Körber-Preis 2019
9/24

Abbildung: Neuronale Netze ähneln vom Aufbau her entfernt dem menschlichen Gehirn. Dank ihrer vernetzten ›Neuronen‹ sind sie lernfähig. Zeigt ein Programmierer dem Netz nacheinander viele tausend Fotos unterschiedlicher Äpfel und Birnen, kann es nach Abschluss des Trainings auch auf unbekannten Fotos Äpfel von Birnen unterscheiden. 


»Die gegenwärtig laufende ›dritte industrielle Revolution‹ ersetzt Energie durch Information.«  

BERNHARD SCHÖLKOPF


Weit mehr Erfolg hatten seit Mitte der 1980er Jahre sogenannte künstliche neuronale Netze, deren Aufbau entfernt am menschlichen Gehirn orientiert ist. Sie verfügen über künstliche Neuronen, die in mehreren Schichten angeordnet sind, und werden nicht mit Expertenregeln gefüttert, sondern lernen die Bewältigung von Aufgaben eher wie ein Kind: Ein Data Scientist lernt ein neuronales Netz schrittweise an, indem er ihm beispielsweise Bilder von Birnen und Äpfeln zeigt. Das Netz rät zunächst, um welche der beiden Früchte es sich handelt. Der Data Scientist überprüft die Ergebnisse und teilt dem System mit, ob es richtig oder falsch lag. Im Laufe dieses Trainings wird das neuronale Netz immer besser. Sein gelerntes ›Wissen‹ speichert es im Netz seiner künstlichen Neuronen, die wie Synapsen im Gehirn über erregende oder hemmende Gewichtungen miteinander verbunden sind. Nach vielen tausend Trainingsdurchgängen sind die Gewichtungen so eingestellt, dass das neuronale Netz nun auch auf neuen Bildern, die es zuvor nie gesehen hat, Äpfel von Birnen zu unterscheiden vermag.

1997 BESIEGTE EIN KI-SYSTEM ERSTMALS DEN AMTIERENDEN SCHACHWELTMEISTER 

Der aktuelle Durchbruch der KI geht vor allem auf solche Methoden des ›maschinellen Lernens‹ zurück, deren Leistung dank immer schnellerer Computer, immer größerer Speicher und rasant wachsender Datenmengen zum Trainieren stark zugelegt hat. Heute steuern neuronale Netze unter anderem selbstfahrende Autos, die sie mit Hilfe von Kamera- und Sensordaten eigenständig lenken und beim Erkennen von Hindernissen automatisch abbremsen. 

In vielen Spielen sind KI-Systeme menschlichen Gegnern inzwischen weit überlegen. Bereits 1997 schlug ›Deep Blue‹ – ein von IBM gebauter Schachcomputer, der über eine riesige Wissensdatenbank mit Meisterpartien verfügte und 200.000 Stellungen pro Sekunde berechnen konnte – unter Turnierbedingungen den damals amtierenden Schachweltmeister Garri Kasparow. Den Weltmeister im komplizierten japanischen Brettspiel Go besiegte 2016 ein von der Google-Firma DeepMind entwickeltes System namens ›AlphaGo‹, das auf einem mit Meisterpartien trainierten neuronalen Netz basierte.

SUPPORT-VEKTOR-MASCHINEN LIEFERN BESONDERS PRÄZISE ERGEBNISSE 

Die von Schölkopf mitentwickelten Support-Vektor-Maschinen ähneln der Arbeitsweise von neuronalen Netzen, liefern jedoch bei einigen Aufgaben präzisere Ergebnisse. Darüber hinaus basieren sie auf soliden mathematischen Grundlagen, was ihre Arbeitsweise transparenter macht. 

»Eine einfache Aufgabe für eine Support-Vektor-Maschine wäre zum Beispiel, nach Eingabe von Körpergröße und Gewicht zu bestimmen, ob eine Person ein Mann oder eine Frau ist«, erklärt Matthias Bauer, Doktorand in Schölkopfs Tübinger MPI-Team. Die Ergebnisse stellt das System mathematisch als Vektoren dar, die man sich als zwei Wolken von Punkten (eine für Frauen, eine für Männer) in einem zweidimensionalen Koordinatensystem vorstellen kann. Idealerweise lassen sich beide Wolken durch eine gerade Linie trennen. Eine Gerade ist eine sogenannte lineare Lösung, die sich besonders schnell berechnen lässt. Da es jedoch auch kleine, leichte Männer und schwere, große Frauen gibt, landen einige Punkte in der falschen Wolke. 

Um die Wolken dennoch zu trennen, müsste eine nicht-lineare Schlangenlinie verwendet werden, die jedoch viel komplizierter zu berechnen ist.