Künstliche Intelligenz für Dummies
8
0
0
Volltext
(2) Inhaltsverzeichnis Über den Autor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Über dieses Buch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wie dieses Buch aufgebaut ist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teil I: Ganz schön clever . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teil II: Wie lernt und denkt eine Maschine heute . . . . . . . . . . . . . . . . . . . . . . Teil III: Eine bunte Umsetzung von Künstlicher Intelligenz, denn alle Theorie ist grau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teil IV: Ist die Maschine bald klüger als der Mensch und fühlt sie sich wenigstens gut dabei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Teil V: Der Top-Ten-Teil. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Symbole, die in diesem Buch verwendet werden . . . . . . . . . . . . . . . . . . . . . . . . . . Was nun? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 9 21. 22 23 23 23 24 24 25 25 26. TEIL I GANZ SCHÖN CLEVER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 27. Kapitel 1 Einführung in die Thematik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 29. Kapitel 2 Eine kurze Geschichte der intelligenten Maschinen. . . . . . . . . .. 37. Kapitel 3 Wie intelligent ist die Künstliche Intelligenz wirklich? . . . . . . . .. 45. Was ist Intelligenz? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Intelligenz messen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gibt es nicht die eine richtige Antwort? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Codierte Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Schwache KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Starke KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Autonom vs. intelligent. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Denken mit Mathematik formalisieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Der Universalcomputer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Geburtsstunde der Künstliche Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wichtige Meilensteine der KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Die angemessene Intelligenz – Intelligenzstufe I1 . . . . . . . . . . . . . . . . . . . . . . . . . . Die lernende Intelligenz – Intelligenzstufe I2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Muss Wissen wahr sein?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Können Maschinen Wissen erzeugen?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Deduktiver Wissenserwerb. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 30 30 31 33 34 34. 37 38 38 39 40. 45 49 50 51 52.
(3) 14 Inhaltsverzeichnis Abduktiver Wissenserwerb. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Induktiver Wissenserwerb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die kreative Intelligenz – Intelligenzstufe I3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die bewusste Intelligenz – Intelligenzstufe I4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die selbstbewusste Intelligenz – Intelligenzstufe I5. . . . . . . . . . . . . . . . . . . . . . . . . Einordnung der KI im Rahmen der verschiedenen Intelligenzstufen und Anmerkungen zu Bots . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Der Turing-Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Das chinesische Zimmer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. Kapitel 4 Alles, was Sie über das Wissen wissen müssen . . . . . . . . . . . . . . . . .. Von Daten zu Informationen zu Wissen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reden wir über Daten. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Reden wir über Information. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Information und ihre Bedeutung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Berechnen wir die quantitative Größe der Bedeutung . . . . . . . . . . . . . . . . . Kommen wir zum Wissen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Alles digital oder was … – Die große Digitalisierungswelle . . . . . . . . . . . . . . . . . . . KI, Datenbanken und Wissensbasierte Systeme . . . . . . . . . . . . . . . . . . . . . . . . . . . Was ist eine Datenbank?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Was ist ein Expertensystem? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Was ist ein Wissensbasiertes System? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI und Multi-Agenten-Systeme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI und Semantische Netze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI und Neuronale Netze oder wie speichert der Mensch sein Wissen? . . . . . . . . KI-Systeme sind etwas Technisches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wir erzeugen neues Wissen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 55 56 60 65 67 67 68 71 72. 73. 73 74 76 81 83 86 88 93 94 95 99 99 103 105 107 108. Kapitel 5 Alles logisch oder was?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 KI umfasst noch sehr viel mehr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Grundlagen der Logik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die logische Kettenregel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Aristoteles’ Logik nennen wir Syllogismus . . . . . . . . . . . . . . . . . . . . . . . . . . . . Aussagenlogik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Junktoren der Aussagenlogik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tautologien. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Das Deduktionstheorem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Das Erfüllbarkeitsproblem der Aussagenlogik . . . . . . . . . . . . . . . . . . . . . . . . . Prädikatenlogik 1. Stufe (PL1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Schlussfolgern in der Prädikatenlogik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Der Resolutionskalkül. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die PL1 ist korrekt und vollständig . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Das Entscheidbarkeitsproblem der Prädikatenlogik. . . . . . . . . . . . . . . . . . . Prädikatenlogik 2. Stufe (PL2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Darum PL2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 112 113 113 114 116 117 121 123 128 129 133 135 136 136 137 138.
