Skip to main content
main-content
Top

Hint

Swipe to navigate through the chapters of this book

2022 | OriginalPaper | Chapter

2. Praktische Grenzen

Authors : Klaus Mainzer, Reinhard Kahle

Published in: Grenzen der KI – theoretisch, praktisch, ethisch

Publisher: Springer Berlin Heidelberg

share
SHARE

Zusammenfassung

Technisch-praktische Grenzen zeigen sich bei (regelbasierten) Expertensystemen in der Simulation intuitiven Könnens von menschlichen Experten (2.1). Statistisches Lernen liefert nur statistische Korrelationen mit probabilistischen Algorithmen. Für ausgewählte Klassen lassen sich statistische Korrelationen durch kausales Lernen erklären. Neben kausalem Lernen lassen sich auch kontrafaktisches Denken und intentionale Absichten im Baysschen Lernen modellieren (2.2). Das Bayessche Lernen eröffnet Anwendungen von neuronalen Netzen, die sich in der Erkennung komplexer Muster bewähren. Die Parameterexplosion neuronaler Netze, die in der Praxis angewendet werden, erzeugen allerdings eine „Black Box“, die der Erklärung bedarf (2.3). Demgegenüber hängt menschliches Lernen häufig nicht von großen Datenmengen und vielen Trainingsbeispielen ab (2.4). Das Hintergrundwissen spielt eine entscheidende Rolle („Rahmen-Problem“) (2.5).
Footnotes
1
„...since it seemed to them as sensible as placing monkeys in front of typewriters in order to reproduce all the books in the British Museum.“
 
2
Vgl. Kant: „Anschauungen ohne Begriffe sind blind.“ [20, A 48/B 75]
 
3
Diese Ausführungen folgen K. Mainzer, Quantencomputer. Von der Quantenwelt zur Künstlichen Intelligenz, Springer 2020 [25, S. 129 ff.].
 
4
Beweissuche im mathematischen Sinne scheint kein geeigneter Gegenstand für statistisches Lernen zu sein. Wenn es aber doch gelingen sollte, mit Hilfe von Künstlicher Intelligenz einen Beweis der Riemannschen Vermutung zu finden, wäre sicherlich auch der letzte mathematische Skeptiker von dieser Technologie überzeugt.
 
5
Das Beispiel folgt der englischen Variante in [47, S. 17] und wurde im März 2021 online getestet: https://​translate.​google.​com/​?​hl=​de&​sl=​auto&​tl=​de&​text=​O%20​bir%20​hem%C5%9Fire.​%20​O%20​bir%0Adoktor&​op=​translate. In [47] findet man noch eine Reihe weiterer Beispiele und auch umfangreiche Referenzen zu den entsprechenden Quellen.
 
7
Siehe [48], wo allerdings der schöne Mythos zurückgewiesen wird, daß die Stichprobe auf (vermeintlich überdurchschnittlich reiche und daher zum Konservatismus neigende) Telefonbesitzer beschränkt gewesen sei.
 
8
Diese Diskussion findet einen gewissen Höhepunkt in dem sogenannten Yale shooting problem [51], das gut das philosophische Niveau der Diskussionen in der alten KI illustriert und der namensgebenden amerikanischen Universität einen Platz in dieser Diskussion einräumt.
 
9
Quine gibt seiner persönlichen Meinung dazu wie folgt Ausdruck [53, S. 262]: „Für Attribute als einem Bereich von Entitäten verschieden von Klassen habe ich nicht viel übrig.“
 
