Künstliche Intelligenz (KI) hat eine lange Geschichte hinter sich – bereits ab Mitte des 20. Jahrhunderts wurden erste künstliche neuronale Netze entwickelt. Eine der bis heute wichtigsten Konferenzen im Bereich „KI“, die International Joint Conference on Artificial Intelligence, fand im Mai 1969 zum ersten Mal statt. Erst zwei Monate später setzten Menschen ihren Fuß auf den Mond, wenn auch mit einem noch nicht besonders intelligenten Rechner an Bord der Apollo 11. Durch die Fähigkeit, natürliche und gesprochene Sprache erkennen und verarbeiten zu können, ist der Computer heute z.B. durch Sprachassistenten (fast) zum Konversationspartner geworden und KI hat den normalen Haushaltsalltag erobert. Man bittet Alexa ganz selbstverständlich, das Licht zu dimmen, und fragt Siri nach dem Weg. Die weitere Entwicklung der KI wird von drei Trends geprägt sein: Foundation-Modelle, synthetische Daten und KI mit „gesundem Menschenverstand“.
Heute steht die KI an einem Scheideweg. Zum ist ein klarer Trend hin zu immer größeren und komplexeren KI-Modellen zu beobachten, die exzellente Resultate erzielen. Zum anderen wird es immer aufwändiger und ineffizienter, solche Modelle für jede einzelne Aufgabe zu entwickeln, die mit Künstlicher Intelligenz gelöst werden soll. Für jedes neue Modell muss sichergestellt werden, dass ein ausreichend großer Datensatz für die spezifische Aufgabe vorhanden ist. Existierte ein solcher Datensatz nicht, mussten Menschen in der Vergangenheit häufig Hunderte oder Tausende von Stunden damit verbringen, geeignete Bilder, Texte oder andere Daten für den Datensatz zu identifizieren und zu kategorisieren. Dann wurde das KI-Modell auf Basis dieser Daten auf den jeweiligen Anwendungsfall trainiert, z.B. als Textklassifikationsmodell in einem Chatbot. Dieser Prozess verbraucht nicht nur Ressourcen wie Arbeitskraft beim Sammeln und Kategorisieren der Daten sowie in der Programmierung. Das Training eines großen Modells für die Verarbeitung natürlicher Sprache hat ungefähr den gleichen Kohlendioxid-Fußabdruck wie der Betrieb von fünf Autos während ihrer gesamten Lebensdauer. Auch diesen Aufwand gilt es neben den betriebswirtschaftlichen Aspekten zu begrenzen und zu reduzieren.
Foundation-Modelle: Eine flexible Grundlage
Es gibt eine Möglichkeit, diesem Dilemma in der aktuellen KI-Entwicklung zu entkommen: eine neue Klasse von Modellen, die sogenannten Foundation-Modelle. Auch sie sind hochleistungsfähige und komplexe KI-Modelle und auch sie sind teuer. Aber einmal erstellt, dienen sie dann als breit einsetzbares, wiederverwendbares Basissystem, quasi als Fundament (Foundation), auf dem weitere Systeme aufsetzen. Sie lassen sich flexibel an verschiedene Einsatzszenarien und Aufgaben anpassen, die jeweils erheblich einfacher zu definieren und zu trainieren sind.
Diese KI-Modelle der Zukunft werden auf einem breiten Satz unkategorisierter Daten trainiert, die dann für verschiedene Aufgaben mit minimaler Feinabstimmung verwendet werden können. Erste Beispiele, die das Potenzial von Foundation-Modellen einer breiten Öffentlichkeit zeigen, sind in der Kunstwelt und in Sprachanwendungen zu sehen: GPT-3, BERT oder DALL-E 2 haben hier Maßstäbe gesetzt. Benutzer beschreiben in ein paar kurzen Worten, was sie als Ergebnis erhalten möchten, z.B. „Seerosen im Stil von Pablo Picasso“ oder „Einen Aufsatz zu Rentierwanderungen“, und das System generiert auf der Grundlage dieser Parameter dann einen kompletten Text oder ein komplexes Bild, auch wenn es nicht speziell darauf trainiert wurde, genau diese Anweisung auszuführen oder ein Bild in dieser Art zu erzeugen.
