Page - 61 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 61 den Inhalt unserer Gedanken selbst auf eine geeignete Metaebene zu transformieren und somit wiederum neue Erkenntnisse zu erlangen. Interaktives maschinelles Lernen Ein Ansatz für Augmented Intelligence ist das interaktive maschinelle Lernen (ML). Das Ziel dieses Verfahrens ist es, Menschen stärker in das jeweilige Lernverfahren des überwachten, unüberwachten und verstärkten Lernens einzubinden (siehe Einlei- tungskapitel „Entwicklungswege zur KI“). Für diese Idee eines „human-in-the-loop“ gibt es eine Reihe von Beispielen (Amershi et al. 2014). Nutzer können dabei entwe- der vor oder nach einer Phase der Modellbildung durch den Lernalgorithmus einen gewissen Grad der Kontrolle und des Feedbacks übernehmen. Trainingsdaten kön- nen modifiziert werden, indem die Wichtigkeit bestimmter Merkmale hervorgeho- ben wird, Fehlertoleranzen können angepasst werden oder die durch den Algorith- mus erkannten Muster und Strukturen können als passend oder unpassend bewertet werden. Solche Verfahren eignen sich insbesondere für Anwendungsfälle, bei denen die gewünschten Ergebnisse und Ausgaben, die der Lernalgorithmus aus den Trai- ningsdaten ausgeben soll, im Vorhinein noch nicht bekannt sind. Die Effizienz des Trainingsprozesses kann durch interaktives maschinelles Lernen zwar gesteigert wer- den, die Nutzer empfinden den Prozess aber oft als ermüdend oder langweilig, da sie in erster Linie nur für eine Verbesserung des Trainings benutzt werden, dabei aber kaum eigene kognitive Leistungen erbringen müssen (Amershi et al. 2014). Als Folge dessen gewinnen sie kaum wirkliches Wissen und Erkenntnisse, über die sie nicht auch schon vor der Nutzung des Computersystems verfügten. Visual Analytics und maschinelles Lernen Ein weiterer und vielversprechender Ansatz für Augmented Intelligence, der einige der Ideen des interaktiven ML zwar beinhaltet, aber weit darüber hinaus geht, ist die Kombination von maschinellem Lernen mit sogenannten Visual Analytics (Endert et al. 2017). Dabei werden große Datenmengen durch Methoden der KI und insbeson- dere des ML auf visuelle Art und Weise so aufbereitet, dass Menschen aus diesen Daten Erkenntnisse gewinnen können. Ein bekanntes Modell für diese Erkenntnisge- winnung stammt von Pirolli und Card (Pirolli und Card 2005). Es beschreibt den Prozess, wie aus Datenquellen Erkenntnisse erzeugt werden können. Das Modell unterteilt den Prozess in zwei Phasen: die erste sogenannte Hamsterphase, in der die ursprünglichen Informationen wiederholt auf Zusammenhänge durchsucht werden, und die zweite sogenannte Sinnstiftungsphase, in der die Informationen in ein Schema, überprüfbare Hypothesen und schlussendlich in eine präsentierbare Erkennt- nis fließen. Systeme der Augmented Intelligence können Nutzer jetzt insbesondere in der Hamsterphase beim Durchforsten der Daten unterstützen. Der Nachteil an die-