Kennen Sie schon: Künstliche Intelligenz zum Selbermachen?

Ob nun Googles AlphaGo [Link: Googles AlphaGo] die weltbesten GO Spieler besiegt oder Künstliche Intelligenz beim Kampf gegen Hautkrebs [Link: Künstliche Intelligenz beim Kampf gegen Hautkrebs] hilft, jeden Tag finden sich neue Anwendungsgebiete und es scheint nur noch eine Frage der Zeit, bis Maschinen dem Menschen den Rang ablaufen.

Da drängt sich natürlich die eine Frage auf: Kann ich eine KI Zuhause selber machen?

Die Antwort: klar, kein Problem.

Die Algorithmen, die es seit ein paar Jahren so zuverlässig in die Nachrichten schaffen, basieren auf künstlichen, neuronalen Netzen (KNN). Diese Netze sind im Wesentlichen ein sich selbst konfigurierendes Verfahren zur Mustererkennung und begleiten uns bereits seit den 80iger Jahren.

Es existiert somit eine breite Wissensbasis und eine Auswahl verschiedener Werkzeuge zur Arbeit mit neuronalen Netzen. Als kurze Einführung in das Thema empfehlen wir das Buch 'Deep Learning' [Link: Buch 'Deep Learning].

Neben einem breiten Angebot freier Software zur Arbeit mit KNN haben zudem viele der großen Unternehmen ihre eigenen KNN-Frameworks durch freie Lizenzen der Öffentlichkeit zugänglich gemacht. Für den geneigten Leser haben wir hier eine kurze Auswahl zusammengestellt:

• Theano [Link: http://deeplearning.net/software/theano/]
• Torch [Link: http://torch.ch/]
• TensorFlow [Link: https://www.tensorflow.org/]

Bis auf geringe Unterschiede in Performance und Dokumentation bieten die Frameworks ähnliche Leistungen. Eine Vielzahl von Anleitungen und Tutorials erleichtern den Einstieg.

Laden Sie sich doch einfach einen der Beispieldatensätze herunter und arbeiten Sie sich durch die Tutorials. Wenn Sie sich mit den Grundlagen hinreichend sicher fühlen, können Sie ihr Wissen und Ihre Fähigkeiten auf Teslas OpenAI Plattform [Link: Teslas OpenAI Plattform ] vertiefen.
OpenAI ist eine offene KI-Test und Trainingsplattform, die eine Sammlung von Problemfeldern und Beispieldaten aus dem Bereich der künstlichen Intelligenz bereitstellt.

Die größte Herausforderung für die Arbeit mit KNN ist das finden einer geeigneten Datenbasis.
Als Faustregel gilt: mit einigen Tausend Datensätzen erzielt man brauchbare Ergebnisse, ab mehreren Millionen Datensätzen kann man mit der menschlichen Konkurrenz mithalten.
Neben der Quantität der Daten spielt auch die Qualität eine zentrale Rolle. Wenn man beispielsweise ein neuronales Netz auf Basis ungefilterter Daten aus dem Internet trainiert, kann es schnell zu unerwünschten Nebeneffekten kommen.

Microsofts Twitter Bot Tay [Link: Microsofts Twitter Bot Tay] stellte dies eindrucksvoll unter Beweis, als sie nach nicht mal 24 Stunden wegen unethischer Tweets abgeschaltet werden musste. Solche Rückschläge mahnen zur Vorsicht. Auch wenn die künstliche Intelligenz den Menschen in Spezialdisziplinen überflügelt hat, so hinkt sie beim Lernen an sich noch weit hinterher.

Die Trends der Digitalisierung und BigData haben in den letzten Jahren dafür gesorgt, dass sich sowohl bei Privatpersonen als auch in Unternehmen ein mehr oder wenig strukturierter, ungenutzter Datenreichtum angehäuft hat. Diese Daten warten nur darauf mit Hilfe von KNN ausgewertet und nutzbar gemacht zu werden. Bei der Kombination der Daten und der Entwicklung von KNN ist Initiative und Experimentierfreude gefragt. Die genannten Beispiele können dabei helfen, mögliche Ansätze zu finden.

Viel Erfolg bei der Entwicklung Ihrer eigenen KI!

Sie haben Fragen oder möchten zu diesem Thema beraten werden? Gerne stehen wir für einen Austausch über die Technologien und die Vorgehensweise zur Verfügung. Kontakt zu ITGAIN. Wir freuen uns auf Ihre Nachricht.