Literature
3.
go back to reference Clancey, W. (1983). The epistemology of a rule-based expert system – a framework for explanation, in: AI-Journal 20, 215–293. Clancey, W. (1983). The epistemology of a rule-based expert system – a framework for explanation, in: AI-Journal 20, 215–293.
4.
5.
go back to reference Minsky, M. (1975). A framework for representing knowledge, in: P. Winston (ed.), The Psychology of Computer Vision, New York. Minsky, M. (1975). A framework for representing knowledge, in: P. Winston (ed.), The Psychology of Computer Vision, New York.
6.
go back to reference Sussmann, G.; Steele, G. (1980). Constraints – a language for expressing almost-hierarchical descriptions, in: AI-Journal 14, 1–39. Sussmann, G.; Steele, G. (1980). Constraints – a language for expressing almost-hierarchical descriptions, in: AI-Journal 14, 1–39.
7.
go back to reference Buchanan, B.G.; Sutherland, G.L.; Feigenbaum, E.A. (1969). Heuristic DENDRAL: A program for generating processes in organic chemistry, in: B. Meltzer/D. Michie (eds.), Machine Intelligence 4, Edinburgh. Buchanan, B.G.; Sutherland, G.L.; Feigenbaum, E.A. (1969). Heuristic DENDRAL: A program for generating processes in organic chemistry, in: B. Meltzer/D. Michie (eds.), Machine Intelligence 4, Edinburgh.
8.
go back to reference Buchanan, B.G.; Feigenbaum, E.A. (1978). DENDRAL and META-DENDRAL: Their applications dimensions, in: Artificial Intelligence 11, 5–24. CrossRef Buchanan, B.G.; Feigenbaum, E.A. (1978). DENDRAL and META-DENDRAL: Their applications dimensions, in: Artificial Intelligence 11, 5–24. CrossRef
9.
go back to reference Newell, A.; Shaw, J.C.; Simon, H.A. (1958). Elements of a theory of human problem solving. Psychological Review, 65(3):151–166. CrossRef Newell, A.; Shaw, J.C.; Simon, H.A. (1958). Elements of a theory of human problem solving. Psychological Review, 65(3):151–166. CrossRef
10.
go back to reference Shortliffe, E.H. (1976). Computer-Based Medical Consultations: MYCIN, New York. Shortliffe, E.H. (1976). Computer-Based Medical Consultations: MYCIN, New York.
11.
go back to reference Randall, D.; Buchanan, B.G.; Shortliffe, E.H. (1977). Producing rules as a representation for a knowledge-based consultation program, in: Artificial Intelligence 8. Randall, D.; Buchanan, B.G.; Shortliffe, E.H. (1977). Producing rules as a representation for a knowledge-based consultation program, in: Artificial Intelligence 8.
12.
go back to reference Carnap, R. (1959). Induktive Logik und Wahrscheinlichkeit, bearbeitet von W. Stegmüller, Wien. CrossRef Carnap, R. (1959). Induktive Logik und Wahrscheinlichkeit, bearbeitet von W. Stegmüller, Wien. CrossRef
13.
go back to reference Lindley, D.V. (1965). Introduction to Probability and Statistics from a Bayesian Viewpoint I–II, Cambridge. CrossRef Lindley, D.V. (1965). Introduction to Probability and Statistics from a Bayesian Viewpoint I–II, Cambridge. CrossRef
14.
go back to reference Zadeh, L.A. (1975). Fuzzy Sets and their Application to Cognitive and Decision Processes, New York. Zadeh, L.A. (1975). Fuzzy Sets and their Application to Cognitive and Decision Processes, New York.
15.
go back to reference de Kleer, J. (1986). An assumption based TMS, in: AI-Journal 28, 127–162. de Kleer, J. (1986). An assumption based TMS, in: AI-Journal 28, 127–162.
16.
go back to reference Dreyfus, H.L.; Dreyfus. S.E. (1986). Mind over Machine, New York. Dreyfus, H.L.; Dreyfus. S.E. (1986). Mind over Machine, New York.
