Artificial Intelligence and Machine Learning – Part I
Oktober 8, 2018
Aus dem Unterricht des CAS Disruptive Technologies mit Dr. Marcel Blattner berichtet Stefan Vetter
An diesem schönen Freitagmorgen ‘droht’ uns Marcel an, dass er heute ‘unser Hirn grillen’ wird. Gespannt hören wir zu und merken bald, dass wir für die knackigen Algorithmen bis zum Nachmittag warten müssen. Am Morgen lernen wir mehr kulturelles und geschichtliches über Artificial Intelligence (AI) und Machine Learning (ML).
In den folgenden 4 Stunden vertiefen wir…
- AI und ML in den Medien und wie unterschiedliche Kulturen damit umgehen
- Ist das Thema wirklich neu?
- Was ist eigentlich AI und ML
AI und ML in den Medien
In den westlichen Ländern wird über AI und ML oftmals als Gefahr oder Ungemach berichtet. Die Artikel sind im Grundsatz nicht falsch, werden aber im Kontext meistes so dargestellt, als würden uns die Maschinen bald beherrschen. So zum Beispiel als Facebook ein Experiment startete: In diesem haben sie ein Verhandlungsgespräch zwischen zwei Maschinen führen lassen. Diese haben in ihrer selbstlernenden Art plötzlich eine neue Sprache erfunden. Das Experiment wurde abgebrochen. (Artikel Handelsblatt). Je nachdem, wie die Presse schreibt, wird ein falsches Bild bei den Lesern generiert. Die Headlines der Zeitungen sind oft irreführend. Bei höheren Berufen wird AI immer eine ergänzende Rolle spielen und nicht eine ersetzende.
Die meisten Personen können AI nicht einschätzen. Wenn man z.B. ein Auto kauft, da weiss man ungefähr, wie ein Auto funktioniert und was es für ein Auto braucht. Wir sind informiert. Kommt hingegen IBM und möchte uns Watson verkaufen, dann können wir das nicht einschätzen. Die Fähigkeiten von Watson sind für die allermeisten zu komplex.
Technologien sind nicht neutral. Wir müssen sie immer im Kontext des ganzen Ecosystems sehen. Die Applikationen und Zusammenhänge sind in einer komplexen Beziehung zwischen Technologie, Kultur und Wirtschaft.
Die Sprache, mit welcher wir AI Technologien beschreiben, vermittelt ein falsches Bild. Wir assoziieren sie mit menschlichen Values. Die Sichtweise würde sich ändern, wenn wir AI technisch beschreiben würden und eine akkuratere und präzisere Beschreibung wählen. Die menschlichen Werte fördern unrealistische Erwartungen.
Kultureller Unterschied
AI wird in Japan anders angesehen, als in der westlichen Kultur. So geht es in Japan immer um Zuneigung und ältere Personen, während dem in der westlichen Kultur die Roboter meistens als Gefahr gesehen werden.
Der Promo Film iEndly zeigt schön, wie in Japan mit Robotern umgegangen wird, ganz im Gegenteil zu den YouTube Videos welche man aus der westlichen Welt unter den Begriff ‘Slaughterbots’ findet.
AI ist nicht wirklich neu
Schon in den 50er Jahren wurde der Grundstein für AI gelegt. Es gab vier Personen, die zu dieser Zeit AI stark geprägt haben. Vieles von dem was wir heute hören wurde schon mal gesagt.
- Marvin Lee Minsky war ein amerikanischer Forscher auf dem Gebiet der künstlichen Intelligenz.
- Claude Elwood Shannon war ein US-amerikanischer Mathematiker und Elektrotechniker. Er gilt als Begründer der Informationstheorie.
- Alan Turing war ein britischer Logiker, Mathematiker, Kryptoanalytiker und Informatiker. Er gilt heute als einer der einflussreichsten Theoretiker der frühen Computerentwicklung und Informatik.
- Frank Rosenblatt war ein US-amerikanischer Psychologe und Informatiker.