(4) Inhaltsverzeichnis. Vollständige Induktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Grenzen der PL2 – Das Unvollständigkeitstheorem. . . . . . . . . . . . . . . . . . . . Unabhängig von der KI: Was bedeutet das Ergebnis von Gödel erkenntnistheoretisch?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung und Kritikpunkte zur klassischen Logik . . . . . . . . . . . . . . . . . .. 15 139 140 144 145. TEIL II WIE LERNT UND DENKT EINE MASCHINE HEUTE. . . . . . . . . . . . . . . . . . 147 Kapitel 6 Die Grundlagen des maschinellen Lernens . . . . . . . . . . . . . . . . . . . . . 149 Die Rohstoffe des maschinellen Lernens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Grundlagen maschinellen Lernens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Weiße Schwäne – schwarze Schwäne. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bauen wir Modelle von der Welt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Analytischer vs. empirischer Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Beispiele für die empirische Modellierungsmethode . . . . . . . . . . . . . . . . . . Statistik im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Schließende Statistik in der KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Von Datentypen, Kennzahlen und fiesen Fallstricken . . . . . . . . . . . . . . . . . . . . . . . Welche Daten sagen was - Skalentypen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Beginnen wir mit einer einfachen Datentabelle . . . . . . . . . . . . . . . . . . . . . . . Univariate Statistik am Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Multivariate Statistik am Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Auf der Suche nach der Wahrheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Grenzen der Statistik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Multivariate Statistik im mathematischen Detail . . . . . . . . . . . . . . . . . . . . . . . . . . . Statistische Verfahren zum Auffinden von Zusammenhängen. . . . . . . . . . Statistische Verfahren zum Auffinden von Strukturen . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 150 151 152 152 153 157 159 161 161 163 164 166 168 172 173 174 175 190 194. Kapitel 7 Kaum zu glauben – Die Maschine lernt richtige Regeln. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 Entscheidungsbäume. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Entscheidungsbaum basierend auf Maximierung des Informationsgewinns. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Assoziationsregeln. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wichtige Gütemaße. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ein interessantes Gütemaß: Die Interessantheit . . . . . . . . . . . . . . . . . . . . . . . . . . .. 196. 196 205 206 212. Kapitel 8 Neuronale Netze – Auf dem Weg zum künstlichen Gehirn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213 Das Neuronenmodell. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Wie alles begann … . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . … und (fast) voreilig endete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Topologie von neuronalen Netzwerken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 214 216 219 223.
(5) 16 Inhaltsverzeichnis Überblick über neuronale Lernverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Überwachte Lernverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Unüberwachte Lernverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bestärkende Lernverfahren. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Hebb’sche Lernregel – das einfachste Lernverfahren . . . . . . . . . . . . . . . . . . Delta-Lernregel als einfaches überwachtes Lernverfahren . . . . . . . . . . . . . . Backpropagation-Lernregel – der Standard der überwachten Lernverfahren. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . LSTM-Netze (als Vertreter von Deep-Learning-Netzen). . . . . . . . . . . . . . . . . Competitive Networks – ein einfaches unüberwachtes Lernverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Selbst-Organisierende Merkmalskarten (SOM) – ein unüberwachtes Lernverfahren der Königsklasse . . . . . . . . . . . . . . . . . . . Probleme der neuronalen Netze beim Einsatz in der Praxis . . . . . . . . . . . . . . . . . Gütemaße neuronaler Netze für numerische Vorhersagen (Modellvorhersagen). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gütemaße für Klassifikatoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Probleme des Generalisierens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 229 230 230 230 232 233 235 240 241 243 253 254 255 255 259. Kapitel 9 Deep Learning – Der neue Clou der Künstlichen Intelligenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261 Ein kleines bisschen Bildverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bildverarbeitung durch Faltung ... und nicht Filterung . . . . . . . . . . . . . . . . . Ein Faltungskern zur Kantendetektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Convolutional Neural Networks (CNN) – Neuronale Faltungsnetzwerke . . . . . . . Lernphase eines CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Anwendungsphase eines CNN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Kritische Anmerkungen zum Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . So täuscht man eine KI. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 262 263 266 268 268 269 270 271. TEIL III EINE BUNTE UMSETZUNG DER KÜNSTLICHEN INTELLIGENZ, DENN ALLE THEORIE IST GRAU. . . . . . . . . . . . . . . . . . . . . 275 Kapitel 10 Ist KI nur Mathematik? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Grenzen von Mathematik und Computern . . . . . . . . . . . . . . . . . . . . . . . . . . . Was ist ein Algorithmus?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ist auch die menschliche Intelligenz algorithmisch? . . . . . . . . . . . . . . . . . . . . Ist die Natur »mechanisierbar«? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 277 279 281 283. Kapitel 11 Klüger als die alten Meister – Wieso gewinnt die KI im Schach und Go?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289 Wie konnte es so weit kommen? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Deep Blue gewinnt im Schach. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 289 290.
