Was bedeutet Künstliche Intelligenz für die Zukunft der Menschheit?
Viele reden über Künstliche Intelligenz, aber nur sehr wenige haben auch tatsächlich Ahnung davon. KTU hat sich für euch Dr. Andreas Müller für das nächste Weekend-Interview geschnappt.
Beim Pokern hat die Software Snowie von sich reden gemacht. Dieses Programm arbeitet mit einem selbstlernenden neuronalen Netzwerk. Stellen Snowie oder andere künstliche Intelligenzen eine Gefahr für die Menschheit dar?
Dr. Andreas Müller ist Diplom-Mathematiker und hat seinen Doktor in der Informatik im Bereich "Machine Learning" gemacht. Zur Zeit arbeitet er an der Universität New York an dem Projekt "Scikit-learn". Vor seiner Rückkehr an die Universität hat er unter anderem auch schon für Amazon.com als "Machine Learning Specialist" gearbeitet. Zudem hat er KTU in mehreren Go-Partien besiegt.
KTU: Hi Andy! Vielen Dank, dass du dir die Zeit nimmst, unsere Mitglieder über das Thema Künstliche Intelligenz aufzuklären! Dein Forschungsschwerpunkt nennt sich "Machine Learning". Ist das von Künstlicher Intelligenz abzugrenzen oder meint es genau das?
Dr. Andreas Müller: Künstliche Intelligenz an sich bedeutet, eine Maschine oder einen Computer zu kreieren, der "intelligent" handeln kann. "Intelligent" ist allerdings ein sehr weiter und mehrdeutiger Begriff. Künstliche Intelligenz als Forschungsgebiet beschäftigt sich vor allem mit logischen Schlussfolgerungen und der Suche in bekannten, begrenzten Systemen. Gute Beispiele dafür sind das "Tic Tac Toe"-Spiel oder die Suche nach dem kürzesten Weg durch ein Labyrinth.
Diese Anwendungen haben meistens sehr klare Regeln und die Herausforderung besteht darin, in einem komplexen aber gut verstandenen System zu handeln. Künstliche Intelligenz war ein weit benutzter Begriff und ein aktives Forschungsfeld in den 60er und auch wieder in den 80er Jahren. Leider mussten Forscher feststellen, dass die echte Welt sehr wenig aussieht wie ein "Tic Tac Toe"-Feld und Mehrdeutigkeiten sowie eine Komplexität enthält, die Algorithmen für Künstliche Intelligenz nicht handhaben können. Deshalb hat sich die Forschung neu orientiert, hingehend zu Algorithmen, die mittels statistischer Verfahren versuchen aus Daten zu lernen, anstatt von vornherein das ganze System zu modellieren. Diese Algorithmen werden meistens unter dem Begriff "Maschinelles Lernen" oder eben "Machine Learning" zusammengefasst. Die meisten Anwendungen die "intelligente" Komponenten haben, benutzen diese Art von Algorithmen.
Gesichtserkennung durch "Machine Learning"
Ein gutes Beispiel für einen "Machine Learning"-Algorithmus ist die Gesichtserkennung, die in jeder Handy-Kamera steckt. Die Programmierer haben nicht programmiert, wie ein Gesicht aussehen soll, sondern haben ein Programm geschrieben, das in der Lage ist, bestimmte Muster in Bildern zu unterscheiden. Dann haben sie dem Programm eine große Datenbank von Bildern gezeigt und markiert wo die Gesichter sind. Das Programm hat daraus gelernt, was charakteristisch für Gesichter ist und wie sie erkannt werden können.
KTU: Woran arbeitest Du im Moment, falls man das normalen Menschen noch erklären kann?
Dr. Andreas Müller: Ich arbeite im Moment vor allem an der Entwicklung von Scikit-Learn. Diese Software ermöglicht es Programmierern "Machine Learning"-Algorithmen in ihren eigenen Programmen zu benutzten. Es ist praktisch ein Werkzeugkasten, den Forscher und Entwickler benutzen können, um aus Daten zu lernen. Die Software wird von vielen großen Firmen benutzt, z.B. Facebook, Amazon, der New York Times, OKCupid und Twitter.
KTU: Was sind für dich die beeindruckendsten Entwicklungen in der Künstlichen Intelligenz / dem "Machine Learning" in den letzten 10 Jahren?
Dr. Andreas Müller: Ein Durchbruch beim "Machine Learning" in den letzten Jahren ist die breite Anwendung von Neuronalen Netzen - heute oft "Deep Learning" genannt -, insbesondere für Bild- und Textdaten. Die Technologie gibt es zwar bereits seit den 80ern, aber erst in den letzten Jahren haben wir genug Rechenpower und Daten, um Neuronale Netze effektiv einzusetzen.
