Der Motor für ‚KI made in Germany‘

Maschinelles und tiefes Lernen

Der Motor für ‚KI made in Germany‘

Die Anfänge der künstlichen Intelligenz gehen auf die 1950er Jahre zurück. Aber erst seit wenigen Jahren erlebt das Thema einen wahren Boom. Grund dafür sind nützliche KI-Anwendungen, vom Sprachassistenten bis zur Auswertung von Röntgenbildern. Welche Weichen müssen wir in Deutschland stellen, damit die Wirtschaft beim Einsatz und der Entwicklung von KI mit der Weltspitze mithalten kann?

 (Bild: ©phonlamaiphoto/stock.adobe.com)

(Bild: ©phonlamaiphoto/stock.adobe.com)

Die künftigen Auswirkungen von KI auf wirtschaftliche Prozesse wie auch unseren Alltag lassen sich längst nicht absehen – und kaum überschätzen. Die technologische Entwicklung darf daher nicht sich selbst überlassen werden, sondern muss dem Wohl der Gesellschaft dienen und den Wirtschaftsstandort Deutschland stärken. Dies gilt es in einem breiten öffentlichen Dialog zu klären. Damit verbunden sind zentrale Fragen für Forschung und Wissenschaft: Welche KI-Kompetenzen müssen wir in Deutschland aufbauen, um die gute Ausgangsposition in der internationalen KI-Forschung zu stärken? In welche Forschungsthemen sollte im Sinne einer zukunftsfähigen Ausrichtung künftig verstärkt investiert werden?

Grundlage bilden Massendaten

Technologischer Treiber der KI-Entwicklung sind das maschinelle Lernen und das tiefe Lernen. Verbunden mit der Verfügbarkeit von Massendaten sowie Fortschritten beim schnellen, parallelen Rechnen waren sie für die spektakulären KI-Durchbrüche der vergangenen Jahre verantwortlich – angefangen von DeepMinds AlphaZero, welches durch intensives Spielen gegen sich selbst erlernt, mehrere Brettspiele auf übermenschlichem Niveau zu spielen, bis hin zu modernen Übersetzungs- und Bilderkennungssystemen. Gegenüber dem umfassenden Begriff der künstlichen Intelligenz grenzen sich maschinelles und tiefes Lernen wie folgt ab:

  • Künstliche Intelligenz definiert Herausforderungen, die es zu lösen gilt und entwickelt Lösungsansätze.
  • Maschinelles Lernen ist eine grundlegende Methode der künstlichen Intelligenz. Sie zielt darauf, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Spezielle Algorithmen lernen dabei aus den vorliegenden Beispieldaten Modelle, die dann auch auf neue, zuvor noch nicht gesehene Daten angewendet werden können.
  • Maschinelles Lernen mit großen neuronalen Netzen wird als tiefes Lernen (Deep Learning) bezeichnet. Es stellt derzeit einige der leistungsfähigsten Ansätze des Maschinellen Lernens bereit.

Heute werden smarte Lösungen noch vornehmlich manuell programmiert. Die aktuellen Entwicklungen auf dem Gebiet der künstlichen Intelligenz markieren jedoch einen Paradigmenwechsel: Statt Verarbeitungsschritte manuell zu kodieren, wird KI-basierten Systemen die Fähigkeit zu lernen programmiert. Mithilfe des maschinellen Lernens können Agenten aus sehr vielen Beispielsituationen Muster erlernen und auf ähnliche Situationen übertragen. Auch beim maschinellen Lernen programmiert weiterhin der Mensch – allerdings nicht mehr fertige Lösungen. Stattdessen entwickelt er Programme, die aufgrund von Trainingsdaten die Lösung erlernen.

Deep Learning aufwendig

Die größten KI-Erfolge basieren derzeit auf tiefen neuronalen Netzen (tiefes Lernen oder Deep Learning). Hierbei verarbeiten eine große Zahl an künstlichen Neuronen Eingangsinformation in mehreren Schichten und stellen am Ausgang das Ergebnis bereit. So sind beispielsweise moderne Übersetzungs- und Bilderkennungssysteme ohne tiefes Lernen nicht denkbar. Neuronale Netzwerke besitzen eine hohe Expressivität, oder vereinfacht gesprochen: die Fähigkeit, jede kontinuierliche Funktion beliebig genau zu approximieren, sich ihr also anzunähern. Dadurch gestaltet sich ihr Training oft sehr daten- und zeitintensiv. Gleichzeitig ist es aber in der Regel möglich, ein für eine spezielle Aufgabe aufwendig trainiertes Netz über Transferlernen mit wenig Aufwand auf eine neue Aufgabenstellung anzupassen.

Seiten: 1 2Auf einer Seite lesen

Anzeige

Anzeige

Das könnte Sie auch Interessieren

Bild: Abat AG
Bild: Abat AG
Forschungskooperation verlängert

Forschungskooperation verlängert

Bild: Abat AG Voneinander und miteinander lernen, gemeinsam an innovativen Ideen für den Markt innerhalb von Forschungskooperationen tätig sein - seit mehreren Jahren schon besteht eine enge Zusammenarbeit zwischen der Bremer Abat AG und der Uni Oldenburg (Abteilung...

Image: Xilinx Inc.
Image: Xilinx Inc.
Adaptive AI Vision

Adaptive AI Vision

Image: Xilinx Inc. Die Kria SOMs ermöglichen den schnellen Einsatz durch Bereitstellung einer End-to-End Lösung auf Board-Ebene mit vorkonfiguriertem Software Stack. Das Kria K26 SOM basiert auf der Zynq UltraScale+ MPSoC Architektur, die einen Quad-Core Arm Cortex...