Künstliche Intelligenz – Artificial Intelligence

Künstliche Intelligenz – von "klugen" Maschinen und Systemen

Die Künstliche Intelligenz (KI), die auf Englisch als Artificial Intelligence (AI) benannt wird, ist ein Segment der Informatik. Sie beschäftigt sich damit intelligentes Verhalten zu automatisieren und es u.a. Apparaten und Systemen mittels maschinellen Lernens (machine learning) beizubringen.  Akteure der Künstlichen Intelligenz versuchen gewisse menschliche Entscheidungsstrukturen zu imitieren. Das geschieht beispielsweise mithilfe eines Computers.  Dieser wird so gebaut und programmiert, dass er vergleichsweise selbständig kognitive Herausforderungen meistern kann.

ARNOLDT IT Systems unterstützt Unternehmen aus der Industrie aktuell bei Projekten der Künstlichen Intelligenz in den folgenden Einsatzgebieten: Machine Learning - dem maschinellen Lernen - und in der Robotik. Darüber hinaus auch bei weiteren Projekten der Digitalisierung wie: beim digitalen Zwilling (Digital Twin), 3D Punktwolken, BIM, ERP-Connector oder Produktkonfiguratoren. Auch beim Einsatz von Augmented Reality und Virtual Reality in Industrie und Wirtschaft beraten wir und setzen für Sie um.

Künstliche Intelligenz: Eine Definition

Künstliche Intelligenz absolut zu definieren gelingt selbst Experten nicht. Insbesondere, da es schon an einer exakten Definition des Begriffes „Intelligenz“ mangelt. Sinnvoller ist somit, zu beschreiben, womit sich künstliche Intelligenz primär beschäftigt und was sie umfasst.  Künstliche Intelligenz ist ein Oberbegriff für Applikationen, in welchen Maschinen intelligente Handlungen erbringen, die denen von Menschen ähneln. Häufig sind Computer die dabei eingesetzten Maschinen.

Innerhalb der Disziplin wird häufig zwischen schwacher und starker KI unterschieden. Die schwache KI wird für klar umrissene Einsatzgebiete genutzt. Beispielsweise bei der Erkennung von Mustern oder Zeichen. Starke KI umfasst Rechnersysteme, die der Intelligenz des Menschen ebenbürtig sind oder diese übertreffen. Dazu benötigt sie Künstliche Neuronale Netzwerke (KNN) als zentralen Motor der Intelligenzleistung.

Die künstliche Intelligenz und ihre Geschichte

Die Maschine Mensch (im französischen Original: L’Homme Machine) von Julien Offray de La Mettrie wird häufig als das früheste literarische Werk zum Thema Künstliche Intelligenz benannt. Darin behauptete er: Alles am Menschen sei Materie und eine immaterielle, unvergängliche Seele existiere nicht. Im Jahre 1748 löste der französische Arzt und Philosoph damit einen wahrhaftigen Aufschrei aus. Als Konsequenz musste er ins preußische Exil fliehen. Eine Übersicht des Buches findet sich hier

Das Fundament für die moderne KI geht auf Alan Mathison Turing zurück. Der Londoner Logiker, Mathematiker, Kryptoanalytiker und Informatiker entwarf die Turingmaschine. Deren Berechenbarkeitsmodell stellt einen der Grundpfeiler der theoretischen Informatik dar. Er bewies, dass Maschinen kognitive Prozesse ausführen können. Unter der Voraussetzung, dass diese in viele Einzelschritte zerlegt und mittels Algorithmen abgebildet werden. Nach Turing benannt sind der Turing-Award und der Turing-Test.