(6) Inhaltsverzeichnis. AlphaGo gewinnt im Go. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zugnetzwerk (Policy Network) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Bewertungsnetzwerk (Value Network) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . AlphaZero gewinnt alles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 17 295 297 297 299 302. Kapitel 12 Mal was Nützliches – KI in Industrie und Gesellschaft . . . . . . . . 303 Künstliche Intelligenz in der Industrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IBM Watson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Roboter in der Industrie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Produktion Industrie 4.0 und Internet der Dinge . . . . . . . . . . . . . . . . . . . . . . Künstliche Intelligenz in der Gesellschaft . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Das Internet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gesichtserkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Spracherkennung und Sprachsteuerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sprach-Übersetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Medizin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Soziale Netzwerke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI in Kunst und Wissenschaft . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Autonome Autos (Selbstfahrende Autos) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 303 305 306 308 312 312 313 313 314 314 315 315 316 322. Kapitel 13 Und immer wieder lernen – KI und die Daten unserer Welt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323 Was es alles gibt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Was ist Data Mining?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Der Data-Mining-Prozess in der Praxis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI als die Data-Mining-Technologie der Industrie . . . . . . . . . . . . . . . . . . . . . . . . . . Allgemeine Situationsbewertung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Praxisbeispiel – Ausschussratensenkung in einer diskreten Fertigung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Praxisbeispiel – Analyse von Prozesseigenschaften chemischer Prozesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Praxisbeispiel – Gleichzeitige Optimierung mehrerer Zielgrößen (Polyoptimierung) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Praxisbeispiel – Kostenreduktion im Einkauf durch Text Mining . . . . . . . . . Und vieles mehr. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI & Big Data – Fluch und Segen zugleich . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Schauen wir zuerst zu Facebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . BUMMER und das Gesetz der großen Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . Und nun zu Google . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Da ist der Haken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 323 325 326 329 329 333. 341 346 349 353 353 356 356 358 359 361.
(7) 18 Inhaltsverzeichnis. Kapitel 14 KI zum Anfassen – Arbeiten mit Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363 1. Matlab – MATrix LABoratory. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. WEKA – Waikato Environment for Knowledge Analysis. . . . . . . . . . . . . . . . . . . . 3. R und Python. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. KNIME – Konstanz Information Miner. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. TensorFlow – das KI-Werkzeug von Google. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 367 368 368 369 370. TEIL IV IST DIE MASCHINE BALD KLÜGER ALS DER MENSCH UND FÜHLT SIE SICH WENIGSTENS GUT DABEI . . . . . . . . . 373 Kapitel 15 Materie und Geist – Ein notwendiger Ausflug in die Philosophie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375 Wie klug ist die KI heute schon? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Generelles Nachdenken über den Geist und das Bewusstsein . . . . . . . . . . . . . . . Dualismus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Monismus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Emergenztheorie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Funktionalismus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Schön philosophiert – Und nun? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 375 382 383 384 385 385 387 389. Kapitel 16 Mit der Lupe ins Gehirn geschaut: Bewusstsein – Wo bist du?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391 Von der Philosophie des Geistes zurück zur empirischen Forschung . . . . . . . . . . Wo und wie ist denn nun die Qualia abgespeichert?. . . . . . . . . . . . . . . . . . . Die Anatomie neuronaler Netze im menschlichen Gehirn . . . . . . . . . . . . . . . . . . . Die Physiologie der neuronalen Informationsverarbeitung. . . . . . . . . . . . . . . . . . Eine wichtige Diskussion: Wetware vs. Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . Der Vorteil der Wetware – Die heutige Hardware besitzt keine Qualia. . . . . . . . 1. Detaillierte Analyse des menschlichen Gehirns . . . . . . . . . . . . . . . . . . . . . 2. Mathematische Modellierung von Bewusstsein und Qualia im Gehirn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Bestimmung der Eigenschaften, die ein System haben müsste, um Bewusstsein auszuprägen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Zeigen, dass die heutigen KI-Systeme diese Eigenschaften nicht besitzen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Eine Hypothese: Zur Erzeugung von Qualia benötigen wir wahrscheinlich die Quantenphysik. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ein Beispiel: Der Mensch sieht nicht nur mit seinen Augen . . . . . . . . . . . . . Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 391 393 394 396 401 403 404 404 405 405. 406 407 410.
