Sonderveröffentlichung

2. Münsterländischer Vermögenstag 2018
„Artificial Intelligence“ als Innovationstreiber

National-Bank erläutert ein wichtiges Zukunftsthema

Freitag, 09.11.2018, 08:04 Uhr

Ein System mit „Artifical Intelligence“ kann – wie der Mensch – Gedankenprozesse anwenden. Foto: colourbox.de
Anzeige
Sparkasse Münsterland Ost
MÜNSTER. „Artificial Intelligence“ gilt als Innovationstreiber. Ekkehard Link aus dem Research der National-Bank erklärt, was das genau ist:

Eine Maschine oder ein technisches System verfügt dann über „Artificial Intelligence“ (AI), wenn dieses ähnlich wie der Mensch dazu in der Lage ist, kognitive Funktionen auszuüben, also Wissen, Verständnis und Gedankenprozesse zum Lernen und zur Problemlösung anzuwenden. Technische Systeme, die in Reaktion auf ihre Umgebung Anpassungen vorzunehmen in der Lage sind, um bestimmte Sollzustände zu erreichen, gab es schon lange vor der Begriffsschöpfung der Künstlichen Intelligenz. Ein einfaches Beispiel stellt ein Regelkreis einer Heizungsanlage dar. Solche adaptiven Systeme sind in begrenztem Maße lernfähig, stellen jedoch keine Erscheinungsform Künstlicher Intelligenz dar. Wie kann das eine vom anderen unterschieden werden?

Der britische Mathematiker und Informatiker Alan Turing gab im Jahr 1950 erstmals eine Antwort auf diese Frage, als er den nach ihm benannten Turing-Test vorstellte. Im Zuge eines Turing-Tests führt ein menschlicher Fragesteller über eine Tastatur und einen Bildschirm ohne Sicht- und Hörkontakt mit zwei ihm unbekannten Gesprächspartnern eine Unterhaltung bzw. legt diesen eine Aufgabe zur Lösung vor. Der eine Gesprächspartner ist ein Mensch, der andere eine Maschine. Wenn der Fragesteller nach intensiver Befragung nicht klar sagen kann, welcher von beiden die Maschine ist bzw. ob die vorgeschlagene Aufgabenlösung vom Menschen oder der Maschine stammt, dann hat die Maschine den Turing-Test bestanden, und es wird der Maschine eine dem Menschen ebenbürtige „künstliche Intelligenz“ unterstellt.

Jede Aufgabe benötigt für ihre Lösung einen Lösungsweg, ein Konzept, auch Algorithmus genannt. Ein Algorithmus ist eine Sammlung eindeutiger Instruktionen, die von einer Maschine ausgeführt werden können. Ein komplexerer Algorithmus ist dabei oftmals als Steuerung für andere, einfacher konstruierte Algorithmen im Einsatz. Ein System verfügt dann über künstliche Intelligenz, wenn der Algorithmus Lernfähigkeit aufweist.

Früheste Vertreter von rechnerbasierten AI-Systemen sind die sog. Expert Systems. Dabei speisen menschliche Experten ihr Wissen und ihre Erfahrung in einem begrenzten Teilbereich in eine Wissensdatenbank in Form von Regeln (in einfachster Form: „Wenn glitzernd, dann Diamant“) ein.

Artificial Neural Networks (ANN) oder Künstliche Neuronale Netze (KNN) versuchen sich an der Nachbildung des Lernverhaltens im Gehirn. Elektronisch nachgebildete „Nervenzellen“ stehen dabei über ebenfalls elektronisch emulierte Synapsen (Verbindungsstränge zwischen den Nervenzellen) miteinander in Verbindung. In einfachster Form wird einem solchen System ein Datensatz bekannter Ursachen und von diesen bewirkt bekannter Folgen vorgelegt. Durch die Variation der Synapsen, also der „Verbindungsstärken zwischen den einzelnen Nervenzellen des KNN, lernt ein solches System, Ursachen und Folgen einander zuzuordnen. Im Zuge dieses Lernvorgangs können neue elektronische Nervenzellen im KNN hinzukommen oder bestehende entfallen, so dass sich das KNN in seiner Größe wie Struktur selbstständig verändert.

KNN waren über ein gutes Jahrzehnt hinweg auch eine große Hoffnung in der Börsenkurs- und Finanzmarktprognose. Leider zeigte sich, dass die alte EDV-Weisheit „Garbage in, garbage out!“ („Müll hineingesteckt – Müll herausbekommen!“) auch bei der Anwendung von KNN Gültigkeit besitzt. Die (anderen Prognoseverfahren) überlegenen Lernfähigkeiten eines KNN können ihren Vorteil umso besser ausspielen, je klarer und wirkmächtiger die UrsacheWirkungszusammenhänge bereits in den einzuspeisenden Daten repräsentiert sind. Ein kenntnisreiches Data Pre-Processing (Datenvorverarbeitung) ist somit unerlässlich – und das verlagert zum Beispiel die Dax-Prognose zum guten Teil zurück auf den Menschen. Eine weitere unterschätzte Schwierigkeit liegt im „Unseen Data Problem“: KNN versagen bei Börsenkursprognosen oftmals krass, wenn sie neue, während ihres Lernvorgangs nie gesehene Daten vorgelegt bekommen. „Alles gelernt – aber nichts begriffen!“, lautet dann das wenig erbauliche Fazit einer solchen KNN-Anwendung. Große Stärken zeigen KNN dagegen in der Lösung von Aufgaben der Klassifikation sowie Mustererkennung.

Eine weitere Klasse von Vertretern Künstlicher Intelligenz stellen die Genetischen Algorithmen (GA) dar. Den Erkenntnissen der Erbbiologie folgend werden hierbei die Bestandteile verschiedener Lösungen einer Aufgabe miteinander rekombiniert, mutiert und vererbt, so dass jede dabei entstehende Folgegeneration von Lösungen ein Suchoder Optimierungsproblem immer besser und besser zu lösen imstande ist. Leider gelten bezüglich Finanzmarktprognosen für GA ähnlich ernüchternde Einschränkungen wie für KNN.

Große und berechtigte Hoffnungen für Anwendungen auf Basis Künstlicher Intelligenz bestehen heute in den Anwendungsgebieten und Branchen Industrielle Prozesse, Gesundheitswesen (Krankheitsdiagnosen und -therapien), Fahrzeugbau („fahrerloses Auto“), Finanzwesen (Aufdeckung von Kreditkartenbetrug).

Datenschutz