Teil 2: Mathe, Technik und Fremdschämen

Der erste Kontakt mit KI-Programmierung

Es geht los - - - -

Nein, zu früh gefreut. Bevor es losgeht, sind Vorbereitungen zu treffen: Anmelden auf der MOOC-Plattform, Herunterladen der Beispieldateien, Python und IDE installieren, Erstellen eines Azure-Kontos, …

Halt, Moment, erstellen eines Azure-Kontos? Ja, tatsächlich, der Kurs lässt sich nur absolvieren, wenn man ein Konto bei Microsoft Azure erstellt und damit zum Azure-Kunden wird. Also steckt dahinter auch ein Kundengewinnungsinteresse. Hmm, das war zwar jetzt nicht meine Absicht, aber wenigstens bietet Microsoft ein Startguthaben von 170 € für 30 Tage. Damit wird sich der Kurs sicher absolvieren lassen, aber der Zeitdruck steigt natürlich gewaltig.

Was ist Maschinelles Lernen?

Hinter KI steckt die Fähigkeit, dass Maschinen (Computer) eigenständig lernen, indem sie Modelle bilden und danach eigenständig Lösungen generieren und klassifizieren können.

Dass Computer so etwas können, ist nicht neu. Aber der Weg unterscheidet sich fundamental von dem, wie Problemlösen bisher algorithmenbasiert stattfand. Ich habe mal versucht das grafisch dazustellen:

Was ist der Unterschied? Im besten Falle sind die Ergebnisse gleich. Aber der Aufwand unterscheidet sich erheblich und das sorgt dafür, dass beide Ansätze für unterschiedliche Szenarien geeignet sind, wie die Tabelle unten zeigt:

	einfache, stabile Probleme	komplexe dynamische Probleme
Algo-rith-mus	Relativ schnell programmiert, stabile Problemlösung über die Zeit	Langer, aufwändiger Prozess der Entwicklung, fehleranfällig, jede dynamische Änderung macht Probleme. Eventuell werden nicht alle Aspekte des Problems erfasst.
KI	Enormer Aufwand (Anschaffung, Rechenleistung, Energie, Training) zur Lösung eines überschaubaren Problems. Eventuell sogar über die Zeit unterschiedliche Ergebnisse trotz gleicher Eingabedaten.	Überschaubarer Aufwand im Vergleich zur Komplexität des Problems. Eventuell werden Lösungswege (Modelle) gefunden, die Menschen nicht entdeckt hätten. Passt sich eigenständig Änderungen an.

Es gilt also, wachsam zu sein, bei der Definition des Problems. KI ist gut für komplexe, dynamische Probleme, während sich für einfache Lösungen immer noch Algorithmen lohnen.

Natürliche kann man auch einfache Probleme mit KI angehen. Das fühlt sich dann aber leicht so an, als ob man in einem Seminar bei einem mittelmäßigen Trainer sitzt, der versucht, die Teilnehmer dazu anzuregen, Lösungen eigenständig zu finden: "Nehmen wir mal den Fall, 1 mal 1 wäre 1 und 1 mal 2 wäre 2 und 1 mal 3 wäre 3. Na, haben Sie's erkannt? Was würde 1 mal 4 ergeben? Wer weiß es? Herr Meyer, Sie vielleicht?" In solchen Situationen ist es peinlich, sich zu melden, und genauso, sich nicht zu melden. Ein Seminarraum voller Fremdschämen. Das sollten wir dann vielleicht auch bei KI vermeiden und sie dort einsetzen, wo sie hingehört, oder?

Ein Microsoft-Video nutzt genau dieses abschreckende Beispiel, um zu zeigen, wie KI lernt. OK, aber bitte nur für diesen einen Moment als Demonstration!

Die Basics - pure Mathematik

Aber danach wird es anspruchsvoller. Gezeigt werden in Verfahren zur Berechnung von Regressionen, zur Klassifikation von Daten, zur Clusterung. Ja, das sind Verfahren, die im Maschinellen Lernen eingesetzt werden. Mit künstlicher Intelligenz hat das bisher aber noch nicht viel zu tun. Alle Verfahren sind auch in der klassischen Analytik bekannt.

Mal sehen, wie es demnächst weiter geht.

 

⬅ Zum vorhergehenden Blog-Eintrag   Zum nächsten Blog-Eintrag ⮕

veröffentlicht: 07.05.2018, © Uwe Weinreich