Foundation-Modelle können ihre vorhandene Datenbasis nutzen und sind durch Self-Supervised Learning und Transfer Learning zu Transferleistungen und Ableitungen aus dem Gelernten in der Lage. Dadurch kann das Modell die Informationen, die es über ein bestimmtes Szenario gelernt hat, auf eine andere, ähnliche Situation oder Anweisung anwenden. Die diesem Prozess zugrundeliegende Datenmenge ist zwar wesentlich größer als die, die ein durchschnittlicher Mensch benötigt, um sein Wissen von einer Aufgabe auf eine andere zu übertragen, aber das Endergebnis ist relativ ähnlich. Menschen lernen z.B., ein bestimmtes Auto zu fahren, können dann aber ohne großen Aufwand auch die meisten anderen Autos fahren – oder sogar einen Lkw oder einen Bus. Foundation-Modelle können durch diese Fähigkeiten als breit einsetzbare Grundlage für eine große Anzahl spezifischer KI-Anwendungen in ihrem jeweiligen Bereich dienen – beispielsweise in der Spracherkennung.
Synthetische Daten: Die Informationslücke schließen
Auch wenn Foundation-Modelle die weitere Entwicklung von KI erleichtern werden – zum Training von KI-Modellen sind auch in Zukunft große Mengen Daten notwendig. Anhand von Texten und Videos auf Websites wie Wikipedia und Youtube „lernen“ Deep-Learning-Modelle, Vorhersagen und Entscheidungen auf der Grundlage von Mustern zu treffen, die aus Milliarden von realen Beispielen gewonnen wurden. Reale Daten weisen jedoch häufig erhebliche Mängel und Lücken auf. Sensible, aber wichtige Gesundheits-, Finanz- und Verbraucherdaten und Inhalte im Internet sind durch Datenschutz-, Ethik- und Urheberrechtsgesetze geschützt und daher, wenn überhaupt, nur lückenhaft verfügbar. Damit stehen sie für Trainingszwecke nicht zur Verfügung. Andere reale Datensammlungen sind mit Schwachstellen oder in der Datenbasis versteckten Vorurteilen behaftet, die zu Vorfällen von Chatbots geführt haben, die rassistische und sexistische Tiraden verbreiteten. Als das KI-Sprachmodell GPT-3 im Sommer 2020 vorgestellt wurde, fielen Anwendungen auf seiner Basis gleich durch solche und andere inakzeptable Äußerung auf. Diese hatte GPT-3 aus den in den realen Trainingsdaten vorhandenen Negativbeispielen generiert. Echte Daten sind zudem mit Vorurteilen behaftet, die bestehende Ungleichheiten verstärken oder verschlimmern können. Vor einigen Jahren machten z.B. Berichte über KI-Systeme zur Gesichtserkennung die Runde, die Menschen mit dunkler Hautfarbe oder Frauen nicht oder nur unzuverlässig erkannten. Die Ursachenforschung ergab, dass für das Training der Systeme hauptsächlich Fotos von Männern mit heller Hautfarbe verwendet wurden. Der KI war so – wenn auch unbeabsichtigt – quasi Rassismus und Sexismus antrainiert worden.
Hier bieten synthetische Daten eine Abhilfe. Synthetische Daten sind computergenerierte Beispiele von Datensätzen, die reale Daten ergänzen oder ersetzen können. So sollen sie das Training von KI-Modellen beschleunigen, sensible Daten schützen, die Genauigkeit verbessern oder Verzerrungen und Sicherheitslücken finden und beseitigen. Synthetische Daten können beispielsweise dazu beitragen, Lücken zu schließen, wenn reale Daten nicht zur Verfügung stehen – z.B. speziell geschützte, persönliche Gesundheitsdaten. Selbst wenn solche Daten zur Verfügung stehen würden, wäre es egal, wie viele Daten man sammelt: Sie erfassen nie 100-prozentig vollständig die Komplexität der echten Welt. Synthetische Daten können diese Schwachstellen schließen und werden daher für künftige KI-Entwicklungen an Bedeutung gewinnen.
Etwas gesunder Menschenverstand für die KI
Foundation-Modelle und synthetische Daten können schon zwei große Probleme lösen, an die die KI-Entwicklung in den letzten Jahren gestoßen ist. Ein drittes bleibt: Um im Einsatz problemlos mit Menschen in der realen Welt interagieren zu können, müssen KI-Anwendungen nicht wie bisher nur Muster in großen Datenmengen erkennen können. Sie müssen Menschen und ihre Handlungen interpretieren und verstehen können. Dazu müssen sie auch aus den beobachtbaren Handlungen oder Äußerungen auf mentale Zustände oder Absichten schließen. Ein solches Verständnis fällt den Menschen leicht. Sie können Menschen und Tiere von Objekten unterscheiden und erwarten von ihnen, dass sie z.B. physikalischen Beschränkungen folgen und effizient handeln, um ihre Ziele innerhalb dieser Beschränkungen zu erreichen. Zum Beispiel ist klar, dass eine Giraffe eine Frucht in einem mehrere Meter hohen Baum erreichen kann. Der Mensch braucht dazu hingegen eine Leiter oder andere Hilfsmittel. Auch kann er die Kosten und möglichen Belohnungen als Folgen seiner Handlungen erkennen. Ebenso kann er vorhersagen, was er als Nächstes tun muss, um ein Ziel zu erreichen – beispielsweise die Leiter aufstellen, um an die Frucht zu langen.
