Was sind KI Algorithmen?

Read in English (Auf Englisch lesen).

Algorithmen der künstlichen Intelligenz geben einem Computer Anweisungen, wie er Entscheidungen treffen, Funktionen ausführen oder andere Aufgaben selbstständig erledigen soll. Diese Algorithmen unterstützen Tools, die wir täglich nutzen, wie Suchmaschinen, Autokorrektur oder Empfehlungen für Inhalte im Fernsehen oder in Musik-Streaming-Apps.

In diesem Artikel erfahren Sie mehr über verschiedene Arten von KI Algorithmen und wie sie lernen. Außerdem erhalten Sie Beispiele aus der Praxis, wie sie unser Leben einfacher und effizienter machen. 

Was sind KI Algorithmen?

KI Algorithmen geben der KI-Technologie Anweisungen, auf Daten zu denken und zu reagieren, und zwar auf eine Weise, die unserer Informationsverarbeitung intuitiv entspricht.

Künstliche Intelligenz zielt darauf ab, Computer zu entwickeln, die Informationen verarbeiten und Entscheidungen treffen können, ohne dass menschliche Anweisungen gegeben werden. Die KI Algorithmen stellen alle Anweisungen dar, die erforderlich sind, um auf die der Maschine präsentierten Daten zu reagieren. 

KI Algorithmen vs. menschliche Intelligenz

Um zu verstehen, wie Algorithmen künstlicher Intelligenz funktionieren, betrachten wir zunächst die Funktionsweise menschlicher Intelligenz. Nehmen wir beispielsweise an, Sie möchten einen Obstsalat zubereiten. Zuerst müssen Sie in den Laden gehen, Obst aussuchen und kaufen. Dann bringen Sie es nach Hause, waschen es und schneiden es je nach Sorte in Stücke. Schließlich vermischen Sie alles in einer großen Schüssel. Dies ist ein Beispiel für einen einfachen Algorithmus zur Zubereitung von Obstsalat. 

In diesem grundlegenden Set von Anweisungen setzen wir mehrere kognitive Sprünge voraus, die für Menschen selbstverständlich sind, einen Computer jedoch sofort vor ein Rätsel stellen würden, darunter die folgenden:

• Sie wissen, welcher Laden Obst verkauft.

• Sie wissen, welche Objekte im Supermarkt „Obst“ darstellen.

• Sie wissen, wie Sie jede Frucht einzeln waschen und verarbeiten und Äpfel anders schneiden als Trauben. 

Sie verstehen diese Konzepte vielleicht, weil Sie sie kennen und gelernt haben, mit Systemen zu arbeiten. Mit Ihrer Erfahrung könnten Sie in jede beliebige Stadt in Deutschland reisen und sich dort einen Obstsalat zubereiten, auch wenn der Supermarkt, die Straßen und das Obst dort vielleicht etwas anders aussehen. 

Ähnlich wie unser menschliches Denkvermögen sind KI Algorithmen komplex genug, um ein differenzierteres Verständnis der Bedeutung von Anweisungen und der für das Ziel angemessenen Reaktionen zu vermitteln. Man könnte einen Algorithmus trainieren, einen Obstsalat zuzubereiten, indem man ihm viele Bilder von Obst und Lebensmittelgeschäften zeigt. Doch erst künstliche Intelligenz ermöglicht es dem Computer, ein völlig neues Bild zu sehen und zu verstehen, ob es sich um ein Lebensmittelgeschäft oder eine Bushaltestelle handelt. 

Wofür werden KI Algorithmen eingesetzt? 

KI Algorithmen finden in vielen verschiedenen Lebensbereichen Anwendung. Einige Situationen, in denen Sie möglicherweise bereits mit einem KI Algorithmus interagiert haben, sind:

• Suchmaschinen: Google, Bing und Yahoo verwenden alle Algorithmen der künstlichen Intelligenz, um Informationen bereitzustellen, beispielsweise ähnliche Fragen, die andere stellen.

