Frage: Wie ist es möglich, dass KI Lernen kann?

Fabian Zehner Beantwortet am 1 Okt 2024: last edited 1 Okt 2024 10:18 am

Kurze Antwort: Maschinenlernen.

Was ist das? In der Trainingsphase werden die KI-Modelle mit Daten gefüttert. Das heißt, die Zahlen, aus denen das Modell besteht, werden ein bisschen verändert, je nachdem, was da für Daten reinkommen.

Ich habe das bei einer der anderen Fragen schonmal wie folgt beschrieben:
Du kannst dir vorstellen, dass wir bei neuronalen Netzen eine Kugelbahn bauen, indem wir ..
1) ganz viele Röhren mit Kurven, Filtern und Sieben aneinanderstecken,
2) dabei auch so coole Sachen wie Rampen oder kleine Farbseen einbauen,
2) dann vorne eine Kugel reinschmeißen ⚪ (das sind die Daten) und
3) schauen, ob sie hinten am Ende der Kugelbahn blau angemalt rauskommt. 🔵 (das ist das Ergebnis, das wir am Ende haben wollen)

Wie du dir vorstellen kannst, ist das Aneinanderstecken von Röhren gar nicht so schwierig (das eigentliche Programmieren). Was schwierig ist, ist dass sich die Kugelbahn selbst verbessern soll, damit das gewünschte Ergebnis rauskommt (das Lernen). Das heißt, ich schmeiße ganz viele Kugeln nacheinander rein und möchte, dass die schweren Kugeln am Ende rot 🔴 angemalt hinten rausfallen, die leichten Kugeln blau 🔵angemalt und alle, die eine Delle haben, grün 🟢.

Nach jeder Kugel prüft die Kugelbahn sich selbst, ob sie es richtig gemacht hat. Das weiß sie, weil wir ihnen beim Reinschmeißen der Kugeln immer laut zurufen, „Achtung, die hier sollte blau werden!“ 🔵, „Die hier jetzt bitte grün!“ 🟢
Und immer wenn hinten eine Kugel mit falscher Farbe rauspurzelt oder die Kugel gar steckenbleibt, ändert sich die Kugelbahn ganz leicht. Das heißt, sie bemerkt zum Beispiel, dass die Kugel zwar leichte rote Flecken hat, aber nicht schön strahlend rot ist. Deshalb macht die Bahn dann an allen Farbseen, durch die die Kugel gerollt ist, 20ml mehr Farbe hin. Und nach vielen weiteren Kugeln sind die Farbseen, Kurven und Rampen so perfekt eingestellt, dass wenn du jetzt Kugeln reinschmeißt, sie fast immer die richtige Farbe am Ende haben.
*Das* ist das Lernen.

—

Das ist die bildliche Beschreibung. Falls du es etwas technischer möchtest: Lass uns das Beispiel eines Entscheidungsbaums statt eines neuronalen Netzes nehmen. Das ist eine andere Form des Maschinenlernens.
Ein solcher Baum beginnt oben mit einem Stamm und wächst dann (falsch-herum) nach unten mit Abzweigungen.
                                               ⚪                                                
                                                │                                                
                                                │                                                
                                                │                                                
                          ┌────────┴─────────┐                            
                          │                                              │                            
                          │                                              │                            
    ┌────────┴───┐                        ┌───┴────┐                  
    │                               │                       │                     │                  
    │                               │                       │                     │                  
┌─┴───┐            ┌─┴──┐          ┌───┴───┐      ┌┴────────┐
│             │            │           │          │                 │      │                       │
│             │            │           │          │                 │      │                       │
🔴          🟢         🟢        🔵       🟢              🔵    🔴                    🔵

Bei den Abzweigungen steht immer so etwas wie „Kugeln mit Dellen <5mm bitte links abbiegen, alle anderen rechts abbiegen". Das heißt, du schmeißt dabei ähnlich wie bei der oben beschriebenen Kugelbahn Daten oben rein und schaust dann, welche Verzweigungen die Daten jeweils nehmen. Bzw. an welchem Ast sie am Ende unten rausfallen. Und am Ende jedes einzelnen Asts steht dann, ob die Kugeln rot 🔴, blau 🔵 oder grün 🟢 angemalt werden müssen.

Und in der Trainingsphase ist es dann so wie oben schon beschrieben, dass man immer eine Kugel (also einen Datenpunkt) oben reinwirft, dabei schon sagt, ob die Kugel am Ende eigentlich rot 🔴, blau 🔵 oder grün 🟢 rausfallen sollte. Und JETZT kommt der Lernmoment: Falls es im Training nämlich passiert, dass du eine total eingedellte Kugel reinwirfst und sie kommt aber blau 🔵 statt wie gewünscht grün 🟢 hinten raus, dann werden die Äste in dem Baum ein kleines Stückchen in die Richtung geändert (z.B. wird aus der Bedingung "<5mm" ein "<10mm"), dass diese Kugel, wenn man sie nochmal oben reinwerfen würde, doch an einem Ast rausfällt, dass sie grün angemalt ist. Das ist das Lernen. Genauso lernen die Modelle auch davon, wenn sie es richtig gemacht haben, weil dann bestätigt ist, dass die Verzweigungen so richtig waren.

—
Jetzt fragst du dich vielleicht, wofür es gut sein soll, Farben je nach Gewicht und Delle anzumalen. In meiner Beschreibung sind die Kugeln die Daten. Und zum Beispiel kannst du anstelle einer Kugelbahn an ein Auto denken, das lernen soll, von alleine zu fahren. Und wenn das Auto „sieht“, dass vor ihm eine Rechtskurve kommt, dann soll es nach rechts lenken. Hier ist jetzt also das Auto die Kugelbahn und das Video*, das das Auto von der Straße vor sich hat, sind die Kugeln, die reingeworfen werden. Mit welcher Farbe die Kugel angemalt ist, ist die Entscheidung nach links oder rechts zu lenken, zu bremsen oder Vollgas zu geben.

* Psst, die echten selbstfahrenden Autos sehen nicht wirklich Videos, aber wir können uns das so vorstellen.