Heute hilft künstliche Intelligenz Ärzten bei Diagnosen, Piloten im Cockpit von Flugzeugen und Stadtplanern bei Verkehrsprognosen. Doch egal, was KI-Systeme tun, wahrscheinlich verstehen die Entwickler ihre Systematik nicht völlig. Denn KI-Systeme lernen oft selbstständig, indem sie einfache Anweisungen befolgen und so ein einzigartiges Spektrum an Regeln und Strategien schaffen. Aber wie genau lernen Maschinen?
Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
Selbstlern-Programme lassen sich auf viele Arten erstellen. Doch alle basieren auf den 3 Prinzipien maschinellen Lernens: unüberwachtes, überwachtes und bestärkendes Lernen. Um sie in Aktion zu sehen, stellen wir uns vor, Forscher beziehen Informationen aus einem Satz medizinischer Daten mit tausenden Patientenprofilen.
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
Erstens: unüberwachtes Lernen. Dieser Ansatz wäre ideal, um alle Profile zu analysieren und generelle Ähnlichkeiten sowie nützliche Muster zu finden. Vielleicht haben Patienten ähnliche Krankheitsbilder oder vielleicht hat eine Behandlung gewisse Nebenwirkungen. Mit diesem breit gefächerten Ansatz lassen sich ähnliche Patientenprofile und neue Muster ermitteln -- und zwar ohne menschliche Anleitung.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
Doch die Ärzte suchen auch nach etwas Speziellerem. Zur Diagnose einer Krankheit wollen sie einen Algorithmus entwickeln. Also sammeln sie zwei Datensätze: medizinische Bilder und Testergebnisse von gesunden und erkrankten Patienten. Dann übertragen sie die Daten in ein Programm, das bei kranken Patienten ähnliche Merkmale erkennt, die bei gesunden nicht vorkommen. Je nachdem wie häufig das Programm bestimmte Merkmale erkennt, weist es diesen einen Wert entsprechend ihrer Signifikanz zu. Dabei wird ein Algorithmus für zukünftige Diagnosen generiert. Anders als beim unüberwachten Lernen spielen Ärzte und Informatiker im nächsten Schritt eine aktive Rolle. Ärzte stellen die Abschlussdiagnose und prüfen die Treffsicherheit des Algorithmus. Dann nutzen Informatiker die neuen Datensätze, um das Programm zu justieren und seine Genauigkeit zu verbessern. Dieser praktische Ansatz heißt überwachtes Lernen.
But let's imagine doctors are looking for something more specific. These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
Nehmen wir nun an, die Ärzte wollen einen Algorithmus für Behandlungspläne entwickeln. Da die Pläne schrittweise umgesetzt werden und sich abhängig von der Reaktion der Patienten ändern, entscheiden sich die Ärzte für bestärkendes Lernen. Mit einem iterativen Ansatz sammelt das Programm Feedback zur Effektivität von Medikamenten, Dosierungen und Behandlungen. Dann vergleicht es die Daten mit jedem Patientenprofil, um optimale Behandlungspläne zu erstellen. Im Lauf der Behandlung erhält das Programm mehr Feedback und kann die Patientenpläne ständig anpassen. Keine der 3 Techniken ist den anderen prinzipiell überlegen. Einige brauchen mehr menschliches Eingreifen, und alle haben ihre Stärken und Schwächen, die sie für gewisse Aufgaben prädestinieren. Wenn man sie jedoch kombiniert, können Forscher komplexe KI-Systeme schaffen, in denen sich Programme überwachen und voneinander lernen. Wenn etwa das Programm “Unüberwachtes Lernen” ähnliche Patientengruppen findet, kann es die Daten an ein “Überwachtes-Lernen”-Programm senden. Dieses kann die Informationen für eigene Vorhersagen verarbeiten. Viele “Bestärkendes-Lernen”-Programme könnten Behandlungsergebnisse simulieren, um Feedback über Behandlungspläne zu sammeln.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans.
Maschinelles Lernen lässt sich auf viele Arten entwickeln. Die aussichtsreichsten Modelle imitieren die Interaktion von Neuronen im Gehirn. Diese künstlichen Netzwerke nutzen Millionen Verbindungen zur Bewältigung schwerer Aufgaben wie Bild- oder Spracherkennung und sogar Übersetzungen. Je mehr sich diese Modelle selbst steuern, desto schwerer wird es für Informatiker, den Lösungsweg der Algorithmen nachzuvollziehen. Forscher versuchen, maschinelles Lernen transparenter zu machen. KI wird zunehmend in den Alltag integriert; dabei steigt der Einfluss dieser rätselhaften Prozesse auf unsere Arbeit, Gesundheit und Sicherheit. Maschinen können also immer besser forschen, verhandeln und kommunizieren -- und wir müssen uns überlegen, wie wir ihnen -- und sie sich -- ethisches Handeln beibringen.
There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate, we must also consider how to teach them to teach each other to operate ethically.