Begriffe2go
Begriffe2go
Was bedeutet das noch mal? In dieser Sammlung mit ausgewählten Begriffen werden kurz und knapp prägnante Wörter aus dem Diskurs über KI erklärt.
Algorithmus
Ein Algorithmus ist zunächst einmal nur der Begriff für ein Berechnungsverfahren. Jedes Kind lernt beim Lösen von einfachen Matheaufgaben schon Algorithmen kennen, indem es Zahlen addiert, multipliziert und dividiert. In der Informationstechnik meint der Begriff eine präzise, endlich definierte Rechenanweisung, auf deren Basis eine Maschine eine konkrete Aufgabe lösen kann. Ein Algorithmus ist also ein mathematisch-logisches Verfahren zur Lösung eines zuvor definierten Problems in Form von Handlungsanweisungen für Prozessoren.
Algorithmen bilden die Grundlage von Computerprogrammen und führen viele Rechenschritte in kürzester Zeit durch. So können beispielsweise auch sehr große Datenmengen aufbereitet und analysiert werden. Daher haben Algorithmen zahlreiche praktische Anwendungsfelder und sind aus vielen technologischen Bereichen nicht mehr wegzudenken. So kommen sie beispielsweise in sozialen Medien oder Suchmaschinen zum Einsatz, um Inhalte zu sortieren oder zu empfehlen (sog. algorithmische Empfehlungssysteme). Kritisch diskutiert wird, dass diese Empfehlungssysteme das informationelle Angebot so reduzieren, dass die freie Meinungsbildung eingeschränkt sein kann. Denn sie zeigen Nutzer*innen häufig nur Inhalte an, die ihren bisherigen Interessen und Vorlieben entsprechen. Das kann unter anderem dazu führen, dass politische Meinungen polarisiert oder Konsumentscheidungen und Klickroutinen beeinflusst werden. Zudem spielen Algorithmen eine maßgebliche Rolle bei der Entwicklung von Künstlicher Intelligenz. Hier wird häufig auf sogenannte Machine-Learning-Algorithmen zurückgegriffen.
Machine Learning
KI-Systeme werden danach unterschieden, ob sie regelbasiert sind oder lernen können. Regelbasierte KI-Systeme werden vollständig durch Menschen programmiert und weichen nicht von algorithmischen Regeln ab. Lernende KI-Systeme dagegen lernen durch Daten (Machine Learning). Sie können Aufgaben erledigen, bei denen nicht jeder Schritt vorab von einem Menschen programmiert wurde. Diese KI-Systeme können sich selbst weiterentwickeln. Unterschieden wird bei dieser Art von KI-Systemen zwischen überwachtem Lernen und unüberwachtem Lernen. Beim unüberwachten Lernen gibt es keine Überprüfung des Lernprozesses durch einen Menschen.
Ein Teilbereich von Machine Learning ist das sogenannte Deep Learning. Dies kommt z. B. bei der Gesichts- oder Spracherkennung oder in der Medizin zum Einsatz und fällt in den Bereich des unüberwachten Lernens. Deep-Learning-Systeme untersuchen Daten (z. B. Bilder von menschlichen Gesichtern), entdecken selbst eine Struktur dahinter (z. B. wie die Pixel angeordnet sind) und sind anhand dessen in der Lage, bestimmte Aufgaben zu lösen (z. B. menschliche Gesichter zu erkennen). Diese – ähnlich dem menschlichen Gehirn angelegte – Gruppierung von Algorithmen zur Mustererkennung wird auch als künstliches neuronales Netz bezeichnet.
Social Bot
Ein Social Bot ist ein Computerprogramm, das in sozialen Netzwerken selbstständig kommunizierende Profile anlegen kann, die zum Teil kaum von natürlichen Nutzerprofilen unterschieden werden können. Diese Computerprogramme basieren dabei auf Algorithmen. Social Bots können z. B. Freundschaftsanfragen versenden oder auch Beiträge kommentieren. Meistens suchen Bots mithilfe von Keywords nach Beiträgen zu einem bestimmten Thema. Findet ein Bot einen entsprechenden Beitrag zum Thema, kommentiert er ihn zum Beispiel mit vorgefertigten Antworten, vergibt Likes oder versucht, ein Gespräch mit anderen User*innen zu beginnen. In manchen Fällen kann ein Bot auch statt vorgefertigter Beiträge eigene Antworten zusammenbauen – dafür sucht er sich dann verschiedene Textstellen aus dem Internet zusammen.
Bots erfüllen verschiedene Funktionen. Es gibt z. B. Bots, die dadurch, dass sie einen Beitrag sehr häufig kommentieren, dafür sorgen, dass andere – echte – Kommentare unter dem Beitrag untergehen. Andere Bots wiederum sorgen dafür, dass bestimmte Themen wichtiger erscheinen, als sie eigentlich sind. Dafür posten sie besonders viele Beiträge unter einem bestimmten Hashtag und sorgen so für öffentliche Wahrnehmung. Daher wird ein negativer Einfluss auf die freie Meinungsbildung (etwa im Wahlkampf) befürchtet.
