Algorithmen sind die gedankliche Basis der Datenverarbeitung. Ein Computerprogramm – egal wie kompliziert es ist – arbeitet eine zuvor festgelegte Berechnungsvorschrift (einen Algorithmus) ab. Diese Algorithmen können Parameter aus der Umgebung berücksichtigen (bspw. nutzt die Glatteiswarnung am Bordcomputer des Autos die Umgebungstemepratur als Parameter). Um gerade bei Computerspielen echte Zufälligkeit zu nutzen, können Computer auch auf Zufallsgeneratoren zurückgreifen. Aber allen diesen Programmen liegen Algorithmen zugrunde, und diese bestimmen die Logik.

Und diese Logik ist mal leicht nachzuvollziehen und manchmal schwer.

So erscheint die o.g. Glatteiswarnung im Auto eigentlich immer dann, wenn die Umgebungstemperatur einen gewissen Wert untersteigt. Also ein recht einfacher Algorithmus.

Schwieriger ist schon die Berechnung der verbleibenden Reichweite eines Autos. Diese wird mithilfe des Tankinhalts und des durchschnittlichen Benzinverbrauch der letzten Strecken ermittelt. Dies kann dazu führen, dass man, bei zunächst hohem Verbrauch (bspw. durch hohe Geschwindigkeit) und danach sehr niedrigen Verbrauch (bei idealer Geschwindigkeit) die etwas widersprüchliche Situation erleben kann, dass die verbleibende Reichweite des Fahrzeugs zeitweise steigt, obwohl gefahren (und somit Treibstoff verbraucht) wird.

Dieser Algorithmus ist also schwierig zu erklären, aber immer noch verständlich.

Und die Algorithmen des maschinellen Lernens schließlich nutzen eine mathematische Modellierung, die gar keine korrespondierende Erklärung mehr in der uns bekannten Welt haben.

Sie haben Millionen Parameter, die einfach so berechnet werden, dass die Lerneingangsmuster (bspw. Bilder) bei entsprechender Verarbeitung mit diesen Parametern möglichst häufig zu den vorgegebenen Ergebnissen (abgebildete Gegenstände) führen.

Wenn diese Algorithmen dann mit den o.g. Parametersätzen auf neue (ungelernte) Eingangsmuster (also unbekannte Bilder) wirken, ist der so ermittelte Ausgabewert eine Näherung für die tatsächliche Interpretation des Bildes. Für diese Interpretation gibt es aber keine Garantie. Die Ergebnisse sind in vielen Anwendungsfälln einfach nur gut genug, um weiterzuhelfen.

Nun, wenn die Zielfunktion definiert ist, kann das System ja lernen und dann wird es angewandt. Bei Poker und bei Schach und Go zeigen sich dann gute Ergebnisse, das System ist besser als die menschlichen Spieler.

Aber nach welchen Strategien und welchen Taktiken spielt das System und was können wir machen, um genauso gut zu spielen?

Jetzt kommt ein ganz großes und schwieriges Feld: Erklärung von KI.

Derzeit ist das, was man gemeinhin KI nennt, nur ein System, das gut darin ist, die Verknüpfung von Eingangs- mit Ausgangssignalen herzustellen. Die Systeme sind aber so angelegt, dass sie nicht nur gelernte Eingangsignale verarbeiten, sondern auch andere Eingangssignale zulassen. Und der Erfolg der Systeme zeigt sich dann darin, dass sie bei ungelernten Eingangssignalen gute Ergebnisse erzielen.

Das Problem ist nun aber, dass die Signale auf eine mathematische Art und Weise verknüpft werden, die sich nicht in logische formale Schritte zurückverfolgen lässt, sondern zunächst quasi eine Blackbox ist. Man legt Eingangssignale an (eine Position eines Brettspiels) und das System schlägt einen nächsten Zug vor. Man weiß aber nur, dass das System in „ähnlichen“ Situationen mit diesem Zug Erfolg hatte.

Die meisten der heute existierenden Systeme sind so aufgebaut, dass sie solche Parallelschlüsse ziehen, ohne das sie eine genauere Erklärung dazu abgeben können.

Das macht auch die „Magie“ der Technik aus (berechtigter Weise). Das Problem der mangelnden Erklärbarkeit ist sinnvoller Weise auch ein Hinderungsgrund für die Verbreitung der Technik. So hat Google sich selbst ein langsameres Tempo verordnet um die Erklärbarbeit sicherzustellen (Link).

Nachdem die Zielfunktion so wesentlich ist für ein selbstlernendes System wollen wir diese genauer anschauen.

Die typischen heute verfügbaren Systeme machen dass dann beispielsweise mithilfe der Spielregeln für Schach oder Go. Ganz stark vereinfacht: Das System bekommt als Maßstab definiert, schließlich den gegnerischen König zu schlagen. Dann spielt es Millionen Partien gegen sich selbst. Die ersten Partien sind grottenschlecht, aber das System lernt von „Null“ an und bildet anhand dieses Lernprozesses seinen eigenen Stil.

Während früher Spielprogramme für ein bestimmtes Spiel (Schach, Poker, Go…) konzipiert wurden, wurde das System AlphaZero für beliebige Brettspiele konzipiert. Das konkrete Spiel mit sinen Spielregeln und Siegbedingungen wird ihm dann eingegeben und in Übungspartien wird dann die Spielstrategie ermittelt. Auf diese Art konnte AlphaZero die besten verfügbaren Schach und Go Programme mit einigen Stunden Lernzeit besiegen.

Hier zeigt sich, der Ansatz zur Verallgemeinerung vom System für ein spezielles Spiel hin zu einem generischen System für Brettspiele.

Nachdem man bei den gängigen Suchmaschinen schon länger Sprachverstehen implementiert hat, geht der Trend nun auch zur Bilderkennung. Die üblichen Anbieter haben eine App im Angebot, um Bilder in ihre Suchmaschine einzugeben. Die Textkonvertierung ist da schonmal ganz hilfreich (vielleicht werden dann die Barcodes/QR-Codes überflüssig?).

Wenn man sich das einmal anschauen will, dann sollte man die Vorgehensweise der Agilen Entwicklung im Hinterkopf behalten, insbesondere den Begriff des Minumum Viable Products (das funktionierende Produkt mit einer minimalen Funktionalität…).

Das ist wohl derzeit der Stand der Entwicklung, aber das wird sich entwickeln.