• Digitale Assistenten: Wenn Sie Alexa, Siri oder Google bitten, etwas zu Ihrer Einkaufsliste hinzuzufügen oder einen Alarm einzustellen, interagieren Sie mit KI Algorithmen.

• Autokorrektur: Die Autokorrektur auf Ihrem Smartphone oder Textverarbeitungsprogramm basiert möglicherweise auf KI Algorithmen, lernt aus Ihrem spezifischen Verhalten und bezieht Informationen aus anderen Quellen, beispielsweise Wörterbüchern.

• Virtueller Kundenservice: Automatisierte Kundenservice-Chatbots können Kunden antworten, wenn diese Hilfe bei der Nutzung einer Website oder der Arbeit mit einem Produkt benötigen, und das oft schneller und effizienter als ein Kundenservice-Mitarbeiter. 

KI Algorithmen finden auch Anwendung in der Industrie, bei Regierungsoperationen und sogar in der nationalen Sicherheit:

• Advanced Analytics: KI Algorithmen können Unternehmen bei prädiktiven Analysen, Prognosen und der Geschäftsüberwachung unterstützen. Diese Tools helfen Unternehmen, basierend auf vergangenen Ereignissen zu verstehen, welche Ereignisse in Zukunft wahrscheinlich eintreten werden.

• Finanzen: Finanzinstitute nutzen KI Algorithmen zur Betrugserkennung. Diese Software kennzeichnet verdächtige Transaktionen und kann betrügerische Transaktionen ablehnen. KI Algorithmen können auch Kreditkartenanträge prüfen oder ein Anlageportfolio erstellen.

• Gesundheitswesen: KI Algorithmen können die Ergebnisse im Gesundheitswesen verbessern. Beispielsweise können KI Algorithmen CT-Bilder viel schneller auf Auffälligkeiten untersuchen, als ein Arzt sie begutachten kann. Patienten können mit KI Algorithmen zudem eine individuellere Betreuung erhalten, beispielsweise durch Medikamentenerinnerungen.

• Nationale Sicherheit: KI Algorithmen könnten Kommandeure bei zahlreichen Entscheidungen unterstützen. Ihr Potenzial, die Kriegsführung grundlegend zu verändern, ist so erheblich, dass das US-Verteidigungsministerium dafür den Begriff „Hyper War“ geprägt hat.

Arten von KI Algorithmen

Alle oben besprochenen KI-Anwendungen basieren auf drei Hauptkategorien von KI Algorithmen: Supervised, Unsupervised und Reinforcement Learning. Eine vierte Kategorie, das semi-supervised Learning, kombiniert Elemente aus Supervised und Unsupervised Lernalgorithmen. Zusammen bilden diese Algorithmentypen verschiedene Bereiche der künstlichen Intelligenz, wie zum Beispiel Machine Learning und Deep Learning. 

1. Supervised Learning

Supervised-Learning-Algorithmen müssen mithilfe klar gekennzeichneter und kategorisierter Daten trainiert werden. Mit entsprechendem Training kann ein Supervised-Learning-Algorithmus ähnliche Bilder ohne menschliches Eingreifen kennzeichnen. Ein Beispiel hierfür ist ein E-Mail-Konto mit einem automatischen Spam-Ordner. Spamfilter nutzen Supervised Learning und trainieren mit vielen Beispielen, was Spam ist und was nicht, um vorherzusagen, in welchen Ordner die E-Mail sortiert wird. Zu den Arten von Supervised-Learning-Algorithmen gehören:

• Entscheidungsbaum (Decision Tree): Dies ist ein Diagramm mit einer Verzweigungsform, die alle möglichen Ergebnisse darstellt, wobei jede Teilung oder jeder Knoten einen anderen Kategorisierungstest darstellt.

• Random Forest: Ein Random-Forest-Algorithmus verwendet viele Entscheidungsbäume, die jeweils einen anderen Input testen. Er trifft eine Vorhersage basierend auf den kombinierten Ergebnissen aller Entscheidungsbäume.

