44 / 52
44
Seit einigen Jahren ist der Begriff »Künstliche In-
telligenz« in aller Munde. Dabei ist er nicht neu.
Wissenschaftler*innen setzen sich schon seit über
60 Jahren mit den Herausforderungen und Tücken
Künstlicher Intelligenz auseinander. Die Geburts-
stunde der Künstlichen Intelligenz (kurz: KI) war
1956 in den USA. In einem Sommerworkshop am
Darthmouth College einigten sich Wissenschaftler
auf die Bezeichnung »Artificial Intelligence« (AI),
um Forschungsbereiche, die vorher mit »thinking
machines« oder »complex information processing«
bezeichnet wurden, unter einemBegriff zu vereinen
(McCorduck, P., 2004). Warum ist dies wichtig zu
wissen? Weil die Namengebung einen Einfluss auf
die Wahrnehmung und Erwartungen an dieses Ge-
biet hat. Der Name gibt es bereits vor: Wir erwar-
ten etwas, das intelligent ist. Intelligent
handelt.Woaber Erwartungen vorliegen, ist die Enttäuschung
nicht weit entfernt. Davon zeugen zwei KI-Winter,
in denen KI fast schon abgeschrieben war. Das, was
man als intelligent vermutete, war langsam, unfle-
xibel und gar nicht mal so schlau. Und nun also seit
einigen Jahren die große KI-Euphorie. Und nicht zu
Unrecht: Es hat sich viel getan, die Fortschritte in
der Forschung können sich sehen lassen, ein Durch-
bruch folgt dem nächsten. Die wissenschaftlichen
Veröffentlichungen, die das Schlüsselwort »Artificial
Intelligence« beinhalten, haben sich seit dem Jahr
2000 mehr als verdreifacht. Es gibt inzwischen Sys-
teme, die erfolgreich in unserem Alltag eingesetzt
werden, zum Beispiel, um Gesichter zu erkennen,
unsere Vorlieben bei Musik und Filmen zu lernen
oder unser Kaufverhalten zu analysieren, um uns
(scheinbar) perfekt zugeschnitteneWerbung zu prä-
sentieren.Wie kommen diese Systeme auf ihre Klas-
sifikationsentscheidungen? Welche der Unmengen
an Informationen waren relevant für das System?
Wurde das gelernt, was gelernt werden sollte? Wo
macht das System noch Fehler? Alles Fragen, die so
wichtig sind. Und gar nicht so einfach zu beantwor-
ten, bestehen die heutigen Systeme vor allem aus
sogenannten »tiefenNeuronalenNetzen«. Eines die-
ser Netze, welches Objekte auf Bildern erkennen kann,
besteht aus 650.000 Neuronen und hat über 60Millionen
Parameter (Krizhevysk et al., 2012). Eine Komplexität also, die
wir weder überschauen noch erfassen können.Was also tun?Der
Science Slam
–
Künstliche Intelligenz
erklärbar machen
Text: Katharina Weitz
Illustration: Tobi Frank
Science Slam