Grenzen der KI – theoretisch, praktisch, ethisch

verfasst von: Prof. Dr. Klaus Mainzer, Prof. Dr. Reinhard Kahle

Verlag: Springer Berlin Heidelberg

Buchreihe : Technik im Fokus

Enthalten in: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Einloggen, um Zugang zu erhalten

Über dieses Buch

Künstliche Intelligenz ist eine Schlüsseltechnologie, mit der sowohl in der Wissenschaft als auch in der Industrie große Erwartungen verbunden sind. In diesem Buch werden sowohl die Perspektiven als auch die Grenzen dieser Technologie diskutiert. Das betrifft die praktischen, theoretischen und konzeptionellen Herausforderungen, denen sich die KI stellen muss. In einer Frühphase standen in der KI Expertensysteme im Vordergrund, bei denen mit Hilfe symbolischer Datenverarbeitung regelbasiertes Wissen verarbeitet wurde. Heute wird die KI von statistik-basierten Methoden im Bereich des maschinellen Lernens beherrscht. Diese subsymbolische KI wird an den Lehren, die aus der Frühphase der KI gezogen werden können, gemessen. Als Ergebnis wird vor allem für eine hybride KI argumentiert, die die Potentiale beider Ansätze zur Entfaltung bringen kann.

Inhaltsverzeichnis

Frontmatter

Kapitel 1. Zum Begriff der Künstlichen Intelligenz

Zusammenfassung

Das Kapitel beschreibt die Entwicklung von der symbolischen und subsymbolischen zur hybriden KI, die historisch nacheinander entstanden sind, aber heute nebeneinander verwendet werden. Symbolische KI orientiert sich an formalen Logiksystemen mit z. B. automatischem Beweisen und wissensbasierten Systemen, subsymbolische KI an statistischer Lerntheorie mit Machine Learning und Big Data. In hybrider KI werden statistische Lernalgorithmen mit logischen und wissensbasierten Methoden verbunden.

Klaus Mainzer, Reinhard Kahle

Kapitel 2. Praktische Grenzen

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).

Klaus Mainzer, Reinhard Kahle

Kapitel 3. Theoretische Grenzen

Zusammenfassung

Maschinelles Lernen mit probabilistischen Algorithmen erweist sich zum Erlernen elementarer Rechenregeln als ungeeignet. Aber auch bei anspruchsvollen zahlentheoretischen Problemen sind statistische Regelmäßigkeiten nicht zielführend (3.1). Mathematisches Hintergrundwissen ist grundlegend, um Sicherheit in der Kryptologie zu garantieren. Das wird an Beispielen von RSA- und elliptischen Kryptosystemen bis zur Quantenkryptologie (z. B. Shor-Algorithmus) gezeigt. Interaktive Beweissysteme hängen von anspruchsvollen mathematischen Theorien und Theoremen ab (3.2). Das gilt auch für die häufig im Zusammenhang von KI gestellte Frage, ob deterministische Computer Zufall (und damit Kreativität?) und Chaos erzeugen können (3.3-3.4). Am Ende gibt es nicht „die“ Intelligenz. Vielmehr lassen sich Grade der Fähigkeit zur Problemlösung unterscheiden, die von Graden der Berechenbarkeit und Komplexität von Problemen abhängen (3.5).

Klaus Mainzer, Reinhard Kahle

Kapitel 4. Konzeptionelle Grenzen

Zusammenfassung

Neben technisch-praktischen und logisch-theoretischen Grenzen gibt es konzeptionelle Grenzen des maschinellen Lernens, die vom Anwendungskontext abhängen. Das lässt sich beim Antworten auf Warum-Fragen sowohl im Alltag als auch in der Wissenschaft zeigen (4.1). Die Kontextabhängigkeit von Bedeutungen zeigt sich insbesondere beim Erinnern (4.2). Beim Automatischen Programmieren stellt sich die Frage, wieweit eine Maschine Intentionen (Absichten) eines Programmierers, Inventionen (Erfindungen) und Adaptionen (Anpassungen) an neue Situationen verstehen und realisieren kann (4.3). Automatisiertes Beweisen mit Beweisassistenten erweist sich als Schlüssel, um sicherheitskritische Anwendungen des Machine Learning zu sichern (4.4). Diskriminierungen durch Big Data und Missverständnisse von Sprache sind kontextabhängig (4.5-4.6). Theoretische, praktische und konzeptionelle Grenzen der KI sind notwendige Bedingungen für ihre ethischen und gesellschaftlichen Grenzen (4.7).

Klaus Mainzer, Reinhard Kahle

Kapitel 5. Ausblicke auf Hybride KI

Zusammenfassung

Künstliche Intelligenz wird bis heute auf von-Neumann-Architekturen digitaler Computer zeit- und energieaufwendig simuliert. Natürliche Gehirne sind unvergleichlich effizienter und umweltfreundlicher im Problemlösen. Wieweit zeichnen sich heute alternative Rechnerstrukturen auf der Grundlage neuromorphen Rechnens wie bei biologischen Gehirnen (5.1) und auf der Grundlage von Quantencomputern (5.2) ab? Auf die Frage nach der Zukunft der KI (3.3) schließt das Buch mit einer optimistischen (3.3.1) und einer skeptischen Version (3.3.2).

Klaus Mainzer, Reinhard Kahle

Backmatter

Titel: Grenzen der KI – theoretisch, praktisch, ethisch
verfasst von: Prof. Dr. Klaus Mainzer
Prof. Dr. Reinhard Kahle
Verlag: Springer Berlin Heidelberg
Electronic ISBN: 978-3-662-65011-0
Print ISBN: 978-3-662-65010-3
DOI: https://doi.org/10.1007/978-3-662-65011-0