Turing-Test
Kann eine Maschine denken? Diese Frage stellte sich Alan Turing – einer der Begründer der modernen Informatik – bereits 1950. Um sie zu beantworten, entwickelte Turing ein Gedankenexperiment, das identifizieren soll, ob eine Maschine ein dem Menschen ebenbürtiges Denkvermögen vorweisen kann oder nicht. Heute wird dieses Verfahren als Turing-Test bezeichnet. Beim Turing-Test kommuniziert eine Testperson via Text-Chat mit einer Maschine und mit einem echten Menschen. Entscheidend ist dabei natürlich, dass während des Experiments kein Sicht- oder Hörkontakt besteht. Kann die Testperson nicht eindeutig sagen, bei welchem der beiden Gesprächspartner es sich um den Menschen oder die Maschine handelt, hat die Maschine den Turing-Test bestanden und darf – im Sinne des Turing Tests – als intelligent bezeichnet werden.
2014 hat eine Software erstmals den Turing-Test bestanden: Das russische Computerprogramm „Eugene Goostman“ konnte laut der University of Reading in einem Test mit insgesamt 30 kurzen Gesprächen mehr als 30 % der Versuchspersonen davon überzeugen, ein 13-jähriger Junge zu sein. Inwiefern der Turing-Test hier wirklich als bestanden gelten kann, ist allerdings umstritten. So weisen Kritiker*innen darauf hin, dass die Gespräche mit dem Chatbot mit einer Dauer von zweieinhalb Minuten viel zu kurz gewesen seien. Zudem könne das Programm die Testperson in erster Linie durch geschickte Gesprächsführung in die Irre führen – jedoch keine menschliche Intelligenz simulieren.
Deep Fakes
Der Begriff Deep Fake ist eine Zusammensetzung aus den Begriffen Deep (Deep Learning) und Fake (Betrug). Bei einem Deep Fake wird mithilfe von Künstlicher Intelligenz ein Medieninhalt (z. B. Bilder, Videos, Audios) so manipuliert, dass er authentisch erscheint, obwohl es sich um eine Fälschung handelt. Bei Videos kommt z. B. die Face-Swapping-Technik zum Einsatz. Hier wird das Gesicht einer Person durch das Gesicht einer anderen ersetzt. Deep Fakes treten häufig im Kontext der Diskreditierung und Diffamierung von Personen auf – z. B. auch in Verbindung mit pornografischen Inhalten. Neben der Entwicklung immer besserer Deep Fakes gibt es allerdings auch innerhalb der digitalen Forensik einen Bereich, der sich mit dem Erkennen solcher Deep Fakes beschäftigt. Hier werden Programme entwickelt, die Deep Fakes als solche identifizieren.
Learning Analytics
Mit der zunehmenden Digitalisierung von Lerninhalten und deren digitaler Vermittlung entsteht an Schulen und Hochschulen eine schnell wachsende Datenbasis, mit der Lernprozesse in Zukunft computergestützt analysiert werden könnten. Learning Analytics bezeichnet das Sammeln, Analysieren und Auswerten der Daten von Lernenden, Lehrenden und Lernumgebungen, um Lernprozesse zu analysieren, zu unterstützen und teilweise auch um Lernerfolge prognostizieren zu können. Ein Beispiel für Learning Analytics sind Programme, mit denen Grundschüler*innen das Einmaleins lernen können. Den Kindern werden hier bestimmte Aufgaben gestellt. Ein Algorithmus berechnet dann auf der Grundlage der gerechneten Aufgaben die nächsten Aufgaben und kann somit auch langsam die Schwierigkeit der Aufgaben steigern. Für das Beispiel der Matheprogramme können die im Spiel erhobenen Daten der Lehrkraft den Leistungsstand der Klasse zeigen. So kann die Lehrkraft noch einmal die Rechenwege erklären, sobald sie merkt, dass viele in der Klasse die Aufgaben nicht korrekt berechnen können.
Dieses Beispiel zeigt bereits zwei von vier Ebenen, auf denen Learning Analytics eingesetzt wird. Auf der Individualebene können Lernangebote modifiziert oder motivierendes Feedback gegeben werden, um den jeweiligen individuellen Lernprozess zu beeinflussen. Auf der Kurs- oder Unterrichtsebene können die Analyseergebnisse es der Lehrperson ermöglichen, das Lernmaterial an die Gruppe anzupassen oder zu ergänzen. Auf der Institutionsebene können Ressourcen auf der Basis von Daten (data-driven) bedarfsgerecht verteilt sowie gezielt Weiterbildungsangebote für Lehrende geschaffen und weiterentwickelt werden. Zudem können Analyseergebnisse auf politischer Ebene eingesetzt werden, um Veränderungen des Bildungssystems zu initiieren.
Zitation
Herrmann, S.; Wolleschensky, J.; Schober, M.; Jennewein, N. 2021: Begriffe2go. Im Rahmen des Projektes Digitales Deutschland. Online verfügbar: https://digid.jff.de//magazin/kuenstliche-intelligenz/begriffe2go/