(8) Inhaltsverzeichnis. 19. Kapitel 17 Zukünftige Entwicklungen und ethische Fragen . . . . . . . . . . . . . . . 413 Quo vadis KI oder Warum die Singularität nochmals ausfällt. . . . . . . . . . . . . . . . Auswirkungen bei der Nichterkennung technischer Grenzen der heutigen KI-Systeme. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Evolution der Schwachen KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Deduktive KI – Die KI bis gestern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Induktive und Kognitive KI – Die KI der Gegenwart . . . . . . . . . . . . . . . . . . . . Neuromorphe KI – Die KI von morgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Die Evolution der Starken KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Maschinelles Bewusstsein auf Quantencomputern? . . . . . . . . . . . . . . . . . . . Wir müssen über Ethik reden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Was haben Fake News mit KI zu tun? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Und jetzt auch noch Fake Science. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . KI in Social Media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Damit kommen wir zur Ethik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fiction 1: Plädoyer gegen die Künstliche Intelligenz – Das Risiko vom Ende. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Fiction 2: Plädoyer für die Künstliche Intelligenz – Die Chance zum Anfang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diskussion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 414. 416 416 416 417 419 422 422 424 425 426 427 428 431 434 438. TEIL V DER TOP-TEN-TEIL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439 Kapitel 18 Fast zehn Begriffe und Einordnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441 Damit Sie die KI nicht missverstehen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tipps für Studenten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tipps für Manager. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Und ein kleiner Tipp für Politiker und interessierte Laien . . . . . . . . . . . . . . . . . . . Es gibt auch Big Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ein Einstieg für Interessierte mithilfe des Internets . . . . . . . . . . . . . . . . . . . . . . . . Werden Sie aktiv – Probieren Sie selbst mal was aus. . . . . . . . . . . . . . . . . . . . . . . KI ist gut organisiert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Führen Sie KI in Ihrem Unternehmen ein oder werden Sie dafür verantwortlich. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 441 442 442 443 444 444 445 446 447. Literaturliste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449 Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453.
(9)
ÄHNLICHE DOKUMENTE
Teil IV: Die Zukunft steht nicht mehr in den Sternen – Chance und Risiko der Künstlichen Intelligenz (Kapitel 11 und
■ Die drei Treiber für den Fortschritt von Kl 22. Die Kl-Beschleuniger
Kann es Intelligenz ohne einen Körper geben?.... Was können Roboter mit Künstlicher Intelligenz
Sie arbeiten an Systemen, die Men- schen bei Entscheidungen unterstützen, indem sie große Men- gen an Daten – Bilder, Tondokumente, Texte – durchforsten und wichtige
2 Die Zukunft der Abschlussprüfung (Axel Zimmermann) 38 2.1 Wie die digitale Transformation (auch) die Wirtschafts prüfung disruptiv verändert...38.. 2.2 Disruptive
Teil III: Eine bunte Umsetzung der Künstlichen Intelligenz, denn alle Theorie ist
Die OECD definiert in den Grundsät- zen für den Umgang mit KI diese im Jahr 2019 als „ein maschinenbasiertes Sys- tem, das für bestimmte von Menschen definierte Ziele
In diesem Buch benutzen wir den Begriff künstliche Intelligenz (KI) so, wie er heutzutage üblicherweise von Programmierern verwendet wird: als eine bestimmte Art von
