Deep Learning: Wie lernen Computer das Lernen?

Deep Learning: Stephen Hawking sieht in Künstlicher Intelligenz eine Bedrohung für die Menschheit.

Stephen Hawking sieht in Künstlicher Intelligenz eine Bedrohung für die Menschheit. (Bild: „Az univerzum, ahogy Stephen Hawking látja“ von Lwp Kommunikáció, Lizenz CC BY 2.0)

Stephen Hawking sieht in Künstlicher Intelligenz eine Bedrohung für die Menschheit. Für immer komplexer werdende Zusammenhänge ist sie jedoch unverzichtbar.

Kein geringerer als der britische Astrophysiker Stephen Hawking sieht die Menschheit durch Künstliche Intelligenz (KI) bedroht: In einem Gespräch mit der Financial Times, in dem eine Frage nach Hawkings KI-basiertem Sprachsystem gestellt wurde, sagte Hawking, er vertraue auf primitivere Formen der Künstlichen Intelligenz, wie wir sie aktuell bereits verwenden.

Jedoch fürchte er sich vor den Konsequenzen, die es nach sich zöge, würden Maschinen dem Menschen gleichkommen oder ihn sogar überrunden. Um diese Utopie real werden zu lassen, ist Deep Learning notwendig: die Methode, mit der Maschinen wie Computer das Lernen lernen.

Katzen. Überall sind Katzen.

"Katzen" ist eine von drei Kategorien, in die Google, dank Deep Learning, die Bilderflut im Internet aufteilt.

„Katzen“ ist eine von drei Kategorien, in die Google die Bilderflut im Internet aufteilt. (Bild: „Domestic mouse attack“ von afu007, Lizenz CC BY 2.0)

Es ist bald fünf Jahre her, dass sich Forscher die Tiefen der Datenbanken von YouTube ansahen und gut zehn Millionen Standbilder extrahierten. Das Google Brain, ein Deep Learning-Projekt des Suchmaschinenriesen Google, das aus rund 1.000 Computern ein Netzwerk bildet, fütterten die Forscher mit den Aufnahmen. Google Brain saugte drei Tage lang Informationen jedweder Art in sich auf, suchte in den Bildern wiederkehrende Muster und kam zu dem Entschluss, dass sich die Bilderflut schließlich in die drei Kategorien „menschliche Gesichter“, „menschliche Körper“ und „Katzen“ einteilen lässt.

Richtig gelesen: Katzen. Dass das Web voller Katzen ist, mag den einen oder anderen Social Media-User schier in den Wahnsinn treiben, beweist jedoch, dass „Deep Learning“ Realität ist – eine noch recht junge Realität.

Dabei hat sich Deep Learning quasi selbst neu belebt: künstlich neuronale Netze, eine deutlich ältere Technik, die sich grob an der Arbeit unserer Gehirne orientiert und dicht verwobene Netze aus Nervenzellen simuliert, konnten wiederbelebt werden. Dem natürlichen Vorbild entsprechend sollen Erfahrungen beim Lernen helfen, indem die Stärke simulierter Neuronenverbindungen entsprechend geändert wird.

Das Google Brain übertraf mit rund einer Milliarde simulierter Verbindungen sowie einer Million Neurone jedes bis dato existierende künstliche Netzwerk um ein Vielfaches. Andrew Ng, Gründer des Projekts, möchte noch mal um das Zehnfache aufstocken.

Computer, die wie Menschen denken

Es sind gerade die Start-ups, die beim Deep Learning punkten. Riesen wie Apple, Google oder auch IBM verleiben sich in regelmäßigen Abständen entsprechende Unternehmen ein, um von deren Entwicklungen zu profitieren und Wissenschaftler an sich zu binden. Einer der Pioniere des Deep Learnings ist Yann LeCun. Der ehemalige Direktor des Centers for Data Science der New York University leitet mittlerweile das KI-Team von Facebook.

Deep Learning, also "maschinelles Lernen" ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung.

Deep Learning, also „maschinelles Lernen“ ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung. (Bild: „Learn“ von GotCredit, Lizenz: CC BY 2.0)

Er sieht Deep Learning als entscheidenden Fortschritt in der Künstlichen Intelligenz. In den 1980er Jahren war man weit entfernt von dem naiven Optimismus der ersten KI-Forscher in den 1950er Jahren, die denkende Computer bereits visionär ihre Arbeit verrichten sahen.