Die Geburtsstunde der Künstlichen Intelligenz als wissenschaftliche Disziplin soll die Dartmouth Conference im Sommer 1956 gewesen sein. Dort fand über sechs Wochen hinweg der Workshop: „The Darthmouth Summer Research Project on Artificial Intelligence“ statt. Im Förderungsantrag an für die Konferenz fiel erstmal der Begriff „artificial intelligence“, zu Deutsch „Künstliche Intelligenz“. Die Protagonisten um den US-amerikanischen Informatiker, John McCarthy, legten ihrer Studie die folgende Annahme zu Grunde: Jeder Aspekt des Lernens und anderer Kennzeichen der Intelligenz können so exakt beschrieben werden, dass eine Maschine diese Vorgänge simulieren kann. Weitere Themen mit denen sich die Konferenz laut Antrag befassen sollte, waren: Automatische Computer, die Frage: „Wie muss ein Computer programmiert werden, um eine Sprache zu benutzen?“, Neuronale Netzwerke, Theoretische Überlegungen zum Umfang einer Rechenoperation, Selbstverbesserung, Abstraktionen sowie Zufälligkeit und Kreativität. 

Diesen initialen Gedanken und Ideen folgten in den letzten Jahrzehnten zahlreiche Entwicklungen und Anwendungen der Künstlichen Intelligenz in Industrie und Wirtschaft. Die immer leistungsfähigeren Rechner waren dafür der essenzielle Treibstoff.

Künstliche Intelligenz: Welche einzelnen Segmente gibt es innerhalb der KI?

Die Künstliche Intelligenz ist ein breites Themengebiet. Zu seinen Teilbereichen zählen die nachfolgend gelisteten Einsatzgebiete:

  • Maschinelles Lernen (Machine Learning)
  • Industrielle Bildverarbeitung (Machine Vision)
  • Robotik
  • Kybernetik
  • Expertensysteme
  • Natural Language Processing (NLP)
  • Spracherkennung

Sieben Segmente der Künstlichen Intelligenz (KI)

Eine Übersicht über sieben Segmente der Künstlichen Intelligenz (KI)

Machine Learning - Das maschinelle Lernen

Der Teilbereich der Künstlichen Intelligenz wird in Deutschland und im deutschsprachigen Raum als maschinelles Lernen bezeichnet. Eng verwandt ist diese intelligente Methodik auch mit Data Mining, Deep Learning und Künstlichen Neuronalen Netzwerken.

Dieser Bereich der KI beschreibt die Fähigkeit einen Computer dazu zu bringen, etwas zu tun ohne dafür extra programmiert worden zu sein. Der Rechner bringt sich hierbei eigenständig Wissen durch gemachte Erfahrungen bei. Probleme soll er dadurch selbstständig lösen lernen. Das Unternehmen Google ist beispielsweise ein bedeutender Anwender und Entwickler von maschinellem Lernen aus dem Bereich der Industrie und Wirtschaft.

Der Computer findet dabei nicht nur intelligente Problemlösungen. Er kann ebenfalls zeitintensive Arbeiten oder Routinearbeiten übernehmen. Es besteht ein vielfältiges Spektrum an Möglichkeiten und Einsatzgebieten für diesen Bereich der KI.

Wie funktioniert maschinelles Lernen prinzipiell?

Im Prinzip funktioniert es ähnlich wie das Lernen wie beim Menschen.  Als Kinder lernen Menschen Bilder, Menschen oder Dinge zu erkennen. Gleichwohl lernen der Rechner und sein Algorithmus durch methodisches Data Mining. Was ist richtig und falsch? Dies zu klassifizieren muss dem Computer und seinen Algorithmen unbedingt beigebracht werden. Das gewünschte Ergebnis wird als „richtig“ eingeordnet, die Abweichung dazu als „falsch“.

