Skip to main content
Registrieren
Springer Professional
SUCHE
MENÜ 1 2 3 4
main-content
nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:
Zum Begriff der Künstlichen Intelligenz Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

2. Praktische Grenzen

verfasst von: Klaus Mainzer, Reinhard Kahle

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

Verlag: Springer Berlin Heidelberg

Einloggen, um Zugang zu erhalten
share
TEILEN

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).
Vorheriges Kapitel Zum Begriff der Künstlichen Intelligenz
Nächstes Kapitel Theoretische Grenzen
Fußnoten
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.“
 
Literatur
1.
2.
3.
Clancey, W. (1983). The epistemology of a rule-based expert system – a framework for explanation, in: AI-Journal 20, 215–293.
4.
5.
Minsky, M. (1975). A framework for representing knowledge, in: P. Winston (ed.), The Psychology of Computer Vision, New York.
6.
Sussmann, G.; Steele, G. (1980). Constraints – a language for expressing almost-hierarchical descriptions, in: AI-Journal 14, 1–39.
7.
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.
Buchanan, B.G.; Feigenbaum, E.A. (1978). DENDRAL and META-DENDRAL: Their applications dimensions, in: Artificial Intelligence 11, 5–24. CrossRef
9.
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.
Shortliffe, E.H. (1976). Computer-Based Medical Consultations: MYCIN, New York.
11.
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.
Carnap, R. (1959). Induktive Logik und Wahrscheinlichkeit, bearbeitet von W. Stegmüller, Wien. CrossRef
13.
Lindley, D.V. (1965). Introduction to Probability and Statistics from a Bayesian Viewpoint I–II, Cambridge. CrossRef
14.
Zadeh, L.A. (1975). Fuzzy Sets and their Application to Cognitive and Decision Processes, New York.
15.
de Kleer, J. (1986). An assumption based TMS, in: AI-Journal 28, 127–162.
16.
Dreyfus, H.L.; Dreyfus. S.E. (1986). Mind over Machine, New York.
17.
Mainzer, K. (2019). Künstliche Intelligenz. Wann übernehmen die Maschinen? Springer, Berlin.
18.
Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 4 f.
19.
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.
Immanuel Kant. (1781). Kritik der reinen Vernunft. Johann Friedrich Hartknoch (A). Zweite Auflage, 1787 (B).
21.
Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 6 f.
22.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference, Cambridge (Mass.).
23.
Peters, J.; Janzing, D.; Schölkopf, B. (2017). Elements of Causal Inference. Foundations and Learning Algorithms Cambridge (Mass.), 144.
24.
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.
Mainzer, K. (2020). Quantencomputer. Von der Quantenwelt zur Künstlichen Intelligenz, Springer. CrossRef
26.
Friston, K; Harrison, I.; Penny, W. (2003). Dynamic causal modelling, in: NeuroImage 19, 1273–1302. CrossRef
27.
Thomas Bayes. (1763). An Essay towards solving a Problem in the Doctrine of Chances. In: Philosophical Transactions. Band 53, S. 370–418.
28.
Mittelstrass, J. (1995). Regulae philosophandi, in: J. Mittelstrass (Hrsg.), Enzyklopädie Philosophie und Wissenschaftstheorie Bd. 3, J.B. Metzler: Stuttgart, 536–537.
29.
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.
Skilling, J.; Sibisi, S. (Hrsg.) (1996). Maximum Entropy and Bayesian Methods, Kluwer: Dordrecht. MATH
31.
Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 57. MATH
32.
Jeffreys, W.H.; Berger, J.O. (1992). Ockham’s razor and Bayesian analysis, in: Americian Science 80 1992, 64–72.
33.
Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA 2001, 68. MathSciNetMATH
34.
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.
Minsky, M.; Papert, S. (1969). Perceptrons, Cambridge (Mass.), expanded edition 1988.
36.
Möller, K.; Paaß, G. (Hrsg.) (1994). Künstliche neuronale Netze: eine Bestandsaufnahme, in: KI – Künstliche Intelligenz 4, 37–61.
37.
Rummelhart, D.E.; Hinton, G.E.; Williams, R.J. (1986). Learning representation by back propagating errors, in: Nature 323, 533–536. CrossRef
38.
Hornik, K.; Stinchcombe, M.; White, H. (1989). Multilayer feedforward networks are universal approximators neural networks, in: Neural Networks 2, 359–366. CrossRef
39.
Senior, A.W., et al. (2020). Improved protein structure prediction using potentials from deep learning, in: Nature 577 2020, 706–710. CrossRef
40.
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.
Baldi, P.; Brunak, S. (2001). Bioinformatics. The Machine Learning Approach, MIT Press: Cambridge MA, 267. MATH
42.
Felsenstein, J. (1981). Evolutionary trees from DNA sequences: A maximum likelihood approach, in: Journal of Molecular Evolution 19, 368–376. MathSciNetCrossRef
43.
Poppers, K.R. (1973). Objektive Erkenntnis. Ein evolutionärer Entwurf, Hoffmann und Campe 1993 (1. Ausgabe 1973)
44.
45.
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.
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.
Frederik Zuiderveen Borgesius. (2018). Discrimination, artificial intelligence, and algorithmic decision-making. Directorate General of Democracy; Council of Europe, Strasbourg.
48.
Maurice C. Bryson. (1976). The literary digest poll: Making of a statistical myth. The American Statistician, 30(4):184–185.
49.
Dreyfus, H. (1992). What Computers Still Can’t Do: A Critique of Artificial Reason. MIT Press.
50.
McCarthy, J.; Hayes, P.J. (1969). Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, 4:463–502. MATH
51.
Hanks, S.; McDermott, D. (1987). Nonmonotonic logic and temporal projection. Artificial Intelligence, 33(3):379–412. MathSciNetCrossRef
52.
Aristoteles. (1831). Metaphysik, in Immanuel Bekker (Hg.): Aristotelis opera, 2. Bde., Berlin.
53.
Quine, W.V.O. (1969). Grundzüge der Logik. Frankfurt am Main. MATH
Metadaten
Titel
Praktische Grenzen
verfasst von
Klaus Mainzer
Reinhard Kahle
Copyright-Jahr
2022
Verlag
Springer Berlin Heidelberg
Buch
Grenzen der KI – theoretisch, praktisch, ethisch

Print ISBN: 978-3-662-65010-3

Electronic ISBN: 978-3-662-65011-0

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-662-65011-0_2

Premium Partner

    Version: 0.2067.0