Neuronale Netze für automatisches Übersetzen
Zwei Anwendungen, die besonders interessant sind, sind Bilderkennung und automatisches Übersetzen. In der Bilderkennung können Algorithmen basierend auf Neuronalen Netzen mittlerweile tausende von Objektkategorien präzise erkennen. Beim automatischen Übersetzen können Neuronale Netze zwischen zwei Sprachen mit hoher Genauigkeit übersetzen. Das wirklich beeindruckende dabei ist, dass Neuronale Netze in der Lage sind allein anhand von Satzpaaren zu lernen. Das heißt, dass eine große Menge von, sagen wir deutschen Sätzen und Chinesischen Übersetzungen ausreicht, um ein allgemeines Übersetzungsprogramm zu erzeugen. Skype arbeitet gerade daran einen automatischen Übersetzer einzuführen, der das Gesprochene direkt übersetzt. Ein sehr interessanter Artikel zu dem Thema lautet: The Unreasonable Effectiveness of Recurrent Neural Networks.
Eine andere bemerkenswerte Anwendung ist, Atari spielen zu lernen: DeepMind’s AI is an Atari gaming pro now. Das wirklich herausragende an dieser Arbeit ist, dass es den Forschern von Deep Mind gelungen ist, einen Algorithmus zu entwerfen, der in knapp 50 Spielen Menschen ebenbürtig oder meist überlegen ist. Die meisten Algorithmen sind auf ein einzelnes Spiel abgerichtet.
KTU: Es gibt ein erschreckendes Video von cp grey, dessen Aussage ist, dass in 5 bis 10 Jahren Computer große Teile der Bevölkerung arbeitslos machen. Siehst du das ähnlich dramatisch? Welche Jobs sind in den nächsten 10 bis 20 Jahren in dem Sinne sehr sicher, dass sie nicht von Robotern ausgeführt werden können? Welche Jobs sind es wohl in 150 Jahren?
Dr. Andreas Müller: Ich glaube nicht, dass ein Großteil der Bevölkerung in 5 bis 10 Jahren durch Automatisierung ihren Job verliert. Bestehende Trends wie Selbst-Check-in am Flughafen und Kassenautomaten im Supermarkt werden sich sicherlich weiter verbreiten. Diese beiden Anwendungen benötigen aber nicht besonders viel Intelligenz. cp grey argumentiert vor allem mit "General Purpose Robotics", also Robotern, die viele verschiedene Arbeiten ausführen können. Ich denke, er ist damit, insbesondere für die nächsten 50 Jahre ziemlich auf dem Holzpfad. Ich glaube wir werden sehr viel mehr spezialisierte Roboter sehen, bevor humanoide oder "General Purpose Roboter" wirklich praktikabel werden. Ein besonders interessanter spezialisierter Roboter wird das Auto werden. Und vielleicht werden Taxi-Fahrer in den nächsten 10 Jahren ersetzt, vielleicht auch erst in 20. Aber nicht von einem menschlichen Roboter, der am Steuer sitzt, sondern von einem On-Board Computer.
Abgesehen davon denke ich, dass die meisten Jobs für die nächsten 10 bis 20 Jahre sicher sind. Einige Kundeninteraktion wird sicherlich automatisiert, aber es wird immer noch genug Service-Arbeit zu tun geben. Ich denke für viele Unternehmen bedeutet Automatisierung, dass sie skalieren können. Sie können mit den Angestellten, die sie haben, mehr erreichen und das Ziel ist es nicht, dass diese komplett ersetzt werden. Was in 150 Jahren sein wird, ist wirklich schwer vorherzusagen, aber ich denke Service und Kommunikation sind Bereiche in denen wir noch lange Menschen haben werden.
KTU: Die "technische Singularität" tritt ein, wenn eine KI "schlau" genug ist, ihren eigenen IQ zu verbessern und ihr eigenen Ziele setzen kann. Werden wir diesen Tag wohl noch erleben?
Dr. Andreas Müller: Singularität ist ein etwas seltsamer Begriff. Da verschwimmen die Grenzen zwischen Problemlösen und Bewusstsein. Ich denke, dass wir den Tag noch erleben an dem es schwierig wird, einen Turing-Test zu finden, den eine Maschine nicht bestehen kann. Sich selbst zu verbessern, würde bedeuten einen besseren Algorithmus zu programmieren. Das würde ich auch nicht ausschließen. Ich bin mir aber nicht sicher, ob ich das Singularität nennen würde.