Arten des Maschine Learnings

Das eine Machine Learning per se gibt es nicht. Es setzt sich eher aus vier Kategorien zusammen. Dazu zählen Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen und Verstärkendes Lernen. Jede der Arten hat ihre Charakteristiken. Im Detail erläutert sind diese auf unserer Seite zum Machine Learning:

Künstliche Intelligenz (KI) und Machine Learning - Eine Einteilung

Künstliche Intelligenz (KI) und ihre Unterdisziplin Machine Learning

Aller guten Dinge sind drei: Machine Learning, Deep Learning und Künstliche Neuronale Netzwerke

Häufig wird Machine Learning der Künstlichen Intelligenz gleichgestellt. Genau genommen ist es jedoch nur ein KI-Segment. Und auch die Bezeichnung Intelligenz ist nicht ganz zutreffend. Bei Maschinellem Lernen geht es häufig darum, Muster und Zusammengehörigkeit zu identifizieren. In der einfachen Form basierend auf vorgegebenen Beispieldaten. Innerhalb des Machine Learnings findet sich das Deep Learning. Darin kommen wiederum die Künstlichen Neuronalen Netze zum Einsatz.

Deep Learning ist ein Teilbereich des Machine Learning und eine Art des Data Minings. Im Einsatz sind hierbei Künstliche Neuronale Netze. Diese machen auch den essentiellen Unterschied zum herkömmlichen maschinellen Lernen aus. Durch ein KNN kann Deep Learning ungeordnete Daten und Informationen in numerische Werte wandeln und verarbeiten. Algorithmen des Deep Learning entwickeln dabei selbstständig Modelle und fügen diesen neuen Ebenen hinzu.

Weitere Abweichungen finden sich bei der Struktur der Daten. Für herkömmliches Machine Learning bedarf es geordneter Daten. Deep Learning ist hingegen in der Lage auch unstrukturierte Daten zu verwenden. Beim Deep Learning ist die Menge der zu verarbeitenden Daten groß bis riesig. Dagegen klein bis mittel beim klassischen Machine Learning. Auch die Anforderungen an die Hardware ist beim Deep Learning deutlich höher. Da Neuronale Netzwerke mit Matrizen rechnen ist viel Performance bei den eingesetzten Computern notwendig. Folglich sind auch die Laufzeiten der Rechenoperationen unterschiedlich.

Ebenenschema eines Künstlichen Neuronalen Netzwerkes

Struktur und Schema eines Künstlichen Neuronalen Netzwerks

Machine Vision – Die industrielle Bildverarbeitung

Laut einer Definition der Automated Imaging Association (AIA) beinhaltet die industrielle Bildverarbeitung (IBV) folgendes: Sämtliche Anwendungen, bei denen eine Kombination aus Hard- und Software die Funktion von Geräten und Anlagen durch Erfassung und Verarbeitung von Bildern unterstützt. Außer einer Software gehören zur IBV entsprechend auch weitere Komponenten. Typischerweise sind dies Kameras, Positionierungs- und Belichtungseinheiten sowie entsprechende Rechenkapazitäten.

Machine vision - Kamera für industrielle Bildverarbeitung
Machine vision - wenn Maschinen sehen lernen

Wie funktioniert Machine Vision?

Die Kamera agiert als das Auge, das mit einer speziellen Optik zur Bilderfassung ausgestattet ist. Entsprechend ist sie das Eingangstor zur gesamten Anwendung. Sie nimmt statische oder dynamische Bilder auf und leitet diese weiter. Hardware und Software spielen anschließend zusammen und verarbeiten, analysieren und messen verschiedene Merkmale zur Entscheidungsfindung.

So vielfältig die Aufgaben, so breit auch das Spektrum an Kameras und Objektiven für die verschiedenen Aufgaben der Bilderfassung. Die großen Mengen an Daten werden in Realtime erfasst und verarbeitet. Hersteller bieten deshalb den Unternehmen oftmals besondere Rechner als Embedded Computer an. Der gesamte Prozess wird unter anderem mit dem Überbegriff Bildverarbeitungskette benannt. Deren Verarbeitungsstufen lauten Segmentierung, Auszeichnung und Klassifizierung. Sie legen die Grundlage für die anschließende Beurteilung. Entscheidende Auswirkung auf die Qualität der einzelnen Komponenten hat deren Adaptionsfähigkeit. Also die Eigenschaft, wie gut sie sich auf unterschiedliche Produkte und Durchlaufgeschwindigkeiten bei der Erfassung anpassen lassen.

