Autonomes Verhalten und Künstliche Intelligenz

Stefan Pickl

Eigentlich ist schon alles über „Künstliche Intelligenz (KI)“ gesagt; nur noch nicht von jedem, so könnte man im Sinne von Karl Valentin meinen und sich dann doch aufgefordert sehen, einen weiteren Beitrag über dieses spannende Gebiet zu schreiben. Auf der anderen Seite ist es generell schwer, den Begriff Künstliche Intelligenz exakt zu definieren bzw. einzugrenzen. Eine solche Eingrenzung ist jedoch nötig, wenn man die Beziehung zwischen Autonomie und Künstlicher Intelligenz im Speziellen charakterisieren möchte.

Der vorliegende Beitrag für das Schwerpunktheft „Autonomie“ möchte sich daher unter genau diesem Gesichtspunkt dem Begriff der künstlichen Intelligenz annähern und einige zentrale Aspekte in diesem zukunftsweisenden Kontext thematisieren.
Ursprüngliches Ziel der künstlichen Intelligenzforschung war es, menschliches Verhalten zu approximieren. Es ist bis heute dabei ein offenes Problem, ob in diesem Zusammenhang das menschliche Verhalten nur unterstützt oder sogar komplett abgebildet werden soll. Um autonomes Verhalten - das Leitthema des vorliegenden Beitrags - zu initiieren, müssen sowohl unterstützende als auch ersetzende Maßnahmen wechselseitig charakterisiert werden. KI steht also stets in Beziehung zu menschlichem Verhalten:


KI und menschliches Verhalten - der Begriff der „Autonomie“

Es ist an dieser Stelle nicht möglich, die generelle Unterscheidung, ob ein Mensch autonom handelt bzw. eine Maschine oder System autonom handelt, zu thematisieren. Bevor wir uns am Ende des Beitrags der Fragestellung zuwenden, wann künstliche Intelligenz die menschliche Intelligenz generell ersetzen bzw. sogar überwinden kann („Begriff der Technologischen Singularität“), wollen wir uns im Folgenden nun zunächst mit dem sogenannten zugrundeliegenden allgemeinen Autonomiebegriff auseinandersetzen.
Um sogenannte „Autonomie“ zu erreichen, ist es innerhalb der Entwicklungspsychologie zentral, lernendes Verhalten zu initiieren.
Dieser psychologische Aspekt kann abgeleitet als eines der wesentlichen Leitkriterien von KI angesehen werden:
Lernendes Verhalten ist nämlich KI-Systemen immanent. Vielleicht ist es sogar das einzige Kriterium, das allen KI-Ansätzen, die sich heute in einer breiten Vielfalt repräsentieren, gemein ist. Allerdings stößt man auch hier wieder auf einen kritischen Punkt.


Lernen als konstitutionelles Element von KI

Wie kann Lernen von einem mathematischen oder ingenieurwissenschaftlichen Standpunkt überhaupt beschrieben werden? Berücksichtigt man die zugrundeliegende Literatur, so wird Lernen als der sogenannte absichtliche oder beiläufige Erwerb von Fähigkeiten verstanden.
Dies muss jedoch nicht unbedingt bewusst geschehen; ebenfalls sind nicht immer alle Voraussetzungen exakt bestimmt, um eine Lernsituation zu beschreiben. Lernen zeichnet sich daher durch einen hohen Grad von Unsicherheit aus. Dies klingt nun fast nach einem gewissen Zirkelschluss:
Indem wir Künstliche Intelligenz über Lernprozesse definieren, gestehen wir uns gleichzeitig ein, dass ein hohes Maß an „Unsicherheit“ diesen Vorgang beschreibt. Dies ist ja auch das Spannende an Entwicklungsprozessen und Entwicklungsphänomen.
Wir wollen uns zunächst mit einem einfachen Beispiel beschäftigen, das jedoch leicht schon „komplex“ genug sein kann.


