die Verfügbarkeit von qualitativ hochwertigen Daten. Denn Datenquantität ist nicht gleich Datenqualität. Visable hat für die Datensammlung begonnen, Künstliche Intelligenz zu nutzen, um relevante Daten als solche zu identifizieren – im Sinne eines Lernprozesses über intelligente Algorithmen. Nur so viel Information als die Daten hergeben Zwar können heutige Systeme der Künstlichen Intelligenz aufgrund der enormen Datenmengen, die sie verarbeiten, präzisere Vorhersagen über zukünftige Ereignisse treffen. Jedoch kann sich Künstliche Intelligenz keine neuartigen zukünftigen Ereignisse vorstellen und diese in ihre Berechnungen miteinbeziehen. Ereignisse von neuartiger Qualität wie der Beinahe-Zusammenbruch des Weltfinanzsystems 2008 oder die Corona-Pandemie können von einer Künstlichen Intelligenz wahrscheinlich noch schlechter prognostiziert werden als vom Menschen. Damit stellt sich auch die Frage, inwieweit eine Künstliche Intelligenz tatsächlich komplexe Zusammenhänge besser durchdringen kann als die menschliche Intelligenz und nicht bloß komplizierte – also Zusammenhänge, die grundsätzlich offen sind und tatsächlich unübersichtlich, anstelle von Zusammenhängen, die zwar schwierig zu durchschauen sind, prinzipiell aber durchschau- und skalierbar und lineare Ursache-Wirkungszusammenhänge sind. Im Allgemeinen sind dem maschinellen Lernen überall dort Grenzen gesetzt, wo es um das Erkennen von Parametern geht, die den Datensätzen nicht explizit beigegeben sind. Spektakuläre Erfolge – wie auf dem Gebiet der Gesichtserkennung oder der Angabe der Faltung von Proteinen – beruhen darauf, dass