Was sind Anwendungen industrieller Bildverarbeitung?

Viele Lösungen der industriellen Bildverarbeitung in Industrie und Wirtschaft finden sich in den Disziplinen Prüfung und Überwachung, Kontrolle und immer häufiger auch in der Steuerung von Prozessen. Innerhalb der Industrien Automobil und Pharma ist die industrielle Bildverarbeitung fest verankert. Anwendung findet die IBV bei Unternehmen der Wirtschaft, wenn Deformationen oder Wölbungen erkannt werden sollen. Durch Klarschriftlesung sorgt sie dafür, dass Beschriftungen auf Etiketten und Verpackungen rasch und verlässlich erfasst werden. In der Prüfung von Oberflächen oder Schweißnähten identifiziert sie Fehler bei Material und Herstellung und meldet diese. Bei der Robot Vision befähigt sie den Roboter dazu Gegenstände zu identifizieren und angemessen handzuhaben. Die zuverlässige Serialisierung von pharmazeutischen Produkten ermöglichet sie bei Track-and-Trace-Lösungen.

Robotik – Die Roboter kommen!

Seine Bezeichnung verdankt die Robotik dem tschechischen Wort robota. Dieses bedeutet zu Deutsch so viel wie Frondienst oder Zwangsarbeit. Innerhalb der Robotik dreht sich alles um den künstlichen Arbeiter – den Roboter. Diese Teildisziplin der Ingenieur- und Naturwissenschaften vereint mehrere Fachgebiete unter einem Dach. Neben anderen zählen dazu insbesondere Maschinenbau, Elektrotechnik und die Informatik. Dieser Bereich der KI widmet sich der Entwicklung, der Herstellung und dem Einsatz von Robotern. Wichtig für deren Steuerung, sensorische Wahrnehmung und Verarbeitung der anfallenden Informationen sind Computersysteme.

Die wahrscheinlich bekanntesten Vertreter sind die in den Unternehmen der Automobilindustrie eingesetzten Roboter. Nicht nur in Deutschland schweißen, schneiden, montieren und lackieren sie dort unermüdlich, rund um die Uhr. Doch diese Industrieroboter decken nur einen Teilbereich dessen ab, wo Robotik heute in Unternehmen zum Einsatz kommt. Neben den mechanischen Arbeitern existieren heute ebenfalls Softwareroboter und Nanoroboter. Innerhalb der Forschung auch humanoide Roboter, die menschliche Formen und Eigenschaften nachbilden. Häufigsten Einsatz finden die Roboter, nicht nur in Deutschland, innerhalb der Industrie. Darüber hinaus aber auch in Teilgebieten, wo der Laie diese nicht vermutet hätte. Wie beispielsweise in der Gastronomie. Einzug gehalten haben die Roboter auch in der Medizin, im Haushalt, in der Sicherheitstechnik oder in der Landwirtschaft.

Roboter im Einsatz in der Industrie
Roboter im industriellen Einsatz

Kybernetik - Die Steuermannslehre

Die Kybernetik, abgeleitet von kybernetes, dem griechischen Wort für Steuermann ist die Lehre von den Systemen, deren Einzelteile in einer Wechselwirkung zueinanderstehen. Beispielsweise Menschen und Maschinen innerhalb eines Betriebs.  Als Begründer der Kybernetik gilt Nobert Wiener. Die Basis dieser Lehre waren gewonnene Einsichten zu den Wechselwirkungen und Prozessen in biologischen Lebewesen und der Physik. Anschließend entwickelten Forscher diese Erkenntnisse weiter und transferierten sie auf technische und wirtschaftliche Einheiten. Zum Beispiel auf Computer und Unternehmen.