17.
go back to reference Mainzer, K. (2019). Künstliche Intelligenz. Wann übernehmen die Maschinen? Springer, Berlin. Mainzer, K. (2019). Künstliche Intelligenz. Wann übernehmen die Maschinen? Springer, Berlin.
18.
go back to reference Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 4 f. Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 4 f.
19.
go back to reference Corfield, D.; Schölkopf, B.; Vapnik, V. (2009). Falsificationism and statistical learning theory: Comparing the Popper and Vapnik-Chervonenskis dimensions, in: Journal for the General Philosophy of Science 40 (1), 51–58. CrossRef Corfield, D.; Schölkopf, B.; Vapnik, V. (2009). Falsificationism and statistical learning theory: Comparing the Popper and Vapnik-Chervonenskis dimensions, in: Journal for the General Philosophy of Science 40 (1), 51–58. CrossRef
20.
go back to reference Immanuel Kant. (1781). Kritik der reinen Vernunft. Johann Friedrich Hartknoch (A). Zweite Auflage, 1787 (B). Immanuel Kant. (1781). Kritik der reinen Vernunft. Johann Friedrich Hartknoch (A). Zweite Auflage, 1787 (B).
21.
go back to reference Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 6 f. Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 6 f.
22.
go back to reference Pearl, J. (2009). Causality: Models, Reasoning, and Inference, Cambridge (Mass.). Pearl, J. (2009). Causality: Models, Reasoning, and Inference, Cambridge (Mass.).
23.
go back to reference Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 144. Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 144.
24.
go back to reference Schölkopf, B.; Hogg, D.W.; Wang, D.; Foreman-Mackey, D.; Janzing, D.; Simson-Gabriel, C.-J.; Peters, J. (2016). Modeling confounding by half-sibling regression, in: Proceedings of the National Academy of Sciences 113 (27), 7391–7398. CrossRef Schölkopf, B.; Hogg, D.W.; Wang, D.; Foreman-Mackey, D.; Janzing, D.; Simson-Gabriel, C.-J.; Peters, J. (2016). Modeling confounding by half-sibling regression, in: Proceedings of the National Academy of Sciences 113 (27), 7391–7398. CrossRef
25.
go back to reference Mainzer, K. (2020). Quantencomputer. Von der Quantenwelt zur Künstlichen Intelligenz, Springer. CrossRef Mainzer, K. (2020). Quantencomputer. Von der Quantenwelt zur Künstlichen Intelligenz, Springer. CrossRef
26.
go back to reference Friston, K; Harrison, I.; Penny, W. (2003). Dynamic causal modelling, in: NeuroImage 19, 1273–1302. CrossRef Friston, K; Harrison, I.; Penny, W. (2003). Dynamic causal modelling, in: NeuroImage 19, 1273–1302. CrossRef
27.
go back to reference Thomas Bayes. (1763). An Essay towards solving a Problem in the Doctrine of Chances. In: Philosophical Transactions. Band 53, S. 370–418. Thomas Bayes. (1763). An Essay towards solving a Problem in the Doctrine of Chances. In: Philosophical Transactions. Band 53, S. 370–418.
28.
go back to reference Mittelstrass, J. (1995). Regulae philosophandi, in: J. Mittelstrass (Hrsg.), Enzyklopädie Philosophie und Wissenschaftstheorie Bd. 3, J.B. Metzler: Stuttgart, 536–537. Mittelstrass, J. (1995). Regulae philosophandi, in: J. Mittelstrass (Hrsg.), Enzyklopädie Philosophie und Wissenschaftstheorie Bd. 3, J.B. Metzler: Stuttgart, 536–537.
29.
go back to reference Mainzer, K.; Schröder-Heister, P. (1995). Bayessches Theorem, in: J. Mittelstrass (Hrsg.), Enzyklopädie Philosophie und Wissenschaftstheorie Bd. 1, J.B. Metzler: Stuttgart, 254–256. Mainzer, K.; Schröder-Heister, P. (1995). Bayessches Theorem, in: J. Mittelstrass (Hrsg.), Enzyklopädie Philosophie und Wissenschaftstheorie Bd. 1, J.B. Metzler: Stuttgart, 254–256.
