wie versteht künstliche Intelligenz die muster die sie ihr geben?

Frage: wie versteht künstliche Intelligenz die muster die sie ihr geben?
- Stichworte:
  Algorithmus,
  lernen,
  Muster
Frage gestellt bath19pew am 18 Nov 2022.
- Isabelle Kien Beantwortet am 18 Nov 2022:
  
  Die kurze Antwort darauf lautete: Mathematik
  
  Künstliche Intelligenz bezeichnet eine Gruppe von Algorithmen. Diese kann man mit Hilfe von Daten trainieren. Das wiederrum bedeutet, dass alle Informationen in Form von Zahlen (bzw. eigentlich binär) vorliegen: Ein Bild ist zum Beispiel eigentlich für den Computer eine große Matrize mit einem bestimmten Farbwert je Pixel. Um einen klassischen Algorithmus, wie ein neuronales Netz zu trainieren braucht man sowohl Input- als auch Outputdaten. Wir gehen dann davon aus, dass es einen Zusammenhang zwischen den Daten gibt – z.B können wir anhand der Abbildung erkennen, ob es sich um eine Katze, oder um einen Hund auf dem Bild handelt, denn Katzen und Hunde sehen unterschiedlich aus. Mathematisch werden solche Zusammenhänge als Funktion bezeichnet. Ihr kennt das evtl. aus der Schule : y =f(x). Der Output y (Kategorie Hund oder Kategorie Katze) hängt von dem Input x (also von dem was in dem Bild zu sehe ist) ab.
  Die KI erlernt nun durch das Training den Zusammenhang in Form der Funktion f [bei uns heißt die meistens h – für Hypothese ]. Das macht sie, indem sie erst einmal irgendeine Funktion annimmt und dann in jedem Schritt schaut wie gut die Funktion passt (also ob sie ein Bild richtig als Katze oder Hund klassifiziert) und sie dann verändert.
  
  Okay, wen ihr das bis hier her gelesen habt: Respekt! Das klingt jetzt ziemlich kompliziert und ist auch schwierig in einer Textnachricht zu beschreiben 😀
  
  Ich habe auf die Schnelle leider kein gutes Erklärvideo dazu gefunden !
- Karsten Weber Beantwortet am 18 Nov 2022:
  
  Das ist eine im besten Sinne philosophische Frage: Ob KI-Systeme die zu lernenden und verarbeitenden Muster wirklich versteht — so wie ein Mensch sie verstehen würde — lässt sich nicht wirklich beantworten. Woran erkennen wir bei Menschen, dass sie etwas verstehen? Nun, wir können sie danach fragen. Oder sie verhalten sich auf eine bestimmte Art und Weise. Bei KI-Systemen ist es nicht anders. Ob sie es dann alles wirklich verstehen? Wer weiß. Ich weiß oft auch nicht, ob meine Mitmenschen vieles verstehen.
- Lisa Eisenberg Beantwortet am 21 Nov 2022:
  
  Isabelle hat die Mathematik dahinter schon gut erklärt, finde ich. Ich versuche mal noch, ein paar anschaulichere Sätze hinzuzufügen:
  
  Eine KI lernt fast immer von Beispielen. Bei dem Modell von Isabelle würde man dem Modell also viele Bilder von Hunden zeigen und sagen „das ist ein Hund“, und viele Bilder von Katzen wobei man dem Modell sagt „das ist eine Katze“. Mit genug Beispielen lernt ein Modell dann, die beiden zu unterscheiden. Der Trick bei KI ist, dass man einem Modell nicht von Hand erklären muss, was die Unterschiede zwischen einem Hund und einer Katze sind. Das Modell erkennt die Unterschiede von selbst, wenn es genug Beispiele gesehen hat, und kann dann auch neue Bilder der richtigen Kategorie zuordnen.
  
  Es gibt verschiedene Möglichkeiten, wie diese Beispiele aussehen. Es könnten Input-Output-Paare sein wie oben (Bild -> „Katze“ / „Hund“), aber auch nur Bilder ohne Kategorie. Manche Modelle können solche Beispiele sogar beim Trainieren selbst generieren. Modelle, die lernen, ein Spiel zu spielen, können z.B. gegen sich selbst spielen und jedes Spiel (mit dem Punktestand am Ende) ist dann ein Beispiel, von dem das Modell lernt.
  
  Jetzt zu der Frage wie das Modell die Beispiele lernt bzw. versteht: Dabei geht es meistens darum, Parameter des Modells so einzustellen, dass es möglichst gut zu den Beispielen passt. Wenn das Modell wie oben Kategorien vorhersagen soll, wäre das Ziel, dabei möglichst wenige Fehler zu machen. Um das zu erreichen, wird eine mathematische Funktion an die Daten angepasst. Bei numerischen Daten könnte das z.B. so aussehen:
  
  https://en.wikipedia.org/wiki/Linear_regression#/media/File:Polyreg_scheffe.svg
  
  Bei der Abbildung gibt es ein Input X und ein Output Y und die Beispiele (also die grauen Punkte) wurden mit dem Computer generiert. Deshalb weiß man, was der wahre Zusammenhang zwischen X und Y ist und diese „Wahrheit“ ist in blau eingezeichnet. Sie stimmt aber nicht immer ganz genau, weil es auch einen zufälligen Fehler gibt, in einem Anwendungsbeispiel könnte da z.B. der Messfehler einer Maschine sein. Um das Modell anzupassen, versucht man so an den Stellschrauben einer mathematischen Funktion zu drehen, dass sie möglichst durch die Mitte der grauen Beispiel-Punkte geht. Das Ergebnis von dieser Anpassung ist in grün eingezeichnet und entspricht zwar nicht ganz genau der Wahrheit, aber es ist nah dran und passt gut zu den Beispiel-Punkten.
  
  Es gibt viele verschiedene Arten von Modellen bzw. Funktionen, die man dabei verwenden kann. Man könnte z.B. eine Gerade verwenden, dann gäbe es nur eine Steigung und einen Schnittpunkt mit der y-Achse als Stellschrauben. Meistens sind es aber deutlich kompliziertere Funktionen.
  
  Manchmal will man auch einschätzen, wie stark die Datenpunkte von dem angepassten Modell abweichen. Die roten Linien geben z.B. einen Bereich an, in dem neue Datenpunkte mit einer gewissen Wahrscheinlichkeit liegen.