Zentrales Arbeitsgebiet der Kybernetik sind Fragestellungen zur Menge von Teilen und der Komplexität von deren Beziehungen zueinander. Und das ganze innerhalb von Systemen. Ebenso die Möglichkeiten diese Systeme durch Rückkopplung zu regeln und zu steuern. Die Kybernetik ist ein essentielles Werkzeug zur Unternehmensführung, innerhalb der IT und zur Fertigungssteuerung. Jedoch auch für technische Anwendungen, wie sie in Flugzeugen, bei der Raumfahrt und in der Elektronik vorkommen.

Theoretiker postulieren dabei eine Maschine, die menschengleich lernt und sich selbst steuert - quasi by intelligence. All dies gemäß dem Grundsatz von Kommunikation und Kontrolle bzw. Rückkopplung. Der Apparat kennt dabei den Soll-Zustand, den es zu erreichen gilt. Um diesen zu erlangen, schickt sie Signale in ihr Umfeld und erhält Rückkopplungen über den Ist-Zustand.

Musterbeispiel der Kybernetik

Ein typisches kybernetisches System ist ein Thermostat.  Nimmt man an, dass er einen Raum auf 24 Grad temperieren soll, so startet das Spiel von Rückkopplung und Steuerung. Meldet erstere aktuell 17 Grand, wärm er auf. Ist die Temperatur anschließend auf 26 Grad gestiegen, drosselt er. Werden nun 22 Grad erreicht, er wärmt erneut wieder auf. Dies geschieht so lange bis Soll und Ist übereinstimmen.

Miteinander gekoppelte Regelkreise, die vertikal oder horizontal verknüpft sind, stellen das Rückgrat kybernetischer Systeme dar. Sie erlauben es eine oder viele Größen gleichzeitig zu regeln. Heute finden sich diese Regelkreise in zahlreichen Systemen, die autonom handeln sollen. Sei es mechanisch, elektronisch oder in einer Kombination der beiden.

Musterbeispiel der Kybernetik: Der Thermostat

Expertensysteme – Die digitalen Hilfssheriffs

Was sind Expertensysteme?

Expertensysteme ermöglichen es Menschen vielschichtige Probleme innerhalb eines klar umrissenen Fachgebiets zu lösen. Sie handeln gewissermaßen als Berater und geben Empfehlungen zur Lösung angefragter Sachverhalte oder geschilderter Situationen ab. Die Fähigkeit dafür erlangen durch Künstliche Intelligenz in Kombination mit einem Wissenspool.  Typischerweise sind Expertensystemen Computerprogramme und Wissenspools Datenbanken. Innerhalb der Wissensbasis sind zudem Formeln nach dem Wenn-Dann-Schema eingerichtet.

Dadurch können Expertensysteme, das auf Fakten und Regeln basierende Wissen, interpretieren und logische Schlussfolgerungen treffen. Dieses aufbereitete Wissen bestimmt anschließend, wie und in welcher Abfolge oder Form die Regeln zur Problemlösung genutzt werden. Nun bedarf es noch einer Schnittstelle, die dem Nutzer das Entstehen der Lösung erklärt und übermittelt. Medizinische Diagnosen oder die Fehlersuche in IT-Systemen sind heutzutage typische Einsatzgebiete für Expertensysteme.

Expertensysteme bei der Diagnose im Einsatz
Expertensysteme leisten wertvolle Unterstützung bei Diagnosen in Medizin und IT

Der essentielle Charakter von Expertensystemen

Expertensysteme verfügen über eine große Sammlung von Experten-Know-How, dass sie zur Problemlösung innerhalb eines definierten Fachgebiets nutzen. Anhand dieser Sammlung von Wissen können sie daraus selbständig Schlussfolgerungen und Vorschläge ableiten. Mittels KI generieren sie neues Wissen, erläutern dem Nutzer wie die Problemlösungen entstanden und geben Handlungsempfehlungen. Der Austausch mit dem Nutzer erfolgt im Dialog über Schnittstellen.

Welche Ziele und Aufgaben haben Expertensysteme?