Dieses zentrale psychologische Denken entwickelt sich beim Menschen schon früh. Obwohl Kleinkinder nur über begrenzte Erfahrungen verfügen, können sie lernen, eigenständig auf neue Akteure und Situationen in ihrem Umfeld angemessen zu reagieren. Dieses Verständnis bildet die Grundlage dessen, was man als gesunden Menschenverstand bezeichnet und mit dem der Alltag bewältigt wird. Es gibt bereits Fortschritte bei der Entwicklung von KI-Anwendungen, die das auch leisten.
- Straight Leg Jeans with Raw Trim Hem: These high...
- The Silhouette of Womens Straight Leg Jeans: The...
- The Style of Wide Leg Jeans for Women: The novel...
- For Every Occasion: Whether it's a casual hangout...
- Care Instructions & Size for Womens Jeans:...
- Solid Hoodie: This versatile hoodie is a must-have...
- Oversized Comfort: The relaxed fit and oversized...
- Letter Graphic: The fashion letter graphics on...
- Suitable for All Occasions: This hoodie is perfect...
- Quality Materials: Made with a soft and breathable...
- plus size dresses for curvy women plus size summer...
- plus size casual dresses plus size wedding guest...
- vacation dresses for women 2024 party dresses for...
- floral wedding guest dress floral dresses for...
- flowy maxi dresses for women flowy summer dresses...
- 👙【Tankini Tank Top】: Two piece bathing...
- 👙【Boyshorts Bottom】: Sporty and flexible...
- 👙【Removable Padded】: The athletic two piece...
- 👙【Variety of Wearing】: 2 piece swimsuit top...
- 👙【Occasion】: Women tankini and shorts...
Auf der International Conference on Machine Learning (ICML) stellten die Harvard University, das MIT und IBM im Jahr 2021 Agent vor (Action, Goal, Efficiency, Constraint, Utility). Agent besteht aus 8.400 3D-Animationen. Diese Videos sind in vier Kategorien eingeteilt: Zielpräferenzen, Handlungseffizienz, unbeobachtete Einschränkungen und Kosten- oder Belohnungsabwägungen. Sie wurden entwickelt, um das Verständnis eines maschinellen Lernmodells für Schlüsselkonzepte der intuitiven Psychologie zu testen – ähnlich wie Forscher die Fähigkeit eines Kleinkindes bewerten, zu erkennen, was andere denken. Agent ermöglicht es damit als Benchmark zu testen, ob ein KI-Modell über intuitive Fähigkeiten und so etwas wie gesunden Menschenverstand verfügt. Die ersten Testresultate zeigten bereits, dass KI-Modelle hierzu verstehen müssen, wie Akteure planen, indem sie Nutzenberechnungen (z.B. von Handlungen) und essenzielles Wissen über Objekte und Physik kombinieren. Dieses Wissen muss entweder in das Modell mit eingebaut oder durch maschinelles Lernen von ihm erworben werden. Zusätzlich zu Agent stellten die drei Institutionen zwei Machine-Learning-Modelle vor, die das Problem des gesunden Menschenverstands bei KIs aus verschiedenen Winkeln in Angriff nahmen: Sie ermöglichen ein realitätsnäheres Training von KI- und maschinellen Lernmodellen mit traditionellen Methoden der menschlichen Psychologie.
Natürlich wird es noch Jahre dauern, bis diese und andere Forschungsansätze zu KIs führen, die wirklich über so etwas wie ein grundsätzliches Verständnis der Welt um sie herum entwickeln. Aber die ersten Schritte auf diesem langen Weg sind gemacht. In Kombination werden diese drei Trends – Foundation-Modelle, synthetische Daten und KI-Modelle mit „gesunden Menschenverstand“ – einen Umbruch in der weiteren Entwicklung der Künstlichen Intelligenz markieren. Sie lösen viele Probleme, an die die KI-Forschung gerade stößt. Damit steht der KI hoffentlich ein weiteres Jahrzehnt bevor, in dem große Fortschritte in der Forschung und Anwendung zu sehen sind.
Bildquelle: Getty Images / iStock / Getty Images Plus