Einstieg in KI (1/1)
tl;dr; Künstliche Intelligenz (KI) umfasst Computerprogramme, die menschliche Intelligenz imitieren. Die Entwicklung einer KI teilt sich in die Trainings- und Inferenzphase.
Was ist KI?
Künstliche Intelligenz, oft als KI abgekürzt, bezieht sich auf die Entwicklung von Computerprogrammen und Systemen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern würden.
Typischerweise sind das Aufgaben, die die Verarbeitung von Sprache oder visuellen Eindrücken erfordern, die das Erkennen von Mustern voraussetzen oder für die das Fällen von Entscheidungen notwendig ist. Diesen Aufgaben ist gemein, dass sie dem durchschnittlichen Menschen recht leicht fallen, es bis jetzt aber keinen Algorithmus, also keine vordefinierte Abfolge von Anweisungen gibt, die derlei zu lösen vermögen.
Künstliche Intelligenz basiert auf komplexen mathematischen Modellen, die darauf ausgerichtet sind, Muster in Daten zu erkennen und zu interpretieren. Einige (nicht alle!) dieser Modelle sind dabei angelehnt an die Funktionsweise biologischer neuronaler Netze.
Trainings- und Inferenzphasen in der KI-Entwicklung
Der Entwicklungsprozess einer KI gliedert sich in zwei Hauptphasen: die Trainingsphase und die Inferenzphase. In der Trainingsphase wird das mathematische Modell mit einer Vielzahl von Beispieldaten gefüttert. Während dieses Prozesses passt das Modell seine interne Konfiguration – typischerweise eine Reihe von Gewichtungen und Parametern – an, basierend auf der qualitativen Bewertung seiner Antworten. Hier lernt die KI, relevante Muster und Zusammenhänge in den Eingangsdaten zu identifizieren und diese mit den gewünschten Ergebnissen zu korrelieren
Für den Erfolg der Trainingsphase sind neben der Auswahl des passenden mathematischen Modells die Auswahl der Trainingsdaten und der Mechanismus zur Bewertung der Antworten von entscheidender Bedeutung.
Nach Abschluss des Trainings tritt die KI in die Inferenzphase ein. In dieser Phase verwendet das nun trainierte Modell seine erlernten Mustererkennungsfähigkeiten, um diese auf neue, unbekannte Daten anzuwenden und Vorhersagen oder Entscheidungen zu treffen. Diese Phase ist von zentraler Bedeutung, da sie die praktische Anwendung der KI in realen Szenarien darstellt.
Die Unterscheidung in Trainings- und Inferenzphase hat den Vorteil, dass eine in der Trainingsphase erreichte Qualität unverändert erhalten bleibt. Die Trainingsphase ist im allgemeinen deutlich aufwändiger in der Umsetzung, da sie eine große Menge an bekannten Daten erfordert, um das Modell zu trainieren. Die Inferenzphase hingegen ist schneller und effizienter in der Anwendung auf neue Daten.
Anwendungsbeispiel: Der Katzenerkenner
Schauen wir uns ein Beispiel an: Eine KI zum Erkennen einer Katze anhand eines Fotos. In einer Trainingsphase werden der KI möglichst viele unterschiedliche Bilder von Katzen und anderen Tieren gezeigt. Die KI antwortet mit der Anzeige, ob auf dem Bild eine Katze erkannt wurde. Der KI wird dabei zurückgemeldet, ob sie richtig lag. Durch diesen Prozess wird die Konfiguration des mathematischen Modells stetig angepasst.
Sobald die KI die gewünschte Trefferquote erzielt, wird das mathematische Modell eingefroren und fortan kann die KI als „Katzenerkenner-KI (KEKI)“ seiner Aufgabe nachgehen.
Jetzt erkennt die KEKI relativ zuverlässig, ob auf einem Bild eine Katze zu sehen ist oder nicht. Wohlgemerkt: KEKI kann sich durchaus auch einmal irren — eine Katze erkennen, wo keine zu sehen ist, oder umgekehrt eine Katze übersehen. Der Preis für die große Flexibilität beliebige Bilder auswerten zu können ist eine verbleibende Ungewissheit über das Ergebnis.
Schreibe einen Kommentar