30.
go back to reference Skilling, J.; Sibisi, S. (Hrsg.) (1996). Maximum Entropy and Bayesian Methods, Kluwer: Dordrecht. MATH Skilling, J.; Sibisi, S. (Hrsg.) (1996). Maximum Entropy and Bayesian Methods, Kluwer: Dordrecht. MATH
31.
go back to reference Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 57. MATH Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 57. MATH
32.
go back to reference Jeffreys, W.H.; Berger, J.O. (1992). Ockham’s razor and Bayesian analysis, in: Americian Science 80 1992, 64–72. Jeffreys, W.H.; Berger, J.O. (1992). Ockham’s razor and Bayesian analysis, in: Americian Science 80 1992, 64–72.
33.
go back to reference Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA 2001, 68. MathSciNetMATH Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA 2001, 68. MathSciNetMATH
34.
go back to reference Hornik, K.; Stinchcombe, M.; White, H. (1990). Universal approximation of an unknown function and its derivatives using multilayer feedforward networks, in: Neural Networks 3, 551–560. CrossRef Hornik, K.; Stinchcombe, M.; White, H. (1990). Universal approximation of an unknown function and its derivatives using multilayer feedforward networks, in: Neural Networks 3, 551–560. CrossRef
35.
go back to reference Minsky, M.; Papert, S. (1969). Perceptrons, Cambridge (Mass.), expanded edition 1988. Minsky, M.; Papert, S. (1969). Perceptrons, Cambridge (Mass.), expanded edition 1988.
36.
go back to reference Möller, K.; Paaß, G. (Hrsg.) (1994). Künstliche neuronale Netze: eine Bestandsaufnahme, in: KI – Künstliche Intelligenz 4, 37–61. Möller, K.; Paaß, G. (Hrsg.) (1994). Künstliche neuronale Netze: eine Bestandsaufnahme, in: KI – Künstliche Intelligenz 4, 37–61.
37.
go back to reference Rummelhart, D.E.; Hinton, G.E.; Williams, R.J. (1986). Learning representation by back propagating errors, in: Nature 323, 533–536. CrossRef Rummelhart, D.E.; Hinton, G.E.; Williams, R.J. (1986). Learning representation by back propagating errors, in: Nature 323, 533–536. CrossRef
38.
go back to reference Hornik, K.; Stinchcombe, M.; White, H. (1989). Multilayer feedforward networks are universal approximators neural networks, in: Neural Networks 2, 359–366. CrossRef Hornik, K.; Stinchcombe, M.; White, H. (1989). Multilayer feedforward networks are universal approximators neural networks, in: Neural Networks 2, 359–366. CrossRef
39.
go back to reference Senior, A.W., et al. (2020). Improved protein structure prediction using potentials from deep learning, in: Nature 577 2020, 706–710. CrossRef Senior, A.W., et al. (2020). Improved protein structure prediction using potentials from deep learning, in: Nature 577 2020, 706–710. CrossRef
40.
go back to reference Mainzer, K. (2020). Leben als Maschine: Wie entschlüsseln wir den Corona-Code? Von der Systembiologie und Bioinformatik zu Robotik und Künstlicher Intelligenz, Brill Mentis: Paderborn, 127 ff. Mainzer, K. (2020). Leben als Maschine: Wie entschlüsseln wir den Corona-Code? Von der Systembiologie und Bioinformatik zu Robotik und Künstlicher Intelligenz, Brill Mentis: Paderborn, 127 ff.
41.
go back to reference Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 267. MATH Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 267. MATH
42.
