Im ersten Teil habe ich einen Überblick über den Begriff der künstlichen Intelligenz (KI) mit den damit verbundenen Themen Machine Learning (ML) und Deep Learning gegeben. Zum besseren Verständnis von künstlicher Intelligenz hat es mir geholfen, die Entwicklung dieser zu betrachten.
Die Gründungsphase der KI
Gemeinhin gilt die Dartmouth-Konferenz im Jahr 1956 als die offizielle Geburtsstunde der künstlichen Intelligenz. Die Gründungsphase der KI zeichnet sich dadurch aus, dass sich viele Anwendungen auf Aufgaben konzentrierten, die in sich geschlossen und somit klar abgrenzbar sind. Als Beispiel dafür kann das Spielen von Dame, Schach oder einfachen Puzzles genannt werden.
Rund 10 Jahre nach der Dartmouth-Konferenz begann die Advanced Research Projects Agency (ARPA), eine Behörde des US-Verteidigungsministeriums, die KI an führenden Universitäten und privaten Forschungseinrichtungen aktiv zu fördern. Dieselbe Behörde war es auch, unter dessen Leitung das ARPANET, der Vorläufer des heutigen Internets, entwickelt wurde. Mit diesen millionenhohen Förderungen entstanden Kompetenzzentren, an welchen Fragestellungen der KI systematisch bearbeitet werden konnten.
In den 70er Jahren folgte jedoch der sogenannte KI-Winter, während dem das Interesse und die Förderung der KI aufgrund vorerst nicht erfüllter Erwartungen abnahm.
Entstehung von Expertensystemen
Trotz geringerem Interesse entstanden in den 70er Jahren neue Expertensysteme. Die Idee eines Expertensystem ist es, Menschen bei der Lösung von Komplexen Problemen zu unterstützen, indem aus einer Wissensbasis Handlungsempfehlungen abgeleitet werden. Menschliches Fachwissen soll so für eine grosse Zahl von Anwendern kostengünstig bereitgestellt werden. Diese Expertensysteme beruhen auf der sogenannten symbolischen KI, dabei werden einerseits Wissensdaten, Symbole und Fakten und andererseits Regeln zur Verarbeitung, Kombination und Manipulation in einem Modell dargestellt. Einfach ausgedrückt verfolgt die symbolische KI einen Top-Down Ansatz, bei dem vom Allgemeinen hin zum Konkreten gearbeitet wird.
Von der symbolischen zur neuronalen KI
Die Ansätze der symbolischen KI stossen Mitte der 1980er Jahre an ihre Grenzen. Die Phase der neuronalen Netze beginnt. Im Gegensatz zur symbolischen KI verfolgt die neuronale KI einen Bottom-Up Ansatz. Denn diese möchte das Gehirn möglichst präzise nachbilden, um so von konkreten Fällen, allgemeine Regeln ableiten zu können. Bei den neuronalen Netzen handelt es sich um eine Herangehensweise des Machine Learnings, welches ein Teilgebiet der KI-Forschung darstellt. Der neuronalen KI verdanken wir Entwicklungen wie immer besser werdende Sprachassistenten, Bilderkennungsprogramme oder selbstfahrende Autos.