Die Maschine lernt mit – Trend: Machine Learning

22. Dezember 2017
Christoph Muxfeldt

Trendbook_MachineLearning_Mood_lo

Wenn Computer die Schulbank drücken …

Bei Kleinkindern und ihren tapsigen ersten Versuchen, die Welt zu entdecken, geht uns das Herz auf. Wir beobachten sie dabei gleichermaßen amüsiert wie fasziniert. Einen Beweis für die Verallgemeinerungsfähigkeit dieses Befunds liefert ein Blick in die harten Fakten der Aufmerksamkeitsökonomie: Das meistangesehene private YouTube-Video aller Zeiten zeigt Säugling Charlie und seinen kaum älteren Bruder Harry, der schmerzvoll erfahren muss, warum man seinen Finger nicht in den Mund neugieriger Babys steckt. Faszinierend! 850 Millionen Viewer können nicht irren.

Was das scheinbar profane Video auf der Metaebene zeigt, ist, wie Kinder lernen. Harry lacht zunächst noch darüber, wie Charlie seinen linken Zeigefinger anknabbert. Also setzt er noch einen drauf und schiebt den rechten hinterher. Denn aus der ersten Erfahrung glaubt Harry gelernt zu haben: Das kann man mal machen. Aus der zweiten Erfahrung lernt er: doch keine gute Idee, das tut weh! Außerdem lernt er, dass Säuglinge kaum berechenbar sind, da sie ihrerseits die Welt entdecken und ihnen noch niemand beigebracht hat, was richtig und was falsch ist. Kinder extrapolieren per Trial-and-Error und eignen sich neues Wissen durch Erfahrungen an. Diesem Wissen liegen komplexe Prozesse im Gehirn, einem neuronalen Netzwerk, zugrunde, das Erfahrungen abspeichert und diese mit künftigen Situationen abgleicht. Es bildet Muster aus, um Vorhersagen zu treffen.

Dem nachempfunden ist eine Art, wie Computer lernen. Die Rede ist von Deep Learning, einer Methode des maschinellen Lernens. Es verwendet künstliche neuronale Netzwerke, die in verschiedenen Ebenen und Knotenpunkten Daten gewichten und verarbeiten können. Nach diesem Prinzip funktionieren inzwischen die Spracherkennung oder die Suchfunktion RankBrain von Google, Autopiloten im Straßenverkehr sowie Bild- und Videoerkennungssoftware. Anders als Kinder erforschen lernende Maschinen die Lebenswirklichkeit nicht mit Sinnesorganen, sondern bilden ihren Erfahrungsschatz aus Daten. Die im Zuge der Digitalisierung nahezu aller Lebensbereiche immer weiter anwachsenden Datenmengen können Computer mithilfe statistischer Analyseverfahren im Selbstlernprozess durchforsten, Strukturen erkennen und selbst Vorhersagen treffen. Benötigt werden dafür einerseits eine hohe Rechenpower und andererseits große Datenvorkommen. Eine Begrenzung dieser beiden Faktoren ist nicht in Sicht, im Gegenteil.

Werden Maschinen bald intelligenter als Menschen?

Was bedeutet es für uns, wenn sich immer leistungsfähigere Computer mit immer ausgefeilteren Algorithmen aus immer größeren Datensätzen zunehmend eigenständig Wissen aneignen? Werden Maschinen bald intelligenter als Menschen? Futurologen prognostizieren das seit langem und gehen davon aus, dass diese sogenannte Singularität unausweichlich ist. Auch die Popkultur beschäftigt sich seit Jahrzehnten mit dieser Frage und, in einer Reihe von Dystopien, mit den Konsequenzen – siehe Terminator, Matrix und Co. Stehen wir auch in der realen Welt unmittelbar davor, unseren Platz an der Spitze der Nahrungskette zu verlieren? 2017 jedenfalls noch nicht. Computer sind meilenweit davon entfernt, generalistisch zu lernen und zu denken. Heutige Anwendungen sind auf abgesteckte Einzelbereiche mit konkreten Determinanten beschränkt. Ein Programm zur Spracherkennung stellt durch Datenabgleich womöglich fest, ob wir Deutsch oder Englisch sprechen, weiß deswegen aber noch lange nicht, wie morgen das Wetter wird.

Ein entscheidender Faktor für die Weiterentwicklung des maschinellen Lernens wird sein, mehr strukturierte Daten zur Verfügung zu stellen. Noch brauchen Maschinen, genau wie Kinder, einen Lehrer, der sie das Lernen lehrt. Wollen wir, dass eine Bilderkennungssoftware einen Hund von einer Katze unterscheiden kann, müssen wir sie erst trainieren, indem wir im ersten Schritt Beispielbilder für beide Tiere sortieren und sie entsprechend benennen. Basierend auf diesen Vergleichsdaten kann die Maschine dann auch unbekannte Fotos analysieren und richtig erkennen. An diesem Punkt wird deutlich, dass wir einen Einfluss darauf haben, wie und was Maschinen lernen können. Sind wir bereit, unsere Gedanken oder Daten über unsere Körperfunktionen zu digitalisieren? Erlauben wir Dienstleistern bzw. Programmen, diese Daten zu strukturieren, werden Maschinen immer besser dazu in der Lage sein, maßgeschneiderte Lösungen von Alltagsproblemen für uns zu übernehmen. Die Kehrseite der Medaille: Wir machen uns zum gläsernen Menschen.

Wir müssen uns fragen, ob die Vorteile der Technologien den Verlustgrad der Intimsphäre rechtfertigen. Hier wird jeder von Fall zu Fall entscheiden. So wie wir es schon heute tun. Wir opfern unsere Standortdaten für den Mehrwert, mit unserem Smartphone ein Navigationsgerät in der Tasche zu haben. Wir haben die Wahl und können uns den permanenten Abwägungsprozess bewusst machen. Denn wir sind nicht mehr zwei Jahre alt und wissen, dass es wehtut, wenn man uns beißt.