Maschinen lernen Dinge, können sie aber nicht verstehen

Alle reden heutzutage von „KI“. Aber egal, ob Sie sich Siri, Alexa oder nur die Autokorrekturfunktionen Ihrer Smartphone-Tastatur ansehen, wir schaffen keine künstliche Intelligenz für allgemeine Zwecke. Wir erstellen Programme, die spezifische, enge Aufgaben ausführen können.

Computer können nicht „denken“

Immer wenn ein Unternehmen sagt, dass es eine neue „KI“-Funktion herausbringt, bedeutet dies im Allgemeinen, dass das Unternehmen maschinelles Lernen verwendet, um ein neuronales Netzwerk aufzubauen. „Maschinelles Lernen“ ist eine Technik, mit der eine Maschine „lernen“ kann, wie sie eine bestimmte Aufgabe besser ausführen kann.

Wir greifen hier maschinelles Lernen nicht an! Machine Learning ist eine fantastische Technologie mit vielen leistungsstarken Anwendungen. Aber es ist keine universelle künstliche Intelligenz, und das Verständnis der Grenzen des maschinellen Lernens hilft Ihnen zu verstehen, warum unsere aktuelle KI-Technologie so begrenzt ist.

Die „künstliche Intelligenz“ von Science-Fiction-Träumen ist ein computerisiertes oder robotisches Gehirn, das über Dinge denkt und sie wie Menschen versteht. Eine solche künstliche Intelligenz wäre eine künstliche allgemeine Intelligenz (AGI), was bedeutet, dass sie über mehrere verschiedene Dinge nachdenken und diese Intelligenz auf mehrere verschiedene Domänen anwenden kann. Ein verwandtes Konzept ist „starke KI“, das wäre eine Maschine, die in der Lage wäre, menschenähnliches Bewusstsein zu erfahren.

Wir haben diese Art von KI noch nicht. Wir sind nicht in der Nähe. Ein Computerwesen wie Siri, Alexa oder Cortana versteht und denkt nicht wie wir Menschen. Es „versteht“ die Dinge überhaupt nicht wirklich.

Die künstlichen Intelligenzen, die wir haben, sind darauf trainiert, eine bestimmte Aufgabe sehr gut zu erledigen, vorausgesetzt, der Mensch kann die Daten liefern, um ihm beim Lernen zu helfen. Sie lernen, etwas zu tun, verstehen es aber immer noch nicht.

Computer verstehen nicht

Gmail hat eine neue Funktion «Smart Reply», die Antworten auf E-Mails vorschlägt. Die Smart Reply-Funktion identifizierte „von meinem Iphone gesendet“ als gemeinsame Antwort. Es wollte auch „Ich liebe dich“ als Antwort auf viele verschiedene Arten von E-Mails vorschlagen, einschließlich geschäftlicher E-Mails.

Das liegt daran, dass der Computer nicht versteht, was diese Antworten bedeuten. Es hat sich gerade herausgestellt, dass viele Leute diese Sätze in E-Mails senden. Es weiß nicht, ob Sie Ihrem Chef „Ich liebe dich“ sagen wollen oder nicht.

Als weiteres Beispiel hat Google Fotos eine Collage aus zufälligen Fotos des Teppichs in einem unserer Häuser zusammengestellt. Diese Collage wurde dann als aktuelles Highlight auf einem Google Home Hub identifiziert. Google Fotos wusste, dass die Fotos ähnlich waren, verstand jedoch nicht, wie unwichtig sie waren.

Maschinen lernen oft, das System zu spielen

Beim maschinellen Lernen geht es darum, eine Aufgabe zuzuweisen und einen Computer entscheiden zu lassen, wie er sie am effizientesten erledigt. Da sie es nicht verstehen, ist es leicht, dass ein Computer „lernt“, wie man ein anderes Problem löst, als man es wollte.

Hier ist eine Liste von lustigen Beispielen, in denen „künstliche Intelligenzen“ geschaffen wurden, um Spiele zu spielen und denen Ziele zugewiesen wurden, die gerade gelernt haben, das System zu spielen. Diese Beispiele stammen alle von diese tolle tabelle:

• „Auf Geschwindigkeit gezüchtete Kreaturen werden wirklich groß und erzeugen hohe Geschwindigkeiten, indem sie umfallen.“
• „Der Agent tötet sich am Ende von Level 1, um nicht in Level 2 zu verlieren.“
• «Der Agent pausiert das Spiel auf unbestimmte Zeit, um nicht zu verlieren.»
• „In einer künstlichen Lebenssimulation, bei der das Überleben Energie erforderte, die Geburt jedoch keine Energiekosten verursachte, entwickelte eine Spezies einen sitzenden Lebensstil, der hauptsächlich aus der Paarung bestand, um neue Kinder zu zeugen, die gegessen werden konnten (oder als Partner verwendet werden konnten, um essbare Kinder zu produzieren). .“
• „Da die KIs mit größerer Wahrscheinlichkeit „getötet“ wurden, wenn sie ein Spiel verloren, war es ein Vorteil für den genetischen Selektionsprozess, das Spiel abstürzen zu können. Daher haben mehrere KIs Möglichkeiten entwickelt, das Spiel zum Absturz zu bringen.“
• „Neurale Netze, die entwickelt wurden, um essbare und giftige Pilze zu klassifizieren, nutzten die Daten, die in abwechselnder Reihenfolge präsentiert wurden, und lernten keine Merkmale der Eingabebilder.“

Einige dieser Lösungen mögen clever klingen, aber keines dieser neuronalen Netze hat verstanden, was sie tun. Ihnen wurde ein Ziel zugewiesen und sie lernten einen Weg, um es zu erreichen. Wenn es darum geht, in einem Computerspiel nicht zu verlieren, ist das Drücken der Pause-Taste die einfachste und schnellste Lösung, die sie finden können.