Viel zu vertrackt war es, menschliches Alltagswissen inklusive hochkomplexer Wahrnehmungsaufgaben in Maschinen abzubilden; jahrzehntelange Handarbeit war vonnöten. Google Brain-Gründer Ng musste sich die Frage stellen, ob es nicht bessere Möglichkeiten gibt, Maschinen das Lernen zu lehren.

Genau hier beginnt die Geburtsstunde des Deep Learnings: künstliche neuronale Netzen wurden als Analogie zum menschlichen Gehirn verwendet, um eigene Regeln selbst auszuloten und anhand dieser zu lernen. Das Prinzip, das Ng in einer Grafik anschaulich darstellt, basiert auf Ebenenerkennung.

Und nun bitte in einfach.

Deep Learning: In den 80er und frühen 90er Jahren existierte kaum Datenmaterial in digitalisierter Form.

In den 80er und frühen 90er Jahren existierte kaum Datenmaterial in digitalisierter Form. (Bild: „Networking II“ von Norlando Pobre, Lizenz CC BY 2.0)

In den 80er und frühen 90er Jahren existierte kaum Datenmaterial in digitalisierter Form, und die wenigen Informationen, die verfügbar waren, überforderten damalige Rechner. Entsprechend steckte die Künstliche Intelligenz in den 90er Jahren fest.

Diverse Verfechter des Netzwerks, darunter LeCun und sein damaliger Betreuer Geoffrey Hinton (University of Toronto), erkannten jedoch, dass steigende Rechenleistungen sowie gigantische digitale Datenbestände für ein Aufleben des Deep Learning-Ansatzes sorgen könnten. Das Forschungsteam widmete sich zunächst der Spracherkennung, um 2009 einen Durchbruch zu erleben.

Neues Jahrtausend, neue Erfolge

Die eingesetzte Software trainierte mit dreistündigen Tonaufnahmen inklusive Transkription – und übersetzte die Sprache genauer in einen geschriebenen Text als es je einer Software zuvor gelungen war. Verständlich, dass die Global Player der Smartphone-Branche hellhörig wurden und Profit witterten.

siri 2015

Dank des Deep Learning-Ansatzes beherrscht Apples Siri die Spracherkennung. (Bild: „With UK English Siri understands me much better“ von Kārlis Dambrāns, Lizenz CC BY 2.0)

Die mehr oder minder ausgereifte Form des Durchbruchs von 2009 kennst du übrigens heute unter dem Namen „Siri“, Apples Sprachunterstützung für iOS.

Google setzte seinerzeit noch eins drauf: als der Konzern die Spracherkennung für Android vorstellte, wurde die bisherige Fehlerquote um 25 Prozent gedrückt. Bedenkt man, dass sämtliche Verbesserungen der vergangenen zehn Jahre bislang marginal ausfielen, ist das ein gigantischer Wert! Erneut profitierte Google vom Forschungsteam um Hinton im Jahre 2012, als eben dieses Team mit einer Bilderkennungssoftware einen Wettbewerb gewann. Google offerierte Hinton eine Teilzeitstelle und integrierte das Programm in die Bildersuche von Google Plus.

KI & Deep Learning in der Zukunft

Das Konzept des Deep Learnings – Regeln werden manuell kodiert, bekannte Bilder oder Texte statistisch analysiert – erlaubt die Anwendung in allen möglichen und unmöglichen Bereichen; Erfolge legen nahe, dass Deep Learning etwa die automatische Sprachverarbeitung weiter voranbringen kann.

Doch wohin geht die Reise? – Ziel ist es, Maschinen Dinge beizubringen, ohne dass Menschen dafür nötig sind.

Deep Learning robot

Ziel von Deep Learning ist es, Maschinen Dinge beizubringen, ohne dass Menschen dafür nötig sind. (Bild: „Nao humanoid robot at the Georgia Robotics“ von Jiuguang Wang, Lizenz CC BY 2.0)

Deep Learning-Algorithmen lernen selbst, wie das, was sie „sehen“, zu anderen Dingen in Relation zu setzen ist. Damit wird Deep Learning zu einer Möglichkeit, Fragen jedweder Art dahingehend zu beantworten, wie sich einzelne Variablen verhalten.

Wir erleben also den Ansatz dessen, was es bedeutet, die Welt zu verstehen.

Im zweiten Teil zum Thema zeigen wir dir Beispiele, die belegen, dass Künstliche Intelligenz bereits unseren Alltag mitbestimmt. Und vielleicht kann uns in zehn Jahren Deep Learning verraten, wohin uns die Künstliche Intelligenz bringen wird und inwieweit die Bedenken von Stephen Hawking berechtigt sind.


Produkte, die Sie interessieren könnten


Sag uns deine Meinung!

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.