Seite - 33 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 33 würde man dafür aktuell „faltende“ neuronale Netze (Convolutional Neural Net- works, kurz CNN) heranziehen. Faltungen sind mathematische Funktionen, die in der Software zahlreicher Hochtechnologien genutzt werden. In einem CNN kommen in verschiedenen Schichten Faltungen zum Einsatz, die Bildinformationen bzw. Merk- male abstrahieren. In Bildern mit möglichen Hunden sitzen oder laufen die Tiere natürlich nicht immer an der gleichen Stelle. Was einen Hund ausmacht, ist nicht seine Position im Bild, sondern es sind vielmehr Eigenschaften wie das abgebildete flauschige Fell, das im Bild bestimmte weiche Kanten zur Umgebung produziert, bestimmte Muster aus Augen, Schnauze und Ohren oder vier Beine mit hellen Pfoten an den Enden, die in bestimmten Positionen zueinander stehen. Diese Eigenschaften sind manchmal konkreter und manchmal abstrakter, sie finden sich aber nie in den reinen Rohdaten der Pixel eines Bildes. Deshalb funktioniert ein CNN so, dass es Teile des Bildes als Ganzes auswertet und so beispielsweise ein abstraktes Merkmal wie die flauschige, auf dem Bild leicht verschwommene Abgrenzung des Hundes von seiner Umgebung weiterverarbeitet. Das Bild wird also in den Schichten des Netzes abstrahiert und die abstrakteren Merkmale führen am Ausgang des Netzes zu der Entscheidung, ob ein Hund auf dem Bild zu sehen ist oder nicht.5 Eine weitere Methode im Bereich der neuronalen Netze sind sogenannte Generative Adversarial Networks (GAN) (Goodfellow et al. 2014). In gewisser Hinsicht kämpfen bei dieser Methode zwei Netzwerke gegeneinander. Dem eigentlich eingesetzten Netz, das lernen soll, wird ein Gegnernetz gegenübergestellt, das die Eingabewerte des lernenden Netzes erzeugt. Das Gegnernetz ist dabei aber so verschaltet, dass es lernt, Eingabewerte zu produzieren, die für das lernende Netz möglichst schlechte Ergebnisse mit einem hohen Grad an Fehlern liefern. Das Gegnernetz konfrontiert das lernende Netz also immer und immer wieder mit seinen Schwächen und führt es an seine Grenzen. Das Ergebnis dieser Auseinandersetzung ist, dass das lernende Netz exzellent wird und selbst mit schwierigen Eingabewerten zurechtkommt. Unter KI, ML und DL versteht man heute eine ganze Reihe von Ansätzen, Probleme mit Hilfe von autonom agierenden und in diesem Sinne intelligenten Computerpro- grammen zu lösen. In den folgenden Kapiteln soll auf bestimmte Teilbereiche der Technologie genauer eingegangen werden. Kapitel 1 beschreibt, welche Rechen- hardware nötig ist, um neuronale Netze überhaupt effizient ausführen zu können. Kapitel 2 zeigt mit einer Übersicht zu Normung und Standardisierung auf, wie KI- Werkzeuge aktuell gehandhabt werden. In Kapitel 3 wird dargestellt, wie der Mensch mit komplexen KI-Systemen interagieren kann und könnte. Kapitel 4 befasst sich mit Ansätzen und Methoden im Anwendungsgebiet IT-Sicherheit. 5 Jeder, der schon einmal Google Fotos verwendet hat, kennt die Güte der Mustererken- nung in Bildern (Computer Vision).