An intuitive introduction to AI

An intuitive introduction to AI

Eine intuitive Vorstellung von KI

In unserem Blog-Post ki für Leader“ haben wir erläutert, dass unsere Modelle auf maschinellem Lernen beruhen. Im Gegensatz zu „Wenn, dann“ Regeln, auf welchen die meisten Software-Anwendungen basieren, lässt sich Computern mit Maschinellem Lernen weitaus mehr beibringen  

In künstlichen neuronalen Netzen lernt der Computer mit komplexen Situationen umzugehen. Die Situationen werden in Beziehung zu möglichen Ausgängen gesetzt und jeweils Wahrscheinlichkeiten zugewiesen. 

So kann der Computer beispielsweise mit einer gewissen Wahrscheinlichkeit sagen, ob auf einem vorgelegten Bild eine Katze oder ein Hund zu sehen ist.   

Was steckt hinter diesen Wahrscheinlichkeiten?

Wenn wir Menschen behaupten, etwas sei wahr, sind wir von der Glaubhaftigkeit überzeugt und dazu bereit eine Garantie zu übernehmen.  Sagen wir hingegen, etwas sei wahrscheinlich, verbirgt sich dahinter eine eher zurückhaltende Bewertung der zugrundliegenden Situation. 

Mit der Aussage „Ich weiß, dass der Zug um 10:02 Uhr abfährt“ wird eine Garantie für die Richtigkeit der Behauptung übernommen. Durch die Formulierung Ich glaube der Zug fährt um 10:02 Uhr“ sichern wir uns hingegen ab. In der zweiten Formulierung geben wir lediglich eine Orientierung und vermitteln unserem Zuhörer, sich nicht ganz auf unsere Aussage verlassen zu sollen 

buildings-city-clock-downtown-297836

Wenn wir Menschen behaupten, etwas sei wahr, sind wir von der Glaubhaftigkeit überzeugt und dazu bereit eine Garantie zu übernehmen.  Sagen wir hingegen, etwas sei wahrscheinlich, verbirgt sich dahinter eine eher zurückhaltende Bewertung der zugrundliegenden Situation. 

Mit der Aussage „Ich weiß, dass der Zug um 10:02 Uhr abfährt“ wird eine Garantie für die Richtigkeit der Behauptung übernommen. Durch die Formulierung Ich glaube der Zug fährt um 10:02 Uhr“ sichern wir uns hingegen ab. In der zweiten Formulierung geben wir lediglich eine Orientierung und vermitteln unserem Zuhörer, sich nicht ganz auf unsere Aussage verlassen zu sollen.  

buildings-city-clock-downtown-297836

Zum Einschätzen von Situationen eignet sich die Wahrscheinlichkeit als Mittel, die Belastbarkeit der eigenen Aussagen auszudrücken.  

Die Wahrscheinlichkeit ist Ausdruck unserer subjektiven Überzeugung.

Am gewählten Zugbeispiel wird klar: Jemand der erst kürzlich den Fahrplan gelesen hat, kann mit einer wesentlich höheren Sicherheit sagen, wann der Zug abfährt, als jemand, der sich nur vage erinnert 

Unser Überzeugungsmaß hängt wesentlich von den eigenen Erfahrungen ab. Je häufiger wir die Erfahrung gemacht haben, dass ein bestimmtes Ereignis einer Bedingung folgt, desto überzeugter können wir auf den zukünftigen Bestand dieser Beziehung schließen. Die Erfahrung von Ursache-Wirkungs-Beziehungen ergeben unsere Konditionierungen und gelten gleichermaßen auch in die andere Richtung, dass aus einer Bedingung ein bestimmtes Ergebnis nicht folgt. 

In neuen Situationen leiten wir das Eintreten von Ereignissen aus unseren Erfahrungen ab, die eine Nähe zur neuen Situation aufweisen. 

people-standing-near-train-under-shed-691471

Für unsere Zugfahrt haben wir in Wagon 5 einen Sitzplatz gebucht. Am Bahngleis wollen wir uns so positionieren, dass wir nach der Zugeinfahrt direkt an der richtigen Stelle zum Einstieg stehen. Leider gibt esan diesem Gleis keine Informationen über die Wagenreihung und Gleis-Abschnitte. Um dennoch den richtigen Abschnitt zu finden, können wir uns am Nebengleis orientieren, da dort entsprechende Informationen ausgeschildert sind. Jetzt suchen wir den wahrscheinlichsten Abschnitt für Abteil 5 am Nachbargleis und übertragen wegen der gleichen Bahnsteiglänge der Gleise unsere Überzeugung zur richtigen Position auf unser Gleis.   

people-standing-near-train-under-shed-691471

Für unsere Zugfahrt haben wir in Wagon 5 einen Sitzplatz gebucht. Am Bahngleis wollen wir uns so positionieren, dass wir nach der Zugeinfahrt direkt an der richtigen Stelle zum Einstieg stehen. Leider gibt es an diesem Gleis keine Informationen über die Wagenreihung und Gleis-Abschnitte.

Um dennoch den richtigen Abschnitt zu finden, können wir uns am Nebengleis orientieren, da dort entsprechende Informationen ausgeschildert sind. Jetzt suchen wir den wahrscheinlichsten Abschnitt für Abteil 5 am Nachbargleis und übertragen wegen der gleichen Bahnsteiglänge der Gleise unsere Überzeugung zur richtigen Position auf unser Gleis.

Durch die Transferleistung können wir Ereignisse bewerten, für die wir bisher keine eigenen Erfahrungen gesammelt haben. Im Beispiel erlaubt die gleiche Beschaffenheit der Bahngleise, die Wahrscheinlichkeit der Ereignis-Ergebnis-Beziehung plausibel auf die neue Situation zu übertragen 

Zusammenfassung.

Zusammenfassend kann man so ein ganz natürliches Verhalten der Menschen mit dem abstrakten Konzept der Wahrscheinlichkeit in Verbindung bringen, welches die Basis unserer Technologie bildet. So bewertet auch unser Algorithmus auf Basis historischer Daten neue Situationen. Wir erkennen, wann aus einer Bedingung ein Ergebnis folgt und transferieren diese Erkenntnisse auf ähnliche Bedingungen.  

Der Algorithmus lernt, wie eine Katze aussieht und bewertet, wie sicher etwas einer Katze ähnelt.