Chennai (LabNews Media LLC) – An der VIT Chennai befasst sich das Modul BMEE407L „Artificial Intelligence“ unter Leitung von Dr. Abhishek Rudra Pal mit den Grundlagen der Künstlichen Intelligenz. Das Lehrmaterial behandelt Definitionen, historische Meilensteine, die Struktur intelligenter Agenten, Task-Umgebungen sowie Risiken und Nutzen der Technologie.
Definition und vier Ansätze
Künstliche Intelligenz wird als Wissenschaft beschrieben, die Computer und Maschinen entwickelt, die so schlussfolgern, lernen und handeln können, wie es normalerweise menschliche Intelligenz erfordern würde – oder die Daten in einem Umfang verarbeiten, der menschliche Analyse übersteigt. Maschinen werden so programmiert, dass sie verstehen, denken, lernen und sich wie Menschen verhalten. KI ermöglicht es Computern, große Datenmengen zu verarbeiten, Muster zu erkennen, aus eigener Erfahrung zu lernen und menschenähnliche Aufgaben wie Lernen, Entscheidungsfindung, Problemlösung, Sprache und Sprachwahrnehmung auszuführen.
Das Lehrmaterial unterscheidet vier Ansätze zur Definition von KI: Systeme, die wie Menschen handeln; Systeme, die wie Menschen denken; Systeme, die rational denken; und Systeme, die rational handeln.
Turing-Test und kognitive Modellierung
Der Turing-Test, benannt nach Alan Turing, gilt als operationale Definition von Intelligenz. Um ihn zu bestehen, benötigt ein System natürliche Sprachverarbeitung, Wissensrepräsentation, automatisiertes Schlussfolgern und maschinelles Lernen. Turing hielt die physische Simulation einer Person für den Nachweis von Intelligenz für unnötig; andere Forscher schlugen einen „totalen Turing-Test“ vor, für den ein Roboter zusätzlich Computer Vision, Spracherkennung und Robotik benötigt.
Der Ansatz des „Denkens wie ein Mensch“ wird als kognitive Modellierung bezeichnet. Erkenntnisse über menschliches Denken lassen sich auf drei Wegen gewinnen: Introspektion, psychologische Experimente und Hirnbildgebung. Beispiel ist der General Problem Solver (GPS).
Logik und rationale Agenten
Der Ansatz des „rationalen Denkens“ stützt sich auf Logik statt auf den Menschen als Maßstab für Korrektheit. Ein Syllogismus liefert bei korrekten Prämissen stets eine korrekte Schlussfolgerung. Zwei Hindernisse bestehen: Informelles Wissen lässt sich schwer in formale logische Notation übertragen, besonders bei Unsicherheit; zudem unterscheiden sich Lösung „im Prinzip“ und „in der Praxis“.
Der Ansatz des „rationalen Handelns“ konzentriert sich auf einen rationalen Agenten, der das beste Ergebnis oder bei Unsicherheit das beste erwartete Ergebnis anstrebt. Er ist allgemeiner als der Logik-Ansatz. Bei begrenzter Rationalität handelt ein Agent angemessen, wenn nicht genug Zeit für alle Berechnungen bleibt.
Intelligente Agenten und ihre Struktur
Ein Agent ist alles, was seine Umgebung über Sensoren wahrnimmt und über Aktuatoren auf sie einwirkt. Die Aufgabe der KI besteht darin, ein Agentenprogramm zu entwerfen, das die Agentenfunktion implementiert – die Abbildung von Wahrnehmungen auf Aktionen. Es gilt: Agent = Architektur + Programm.
Das Material beschreibt fünf Agententypen:
· Einfache reflexbasierte Agenten reagieren über Kondition-Aktions-Regeln direkt auf Wahrnehmungen. Beispiel ist der Reflex-Staubsauger-Agent.