go back to reference Felsenstein, J. (1981). Evolutionary trees from DNA sequences: A maximum likelihood approach, in: Journal of Molecular Evolution 19, 368–376. MathSciNetCrossRef Felsenstein, J. (1981). Evolutionary trees from DNA sequences: A maximum likelihood approach, in: Journal of Molecular Evolution 19, 368–376. MathSciNetCrossRef
43.
go back to reference Poppers, K.R. (1973). Objektive Erkenntnis. Ein evolutionärer Entwurf, Hoffmann und Campe 1993 (1. Ausgabe 1973) Poppers, K.R. (1973). Objektive Erkenntnis. Ein evolutionärer Entwurf, Hoffmann und Campe 1993 (1. Ausgabe 1973)
45.
go back to reference Bernhard Riemann. (1860). Über die Anzahl der Primzahlen unter einer gegebenen Größe. Monatsberichte der Königlichen Preußischen Akademie der Wissenschaften zu Berlin, S. 671–680. Bernhard Riemann. (1860). Über die Anzahl der Primzahlen unter einer gegebenen Größe. Monatsberichte der Königlichen Preußischen Akademie der Wissenschaften zu Berlin, S. 671–680.
46.
go back to reference Carl Ludwig Siegel. (1966). Über Riemanns Nachlaß zur analytischen Zahlentheorie. Quellen Studien zur Geschichte der Math. Astron. Und Phys. Abt. B: Studien, 2:45–80, 1932. Neu gedruckt in Gesammelte Abhandlungen, Vol. 1. Berlin: Springer-Verlag. Carl Ludwig Siegel. (1966). Über Riemanns Nachlaß zur analytischen Zahlentheorie. Quellen Studien zur Geschichte der Math. Astron. Und Phys. Abt. B: Studien, 2:45–80, 1932. Neu gedruckt in Gesammelte Abhandlungen, Vol. 1. Berlin: Springer-Verlag.
47.
go back to reference Frederik Zuiderveen Borgesius. (2018). Discrimination, artificial intelligence, and algorithmic decision-making. Directorate General of Democracy; Council of Europe, Strasbourg. Frederik Zuiderveen Borgesius. (2018). Discrimination, artificial intelligence, and algorithmic decision-making. Directorate General of Democracy; Council of Europe, Strasbourg.
48.
go back to reference Maurice C. Bryson. (1976). The literary digest poll: Making of a statistical myth. The American Statistician, 30(4):184–185. Maurice C. Bryson. (1976). The literary digest poll: Making of a statistical myth. The American Statistician, 30(4):184–185.
49.
go back to reference Dreyfus, H. (1992). What Computers Still Can’t Do: A Critique of Artificial Reason. MIT Press. Dreyfus, H. (1992). What Computers Still Can’t Do: A Critique of Artificial Reason. MIT Press.
50.
go back to reference McCarthy, J.; Hayes, P.J. (1969). Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, 4:463–502. MATH McCarthy, J.; Hayes, P.J. (1969). Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, 4:463–502. MATH
51.
go back to reference Hanks, S.; McDermott, D. (1987). Nonmonotonic logic and temporal projection. Artificial Intelligence, 33(3):379–412. MathSciNetCrossRef Hanks, S.; McDermott, D. (1987). Nonmonotonic logic and temporal projection. Artificial Intelligence, 33(3):379–412. MathSciNetCrossRef
52.
go back to reference Aristoteles. (1831). Metaphysik, in Immanuel Bekker (Hg.): Aristotelis opera, 2. Bde., Berlin. Aristoteles. (1831). Metaphysik, in Immanuel Bekker (Hg.): Aristotelis opera, 2. Bde., Berlin.
53.
go back to reference Quine, W.V.O. (1969). Grundzüge der Logik. Frankfurt am Main. MATH Quine, W.V.O. (1969). Grundzüge der Logik. Frankfurt am Main. MATH
Metadata
Title
Praktische Grenzen
Authors
Klaus Mainzer
Reinhard Kahle
Copyright Year
2022
Publisher
Springer Berlin Heidelberg
DOI
https://doi.org/10.1007/978-3-662-65011-0_2

Premium Partner