KTU: Angenommen es gäbe einen superintelligenten Roboter. Kann man irgendwas darüber aussagen, was dieser sich für Ziele setzt?
Dr. Andreas Müller: Intelligenz und Robotik haben relativ wenig miteinander zu tun. In vielen Scifi-Visionen treten Robotik und "Künstliche Intelligenz" zusammen auf. In der Forschung sind sie meistens ziemlich getrennt. Robotik benutzt maschinelles Lernen, um Objekte zu erkennen, zu lernen etwas zu greifen oder Personen wiederzuerkennen. Aber Forschung in maschinellem Lernen hat praktisch nie eine Verbindung zur Robotik. Es gibt Forscher die argumentieren, dass Interaktion mit der Welt entscheidend ist, um etwas über die Welt zu lernen. Aber das hat wenig mit Mainstream-Forschung zu tun. Was Zielsetzung angeht: Das ist kein Konzept, das im Moment irgendwie in der Forschung vorkommt. Normalerwise hat man ein bestimmtes Ziel vor Augen, dass man mit einem Algorithmus erreichen möchte. Was bedeutet es, die Zielvorgabe dem Algorithmus zu überlassen?
Poker ist kein "Full Information"-Spiel
KTU: Vor einem Monat gab es einen großen Showdown zwischen Mensch und Maschine beim Poker. Die Menschen waren wieder erfolgreich. Was macht Poker so viel schwerer als Schach für Computer?
Dr. Andreas Müller: Du kennst dich besser sowohl mit Poker als auch mit Schach aus als ich. Es gibt einige klare Unterschiede: Schach ist ein "Full Information"-Spiel. Beide Spieler wissen stets genau, was gerade passiert. Beim Poker gibt es sehr viele Möglichkeiten, was die anderen Spieler auf der Hand haben können. Wenn der Computer eine Entscheidung trifft, muss er praktisch alle diese Möglichkeiten in Betracht ziehen. Das macht Poker deutlich schwieriger. Außerdem denke ich, dass das Interesse der Forschung an Poker nicht so groß ist wie es im Schach war. Vor Deep Blue haben viele Menschen gedacht, dass Computer nicht "kreativ" genug denken können, um ein Spiel gegen einen Menschen zu gewinnen. Mittlerweile ist relativ klar, dass es nur eine Frage der Zeit ist, bis Menschen in einem bestimmten Spiel geschlagen werden. Deshalb ist es nicht besonders interessant daran zu forschen.
KTU: Denkst du, es gibt irgendwann einen erschwinglichen Roboter, der einem im Alltag die meisten Aufgaben abehmen und Befehle ausführen kann wie: "Hol’ bitte den kleinen Kevin von der Schule ab", "Räum das Wohnzimmer auf", "Mach bitte Essen für 19 Uhr und bügel meine weißen Hemden"?
Dr. Andreas Müller: Ich habe einige Jahre in einer Forschungsgruppe gearbeitet, die versucht Haushaltsroboter zu entwickeln. Ich denke vom Standpunkt der "Intelligenz" werden wir bald in der Lage sein, solche Befehle zu verstehen und für einige davon auch zu planen. Es ist relativ klar, was man tun muss, um Kevin von der Schule abzuholen oder ein Hemd zu bügeln. Das Wohnzimmer aufräumen ist vielleicht etwas schwieriger, aber auch nicht unmöglich. Während das "Maschinelle Lernen" in den letzten Jahren große Fortschritte gemacht hat, bin ich mir nicht sicher, ob die Mechanik hinterher kommt. Ich bin kein Spezialist in Robotik, aber die meisten Roboter, die ich bis jetzt gesehen habe, sind sehr langsam und oft ungenau. Die einzige Ausnahme bilden die Roboter von Boston Dynamics, die mit Hydraulik betrieben werden.
Diese Roboter sind unglaublich schnell und stark, aber aufgrund der schweren und lauten Technik eher für den Miltäreinsatz geeignet. So einen möchte man sich nicht unbedingt ins Haus holen. Der beste Roboter für den Job ist im Moment PR2, ein $400.000-Forschungsroboter, der mit seinen sehr präzisen Manipulatoren und Sensoren ein Handtuch innerhalb von einigen Minuten falten kann. Wir sind also von einer praktikablen Lösung noch relativ weit weg.
KTU: Wenn man sich für Künstliche Intelligenz / Maschinelles Lernen interessiert, gibt es ein Buch oder eine Homepage, die du zum Einstieg empfiehlst?
Dr. Andreas Müller: Das Standardwerk ist "The Elements of Statistical Learning" und das gibt es sogar legal völlig umsonst zum Download.
KTU: Andy, vielen Dank für das Interview!