Maschinelles Lernen und neuronale Netze

Beim maschinellen Lernen ist ein Computer nicht darauf programmiert, eine bestimmte Aufgabe auszuführen. Stattdessen werden ihm Daten zugeführt und die Leistung bei der Aufgabe bewertet.

Ein elementares Beispiel für maschinelles Lernen ist die Bilderkennung. Nehmen wir an, wir möchten einem Computerprogramm beibringen, Fotos zu erkennen, auf denen ein Hund zu sehen ist. Wir können einem Computer Millionen von Bildern geben, von denen einige Hunde enthalten und andere nicht. Die Bilder sind beschriftet, unabhängig davon, ob sie einen Hund enthalten oder nicht. Das Computerprogramm „trainiert“ sich selbst, anhand dieses Datensatzes zu erkennen, wie Hunde aussehen.

Der maschinelle Lernprozess wird verwendet, um ein neuronales Netzwerk zu trainieren, bei dem es sich um ein Computerprogramm mit mehreren Schichten handelt, die jede Dateneingabe durchläuft, und jede Schicht weist ihnen unterschiedliche Gewichte und Wahrscheinlichkeiten zu, bevor sie letztendlich eine Bestimmung trifft. Es ist modelliert, wie wir denken, dass das Gehirn funktionieren könnte, mit verschiedenen Schichten von Neuronen, die am Durchdenken einer Aufgabe beteiligt sind. „Deep Learning“ bezieht sich im Allgemeinen auf neuronale Netze mit vielen Schichten, die zwischen Eingang und Ausgang gestapelt sind.

Da wir wissen, welche Fotos im Datensatz Hunde enthalten und welche nicht, können wir die Fotos durch das neuronale Netz laufen lassen und sehen, ob sie zu der richtigen Antwort führen. Wenn das Netzwerk beispielsweise entscheidet, dass ein bestimmtes Foto keinen Hund hat, gibt es einen Mechanismus, um dem Netzwerk mitzuteilen, dass es falsch war, einige Dinge anzupassen und es erneut zu versuchen. Der Computer erkennt immer besser, ob Fotos einen Hund enthalten.

Dies alles geschieht automatisch. Mit der richtigen Software und vielen strukturierten Daten, mit denen der Computer sich selbst trainieren kann, kann der Computer sein neuronales Netz so einstellen, dass Hunde auf Fotos identifiziert werden. Wir nennen das „KI“.

Aber am Ende des Tages haben Sie kein intelligentes Computerprogramm, das versteht, was ein Hund ist. Sie haben einen Computer, der gelernt hat, zu entscheiden, ob ein Hund auf einem Foto zu sehen ist oder nicht. Das ist immer noch ziemlich beeindruckend, aber das ist alles, was es tun kann.

Und je nach Eingabe, die Sie ihm gegeben haben, ist dieses neuronale Netzwerk möglicherweise nicht so intelligent, wie es aussieht. Wenn Ihr Datensatz beispielsweise keine Fotos von Katzen enthält, erkennt das neuronale Netzwerk möglicherweise keinen Unterschied zwischen Katzen und Hunden und markiert alle Katzen als Hunde, wenn Sie es auf die echten Fotos von Personen loslassen.

Wofür wird maschinelles Lernen verwendet?

Maschinelles Lernen wird für alle Arten von Aufgaben verwendet, einschließlich der Spracherkennung. Sprachassistenten wie Google, Alexa und Siri sind so gut darin, menschliche Stimmen zu verstehen, dank maschineller Lerntechniken, die sie trainiert haben, menschliche Sprache zu verstehen. Sie haben an einer riesigen Menge menschlicher Sprachproben trainiert und verstehen immer besser, welche Laute welchen Wörtern entsprechen.

Selbstfahrende Autos verwenden Techniken des maschinellen Lernens, die dem Computer beibringen, Objekte auf der Straße zu erkennen und richtig darauf zu reagieren. Google Fotos ist voll von Funktionen wie Live-Alben, die mithilfe von maschinellem Lernen automatisch Personen und Tiere auf Fotos identifizieren.

DeepMind von Alphabet nutzte maschinelles Lernen, um zu erstellen AlphaGo, ein Computerprogramm, das das komplexe Brettspiel Go spielen und die besten Menschen der Welt schlagen könnte. Maschinelles Lernen wurde auch verwendet, um Computer zu entwickeln, die gut andere Spiele spielen können, von Schach bis DOTA 2.

Maschinelles Lernen wird sogar verwendet für Gesichts-ID auf den neuesten iPhones. Ihr iPhone baut ein neuronales Netzwerk auf, das lernt, Ihr Gesicht zu identifizieren, und Apple enthält einen dedizierten „Neural Engine“-Chip, der alle Zahlen für diese und andere maschinelle Lernaufgaben durchführt.

Maschinelles Lernen kann für viele andere Dinge verwendet werden, von der Identifizierung von Kreditkartenbetrug bis hin zu personalisierten Produktempfehlungen auf Shopping-Websites.

Aber die mit maschinellem Lernen erstellten neuronalen Netze verstehen nichts wirklich. Es sind nützliche Programme, die die engen Aufgaben erfüllen können, für die sie ausgebildet wurden, und das war’s.

Bildnachweis: Phonlamai Foto/Shutterstock.com, Tatiana Shepeleva/Shutterstock.com, Verschiedene Fotografie/Shutterstock.com.