• Lineare Regression: Ein linearer Regressionsalgorithmus, einer der grundlegendsten KI Algorithmen, erstellt eine Vorhersage basierend auf einer vom Algorithmus-Operator festgelegten unabhängigen Variable. Beispielsweise kann die lineare Regression Hausverkaufspreise anhand historischer Immobiliendaten aus der Nachbarschaft und der einzelnen zum Verkauf stehenden Immobilie vorhersagen. 

2. Unsupervised Learning

Unsupervised Learning wird mit unkategorisierten und unmarkierten Daten trainiert. Anstatt Anweisungen zur Kategorisierung von Daten zu befolgen, sucht Unsupervised Learning nach Mustern und bestimmt, welche Kategorien und Beschriftungen die Daten enthalten sollen. Dies ermöglicht die Analyse von Rohdatensätzen und kann viel Zeit sparen. Es ist auch nützlich, wenn die zu analysierenden Daten nicht eindeutig kategorisiert werden können oder die Kategorien schwer vorherzusagen sind. Beispiele:

• k-Means-Clustering: Ein k-Means-Clusteralgorithmus dient zum Sortieren und Kategorisieren von Daten. K steht für die Anzahl der Gruppen, in die die Daten sortiert werden. Der Algorithmus gibt für jede Kategorie eine Mittelwertvariable zurück.

• Gaußsches Mischmodell: Ein Gaußsches Mischmodell clustert Daten ähnlich wie ein k-Means-Cluster, bietet jedoch einige zusätzliche Funktionen. Betrachtet man die Ergebnisse eines k-Means-Clusters in einem Diagramm, bildet jede zurückgegebene Variable die Mitte eines Datenkreises. Ein Gaußsches Mischmodell kann Daten, die grafisch dargestellt werden, in komplexere Formen organisieren. 

3. Semi-supervised Learning

Wie der Name schon vermuten lässt, verwendet Semi-supervised Learning Datensätze, die teils beschriftete und teils nicht beschriftete Daten enthalten. Die vom Operator bereitgestellten Beschriftungen leiten den Algorithmus bei der Bestimmung der optimalen Beschriftung der restlichen Daten. Diese Methode kombiniert die Genauigkeit des Supervised Learning mit dem Vorteil, dass weniger Training erforderlich ist als beim Unsupervised Learning.

• k-Nearest-Neighbor-Algorithmus (KNN): Dieser KI Algorithmus klassifiziert Daten, indem er die ihnen am nächsten liegenden Daten in einem Diagramm betrachtet und die Daten nach Nähe in Kategorien gruppiert. 

4. Reinforcement Learning

Mithilfe von Reinforcement Learning kann der Algorithmus selbstständig entscheiden, wie er die Aufgabe am besten löst. Er lernt dabei anhand eines komplexen Regelwerks, das seine Arbeit belohnt oder bestraft. Dies ermöglicht einen Trial-and-Error-Ansatz zur Problemlösung. Diese Form von KI Algorithmen eignet sich am besten, wenn die beste Lösung eines Problems unklar ist. Die Programmierer legen die Regeln für Belohnung und Bestrafung fest, der Algorithmus entscheidet jedoch selbst über die optimale Vorgehensweise mit dem Datensatz. 

• Neuronale Netzwerke: Neuronale Netzwerke „denken“ wie das menschliche Gehirn und empfangen und verarbeiten Informationen über mehrere Musterschichten. Neuronale Netzwerke nutzen Reinforcement Learning, um die beste Lösung für ein Problem zu finden. 

Erfahren Sie mehr mit Coursera

Um mehr über KI Algorithmen zu erfahren, melden Sie sich noch heute für den Kurs Einführung in künstliche Intelligenz (KI) an, den IBM auf Coursera anbietet. Dieser Kurs dauert etwa neun Stunden und vermittelt Ihnen Kenntnisse in Künstlicher Intelligenz, Data Science und Machine Learning.