Bild 4: Einfügen eines Wellenbrechers.


Beherrschung von Unsicherheit:  Autonomes Fahren

In den letzten 20 Jahren hat das autonome Fahren eine hohe Aufmerksamkeit innerhalb der KI-Forschung auf sich gezogen. Es ist offensichtlich, dass ein hohes Maß an Unsicherheiten diesen Vorgang begleitet. Gleichzeitig zeigen aktuelle Vorgänge, wie effektiv Lernvorgänge einen solchen Prozess bestimmen.
Innerhalb des autonomen Fahrens lassen sich nun folgende Situationen unterscheiden:
1. Bewegung in einer definierten Umgebung (Straße)
2. Koordination gegenüber anderen Fahrzeugen (Verkehr)
3. Erkennen von Hinweis- bzw. allgemeinen Verkehrsschildern (Interaktion)
4. Erkennen von kritischen Situationen (Fußgängerpassierung)
Der erste Punkt ist heutzutage relativ leicht und effizient zu erlernen. So konnte im Juli 2018 eine Forschergruppe zeigen, dass man innerhalb von 20 Minuten eine Umgebung erfassen kann, wenn nur eine Frontkamera bzw. ein Lenkrad gegeben ist. Der zweite Punkt,
die Koordination, wird beispielsweise durch „Connected Car“ basierend auf schnellerer und effizienter Kommunikationstechnologie wie den Mobilfunkstandard 4G in Kombination entsprechender Algorithmen realisiert [1]. Bei den anderen Punkten nimmt der Grad der Wissensbasiertheit deutlich zu. Darauf werden wir im Folgenden vertiefend eingehen. Diese Systeme basieren auf dem Einsatz von statistischen Verfahren, Heuristiken, Verfahren der mathematischen Programmierung und vor allem von (hybriden) Suchalgorithmen, auf die ebenfalls später noch eingegangen werden wird.


Wissensbasierte KI: Digitalisierung und Big Data

Das vorliegende Jahrzehnt kann als das Jahrzehnt von Big Data und Digitalisierung gelten. Werden nun durch „Big Data“ die oben erwähnten zugrundeliegenden Algorithmen nur schneller oder wirklich „intelligenter“?
Heutzutage kann man diese Frage nicht abschließend beantworten. Allerdings beobachtet man in diesem Kontext derzeit weitere beachtliche Erfolge:
Beispielsweise war es möglich, Ende 2017 Videoaufnahmen von einer ursprünglichen Tagesszene einfach in eine Nachtszene umzurechnen, oder gar von einer Sommerlandschaft auf eine Winterlandschaft zu transformieren. Im März 2018 hat Microsoft Research erstmals eine KI-Lösung präsentiert, die eine Übersetzung vom Chinesischen ins Englische ermöglicht. Es sei an dieser Stelle angemerkt, dass diese Übersetzungen mit zu den schwierigsten Übersetzungen überhaupt zählen. Daneben gilt Spielen als die kreativste Form des Lernens. Und so kommt es nicht von ungefähr, dass gerade bei der folgenden Spielkonstellation ebenfalls erfolgreich KI eingesetzt wurde.
 

Spielend lernen - spielendes Lernen

Stellen wir uns eine Umrandung vor, die am oberen Ende mehrere Spielsteine enthält. Hinter den Spielsteinen ist etwas Platz. Auf der anderen Seite ist ein Schieberegler, der nach links und rechts bewegt werden kann. Dieser Regler steuert einen Ball, der beim Auftreffen auf einen Spielstein diesen „löscht“. Volodymyr Mnih und Koray Kavukcuoglu von DeepMind stellen das erste „Deep Learning“ Modell vor, mit dem Kontrollmaßnahmen direkt aus hochdimensionalen, sensorischen Eingaben mittels „Reinforcement Learning“ erfolgreich erlernt werden können [2].

Zum Weiterlesen klicken Sie hier.