Das Thema künstliche Intelligenz wird ja immer brisanter, da immer mehr Aufgaben durch KI erledigt werden. Dabei rückt auch die Gefahr von künstlichen Intelligenzen immer mehr in den Vordergrund, da selbst die Entwickler nicht sagen können, wie genau eine Entscheidung getroffen wird. Das erschwert natürlich auch die Argumentation mit einer KI. Deshalb sollte man auch Wert auf die Meinung von natürlichen Intelligenzen legen. Meiner Meinung nach ist es allerdings möglich, eine KI zu entwerfen, mit der man diskutieren kann.
Zwischen natürlichen und künstlichen Intelligenzen gibt es mehrere Unterschiede. Allein schon, wenn wir betrachten, welche Eingangsdaten beachtet werden. Um das zu veranschaulichen, bauen wir ein Minimalbeispiel auf, bei dem wir ganz bewusst auf einige Sachen verzichten. Das Beispiel soll nun eine KI sein, die anhand von mehreren Daten die Frage beantworten soll, ob das Wetter gerade schön ist oder nicht. Das Beispiel ist geeignet, da das Empfinden über das Wetter doch recht individuell ist.
Sagen wir also, unsere KI bekommt Eingangsdaten wie "Luftfeuchtigkeit", "Temperatur", "Datum" und "Uhrzeit" und einige mehr. Das sind alles ganz objektive Daten, die wunderbar in Zahlen ausgedrückt werden können.
Hier wird schon der erste Unterschied zwischen künstlicher und natürlicher Intelligenz offensichtlich. Die künstliche Intelligenz kann nicht plötzlich vergessen, eine Größe auszuwerten. Dafür fällt es schwer, zusätzliche Größen zu implementieren. In dem Beispiel werden z.B. weder Luftdruck noch Ionisierung der Luft beachtet. Eine natürliche Intelligenz, wie z.B. der Mensch, kann zwar Daten bei der Auswertung übersehen, dafür können schnell neue Eingangsdaten hinzugefügt werden, ohne den gesamten Auswertungsprozess neu erlernen zu müssen.
Ein anderes Beispiel wären z.B. Richter und Anwälte. Die werden auch immer wieder mit neuartigen Informationen konfrontiert und müssen anhand derer ihre Urteile fällen. Selbst wenn sie einen neuen Sachverhalt lernen, müssen sie nicht ihr gesamtes Jurastudium wiederholen. Ein KI-Richter müsste jedoch sein Studium wiederholen, was dann natürlich höchstens wenige Minuten dauern würde.
Zurück zu unserem Wetterbeispiel. Wir konstruieren hier ein Neuronales Netzwerk. Das heißt in diesem Beispiel, dass wir links unsere Eingangsdaten haben, symbolisiert durch die Punkte. Diese Daten werden mit einer bestimmten Gewichtung an die nächste Ebene weitergegeben. Das ist hier durch die Linien ausgedrückt. Die Knoten, die die gewichteten Daten bekommen, werten die mit einer bestimmten Funktion aus und geben einen neuen Wert aus.
Die Prozedur zieht sich bis zu den Zieldaten auf der rechten Seite. In dem Bild haben wir das nur für einen Knoten aufgezeichnet, damit es übersichtlich bleibt.
Das Lernen so einer KI geschieht nun dadurch, dass dem Algorithmus Datensätze mit den Eingans- und Zieldaten gegeben werden. Durch allerhand Mathematik werden nun die Gewichtungen so verändert, dass die Eingangsdaten zum Ergebnis führen. Das Wissen so einer KI steckt also in den Gewichtungen. Natürlich gibt es noch viele weitere Architekturen solcher Netze, die z.B. die Analyse von Zeitreihen und Vorhersagen anhand vergangener Daten ermöglichen. Wir schauen uns hier allerdings nur dieses Beispiel an, da es auf viele weitere Architekturen übertragbar ist.