In den 60iger Jahren war man sehr enthusiastisch über AI und man hat sich die gleichen Fragen wie heute gestellt. Werden wir Jobs verlieren? Kann der Computer in Zukunft selber denken? Sind sie freundlich? Usw. Das Interview ‘the thinking machine’ aus den 60iger Jahren handelt von AI. In den 80iger Jahren kam der sogenannte AI Winter, an dem die Investitionen in AI drastisch gekürzt wurden und das Thema praktisch still stand.
Was ist ML und AI?
Viele Fragen über AI kommen aus der Philosophie, Mathematik und Wirtschaft. Hier ein paar Beispiele:
Der Unterschied zwischen dem menschlichen Gehirn und einer Maschine besteht darin, dass die Maschine in einer einzigen Sache sehr gut und schnell werden kann. Sie kann gleichbleibende Aufgaben viel schneller lösen als ein Mensch. Ein menschliches Gehirn ist jedoch sehr kreativ und kann verschiedene unterschiedliche Arbeiten sehr gut zusammenhängen.
Logic: Wir können nicht so schnell rechnen wie eine Maschine
Transfer: Etwas, was wir gelernt haben, können wir einfach irgendwo anders auch anwenden
Creativity Eine Maschine kann nicht kreativ sein
AI basierende Systeme können weitgehend in zwei Kategorien gefasst werden:
- Artificial General Intelligence (AGI)
AGI beschreibt eine Maschine, die so denken kann und funktioniert, wie ein Menschen -> Das gibt es heute nicht - Artificial Narrow Intelligence (ANI)
ANI beschreibt eine Maschine die eine Aufgabe extrem gut und schnell erfüllen kann, besser als ein Mensch -> Das sind die Systeme, die wir heute kennen
Vier verschiedene Typen von AI beschreiben AGI und ANI
Type I – Reactive Systems (ANI)
Eine sehr einfache Art von AI, die keine Vergangenheit kennt und direkt auf das reagiert, was sie kennt. Sie kennt ihr Umfeld nicht. Die meisten AI Systeme gehören in diese Kategorie.
Type II – Limited Memory (ANI)
Lernt aufgrund früherer Informationen und kann diese in Entscheidungen oder Aktionen einfliessen lassen. Hier reden wir von fortgeschrittenen Chatbots. Das verseht man unter den heutigen Machine Learning.
Type III – Theory of Mind (AGI)
Dieser Type versteht Gedanken und Emotionen. Er kann mit Gefühlen, Motivation, Absichten oder Erwartungen umgehen und interagiert Sozial. Das ist der nächste Schritt von AI – wir sind aber noch nicht soweit.
Type IV – Self-Aware
Dieser Type kann die Gefühle von anderen deuten und kennt sich selber sehr gut. Das ist die Zukunft der Maschinen, er ist super intelligent, hat ein Bewusstsein und ist einfühlsam. Wir sind noch weit davon entfernt.
Am Schluss noch die Abrundung der Definitionen
Artificial Intelligence: Jede Art von Techniken, die einem Computer erlauben, ein menschliches Verhalten nachzuahmen.
Machine Learning: Techniken, die mit statistischen Methoden der Maschine helfen, sich anhand von Beispielen weiterzuentwickeln. Learning by examples.
Deep Learning: Techniken, die über mehrere Layer in neuroyalen Netzwerken versuchen, Teile des menschlichen Gehirn nachzubilden.
Interessante Links aus dem Untericht
Artikel Links:
Heute entscheiden Algorithmen über die Kreditwürdigkeit
Algorithmen gefährden die Demokratie
Weiblich, mächtig – und verhasst
Bias and algorithms
Ethics and AI
Video Links
Sight – Short Sci Fi
Journey Neural Net – DeepDream
Boston Dynamics Videos
AI – Composer
Google – Duplex / Clean version
LipNet
Bio Hacking
TED Talk Neil Harbisson
Film Empfehlung