· Modellbasierte reflexbasierte Agenten führen einen internen Zustand, der beschreibt, wie sich die Welt entwickelt und was die eigenen Aktionen bewirken. Beispiele sind smarte HVAC-Systeme und intelligente Bewässerung in der Landwirtschaft.
· Zielbasierte Agenten berücksichtigen, wie die Welt sich entwickeln wird, wenn sie eine bestimmte Aktion ausführen. Beispiel ist eine autonome Lieferdrohne.
· Nutzenbasierte Agenten bewerten Handlungen anhand einer Nutzenfunktion. Bei einem smarten HVAC-System fließen Komfort, Energieeffizienz und Kosten ein; bei einer Lieferdrohne Lieferzeit, Sicherheit, Batterielebensdauer und Kundenpräferenzen.
· Lernende Agenten bestehen aus Kritik, Lernelement, Performanzelement und Problemgenerator. Beispiel ist das Empfehlungssystem von Netflix.
Task-Umgebungen und PEAS
Zur Spezifikation einer Task-Umgebung dient das PEAS-Schema mit Performance-Maß, Environment (Umgebung), Actuators (Aktuatoren) und Sensors (Sensoren). Für einen automatisierten Taxifahrer nennt das Material als Performance-Maß sichere, schnelle, legale und komfortable Fahrten bei Gewinnmaximierung; als Umgebung Straßen, Verkehr, Fußgänger und Kunden; als Aktuatoren Lenkung, Gaspedal, Bremse, Blinker, Hupe und Display; als Sensoren Kameras, Sonar, Tachometer, GPS, Odometer, Beschleunigungsmesser, Motorsensoren und Tastatur.
Eigenschaften von Task-Umgebungen
Das Material unterscheidet sieben Eigenschaftspaare: vollständig versus teilweise beobachtbar; deterministisch versus stochastisch; episodisch versus sequenziell; statisch versus dynamisch; diskret versus kontinuierlich; Einzelagent versus Multiagent; bekannt versus unbekannt. Eine Übersicht ordnet Beispielen wie Kreuzworträtsel, Schach mit Uhr, Poker, Backgammon, Taxifahren, medizinischer Diagnose, Bildanalyse, Teilegreifroboter, Raffineriesteuerung und Englisch-Tutor entsprechende Ausprägungen zu.
Risiken und Nutzen der KI
Als Chancen nennt das Material die Befreiung der Menschheit von monotoner repetitiver Arbeit, die Steigerung der Produktion von Gütern und Dienstleistungen, die Beschleunigung wissenschaftlicher Forschung mit möglichen Heilungen für Krankheiten und Lösungen für Klimawandel und Ressourcenknappheit, personalisierte Erfahrungen in E-Commerce, Streaming und sozialen Medien sowie maßgeschneiderte medizinische Behandlungen auf Basis genetischer Informationen und Gesundheitsdaten.
Als Risiken werden genannt: tödliche autonome Waffen, Überwachung und Überzeugungsmanipulation, voreingenommene Entscheidungsfindung, Auswirkungen auf die Beschäftigung, sicherheitskritische Anwendungen und Cybersicherheit.
Karriereperspektiven
Das Material nennt Anwendungsbranchen von Finanzdienstleistungen über Gesundheitswesen, Technologie, Medien, Marketing, Regierung und Militär, nationale Sicherheit, IoT-Systeme, Landwirtschaft, Gaming bis Handel. Zu den gefragten Fähigkeiten zählen Kommunikationsfähigkeit, Python-Kenntnisse, Kenntnisse in digitalem Marketing, Teamfähigkeit und analytische Fähigkeiten. Als Programmiersprachen werden Python, C/C++ und MATLAB genannt. Zu den Berufsbildern gehören Big Data Analyst, UX Designer/Developer, Natural Language Processing Engineer, Researcher, Research Scientist, Software Engineer, AI Engineer, Data Mining and Analysis, Machine Learning Engineer, Data Scientist, Business Intelligence Developer, Big Data Engineer/Architect, Robotics Engineer und Computer Vision Engineer.