Diese Eingangsdaten können nun im Ganzen verarbeitet werden, um zu einem Urteil über das Wetter zu gelangen. Dazu könnte das Netz vollständig verbunden sein. Das heißt, jeder Knoten wertet die Informationen aller Knoten der vorherigen Ebene aus. Der Vorteil ist, dass diese Architektur mit einfachen Algorithmen implementiert werden kann. Außerdem ist die Auswertung sehr einfach, da nur Matrizen und Vektoren multipliziert werden müssen. Auf diese Ergebnisse muss dann einfach noch eine Funktion angewandt werden. Der Nachteil ist offensichtlich, dass man nicht erkennt, wie eine Entscheidung getroffen wird. Dadurch fällt das Argumentieren und Diskutieren schwer.
Betrachten wir kurz, wie wir Menschen Diskutieren. Wir nehmen nicht alle Datensätze, um durch ein undurchsichtiges Verfahren zu einer Meinung zu gelangen. Wir betrachten nur wenige Datensätze, aus denen wir ein Argument formen. Aus den so gewonnenen Argumenten gewinnen wir vielleicht weitere Argumente, bevor wir zu einem Urteil gelangen. Unser Gesprächspartner kann nun jedes dieser Argumente durch weitere Daten oder eigene Argumente verändern. Dadurch entsteht eine Diskussion, die im günstigsten Fall zu einem eindeutigen Ergebnis führt.
Genau das Prinzip lässt sich prinzipiell auch auf künstliche Intelligenzen Anwenden. In unserem Beispiel können die Argumente "Art des Niederschlags", "Bewässerung der Felder", "Trockenheit der Felder" und "Arbeitstag" geformt werden. Nun kann man noch ein Zwischenargument bilden, indem man fragt, ob das Wetter für die Landwirtschaft schön ist.
Jetzt wirst du wahrscheinlich sagen, dass nicht jeder Mensch dieselben Arbeitszeiten hat und für die einzelnen Argumente nicht alle nötigen Daten beachtet werden. Z.B. spielt bei der Frage, ob man zur Arbeit muss, auch das Datum eine große Rolle und auch der Wohnort, wenn wir nur mal die Feiertage beachten.
Genau hier setzt die Argumentation und die Diskussion mit der KI an. Die Eingangsdaten werden zunächst von der KI so verarbeitet, wie sie es gelernt hat. Sagen wir, es ist ein normaler Mittwochnachmittag. Die KI wird hier also sagen, dass du arbeiten musst. Das könnte direkt in diesem einzelnen Argument abgelesen werden. Nun hast du allerdings Urlaub. Wenn man nun dieses Arbeitsargument kurzerhand mit dem Individuellen Wert „Urlaub“ bzw. „frei“ ersetzen kann, wird die KI das ebenso berücksichtigen.
Bildlich ausgedrückt könnte im Rahmen der Diskussion die Gewichtungslinie zwischen den Knoten Arbeitstag und der Frage nach dem Wetter temporär geändert werden. Die Änderung kann ersetzend sein. Wenn man bei den Arbeitstagen nur "ja" oder "nein" zulässt. Die Änderung kann auch multiplikativ sein, wenn z.B. ein Landwirt dem Wetter doppelt so viel Bedeutung beimisst, wie von der KI gelernt, die Gewichtung also mit zwei multipliziert.
Der Nachteil ist natürlich, dass so eine KI nicht mit einem einfachen Algorithmus in beliebiger Größe implementiert werden kann. Für jedes Problem müsste also eine neue Architektur erfunden werden.
Der Vorteil ist offensichtlich, dass man dann auch die Entscheidungsfindung der KI nachvollziehen und diskutieren kann.
Wenn jedes dieser Argumente als separates neuronales Netz implementiert wird, können relativ unkompliziert neue Datensätze eingebunden werden, sodass nur ein kleiner Teil des Netzwerkes neu lernen muss und nicht gleich das gesamte Netzwerk.
Wenn z.B. bei der Art des Niederschlags nun auch der Luftdruck eine Rolle spielen soll, muss dazu nur dieses Teilnetzwerk neu lernen.
Das war jetzt nur ein kleines Minimalbeispiel, wie eine Diskussion mit einer KI funktionieren kann. Das ist also, entgegen der landläufigen Meinung, kein Hexenwerk. Natürlich lässt sich das Prinzip auf die allermeisten Aufgaben übertragen, auch wenn die deutlich komplexer werden.
Quelle