KI
Künstliche Intelligenz (KI, bzw. AI vom englischen Artificial Intelligence) ist eine Fachdisziplin der Informatik mit interdisziplinärem Charakter. Ziel der KI ist es, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über menschliche Intelligenz (John McCarthy, 1955).
Genauer geht es darum, Systeme zu entwickeln, die
"wie Menschen" denken, oder
sich "wie Menschen" verhalten, oder
rational denken, oder
sich rational verhalten.
Hierbei bezeichnet "Denken" die inneren Problemlösungsmechanismen und "Verhalten" die nach außen sichtbaren Ergebnisse des Denkens (Quelle: Russell/Norvig). Historisch entspricht diese Klassifikation der Unterscheidung zwischen starker KI und schwacher KI:
Bei der starken KI geht es darum, mit Computern eine Intelligenz zu schaffen, die wie der Mensch nachdenken und Probleme lösen kann. Eine solche starke KI würde über eine Form von Bewusstsein bzw. Selbstbewusstsein und über Emotionen verfügen.
Die sog. schwache KI versucht, mit Computern intelligentes Verhalten zu simulieren. Eine schwache KI verhält sich als wäre sie intelligent, muss jedoch nicht notwendigerweise selbständig nachdenken oder gar ein Bewusstsein entwickeln.
Während bei der schwachen KI in den letzten Jahren deutliche Fortschritte erzielt wurden, sind auf Seiten der starken KI wesentliche Fragen ungelöst.
Methoden der KI
Viele ältere Methoden, die in der KI entwickelt wurden, basieren auf heuristischen Lösungsverfahren. In jüngerer Zeit spielen mathematisch fundierte Ansätze aus der Statistik, der Mathematischen Programmierung, und der Approximationstheorie eine bedeutende Rolle.
Die Techniken der KI lassen sich grob in Gruppen einteilen:
Optimierungsmethoden
Oft führen Aufgabenstellungen der KI zu Optimierungsproblemen. Diese werden je nach Struktur entweder mit Suchalgorithmen aus der Informatik oder, zunehmend, mit Mitteln der Mathematischen Programmierung gelöst. Bekannte heuristische Suchverfahren aus dem Kontext der KI sind Evolutionäre Algorithmen.
Logisches Schließen
Von intelligenten Maschinen erwartet man, dass sie aus vorhandenem Wissen Schlüsse ziehen können. Wissen muss zu diesem Zweck in einer maschinenlesbaren Form repräsentiert werden. Diesem Ziel haben sich die Entwickler diverser Ontologien verschrieben. Schon früh beschäftigte sich die KI damit, automatische Beweissysteme (Deduktionssysteme) zu konstruieren, die Mathematikern und Informatikern beim Beweisen von Sätzen und beim Programmieren (Logikprogrammierung) behilflich wären. Zwei Schwierigkeiten stellten sich:
Formuliert man Sätze in mächtigen, für den Benutzer bequemen Beschreibungssprachen (z.B. Prädikatenlogik), werden die entstehenden Suchprobleme sehr schwierig. In der Praxis machte man Kompromisse, wo die Beschreibungssprache für den Benutzer etwas umständlicher, die zugehörigen Optimierungsprobleme für den Rechner einfacher zu handhaben waren (Prolog, Expertensysteme).
Selbst mächtige Beschreibungssprachen werden unhandlich, wenn man versucht, unsicheres oder unvollständiges Wissen zu formulieren. Für praktische Probleme kann dies eine sehr ernste Einschränkung sein. Die aktuelle Forschung untersucht daher Systeme, die die Regeln der Wahrscheinlichkeitsrechnung verwendet, um Unwissen und Unsicherheit explizit zu modellieren. Algorithmisch unterscheiden sich diese Methoden sehr von den älteren Verfahren (statt Symbolen werden Wahrscheinlichkeitsverteilungen manipuliert).
Approximationsmethoden
In vielen Anwendungen geht es darum, aus einer Menge von Daten eine allgemeine Regel abzuleiten (maschinelles Lernen). Mathematisch führt dies zu einem Approximationsproblem. Im Kontext der KI wurden hierzu Künstliche Neuronale Netze vorgeschlagen. In praktischen Anwendungen verwendet man häufig alternative Verfahren, die mathematisch einfacher zu analysieren sind.