Anwender beim Finden von Problemlösungen in einem spezifischen Bereich unterstützen ist das vorrangige Ziel von Expertensystemen. Erforderlich wird dies typischerweise in folgenden Fällen: wenn ein Expertenmangel besteht, Wissensträgern Routineaufgaben abgenommen werden sollen oder gesammeltes Expertenwissen breit gestreut werden soll. Expertensysteme können zudem Lösungen in Echtzeit liefern. Dadurch können sie in angespannten Situationen die Sicherheit erhöhen oder die Produktqualität verbessern.

Häufig übernehmen Expertensysteme folgende Aufgaben: Sie interpretieren Daten, indem sie Soll- und Istwerte vergleichen und sie klassifizieren auftretende Geschehnisse. Expertensysteme stellen komplexe Systeme, indem sie unterschiedliche Rahmenbedingungen einbeziehen. Die Helfer erkennen die Ursachen für Fehler und senken Arbeitsfehler. Kritische Lagen eliminieren sie dadurch, dass sie selbständig Handlungen zur Behebung anstoßen. Um definierte Ziele zu erreichen, können Expertensystem ganze Reihen von Handlungen autonom planen. Ebenso sind sie in der Lage Anwender im Dialog zu abgegrenzten Fachgebieten zu beraten. Auch zur Prognose von Ereignissen basierend auf spezifischen Begebenheiten sind die digitalen Unterstützer einsetzbar. 

Wie sind Expertensysteme aufgebaut?

Prinzipiell bestehen Expertensysteme aus fünf Elementen. Diese lassen sich bezeichnen als Wissenspool, Inferenzmaschinerie, Erklärungseinheit, Generator zum Wissenserwerb sowie Interface zum Dialog mit dem Anwender. Essentieller Baustein sind dabei der Wissenspool und die Inferenzmaschinerie. Im Pool liegt sämtliches problemrelevantes Wissen ab, das sich in allgemeines und spezifisches Wissen kategorisieren lässt. Lösungen für Probleme erzeugt die Inferenzmaschinerie basierend auf diesem Wissen. Dazu kombiniert sie Fakten und regeln und kommt hierdurch zu Schlussfolgerungen. Diese stellt das System per Dialog-Interface dem Anwender vor und erläutert deren Entstehen mittels der Erklärungseinheit. Der Generator zum Wissenserwerb erlaubt es den Bestand an Wissen zu erweitern und liefert die dazu erforderlichen Funktionen. So fließen neue Fakten und Formeln in den existierenden Wissenspool ein, quasi ein News Update. Der Generator kontrolliert zusätzlich, ob das abgelegte Wissen komplett und konsistent ist. 

Wo werden Expertensysteme angewendet?

Wie eingangs beschrieben finden Expertensysteme Einsatz in der In der Medizin. Beispielsweise bei Diagnosen oder der Auswertung von Aufnahmen aus bildgebenden Systemen, wie Röntgen. Auch in er Chemie kommen die digitalen Helfer zum Einsatz. Zum Beispiel, wenn es Strukturen chemischer Verbindungen zu analysieren gilt oder bei der Unterstützung von organischen Synthesen. Weiter lassen sich Expertensysteme einsetzen: in der Geologie, beim Militär und der Exploration von Öl. Ebenfalls zur Vorhersage von Erdbeben oder Umweltentwicklungen sowie bei der Kontrolle und Regelung von Reaktoren in Kernkraftwerken.

Natural Language Processing (NLP) – Die Verarbeitung natürlicher Sprache

Natural Language Processing, kurz NLP, steht im Deutschen für die Verarbeitung natürlicher Sprache. Eigentlich müsste es wohl eher heißen: maschinelle Verarbeitung natürlicher Sprache. Denn ohne die Unterstützung und Leistungsfähigkeit der Rechner sähe es dabei recht düster aus. Diese Teildisziplin der Künstlichen Intelligenz zielt darauf ab, Mensch und Maschine mittels natürlicher Sprache miteinander kommunizieren zu lassen. Und zwar so genau, dass Anwender über Worte und Sätze Maschinen und Anwendungen bedienen können. 

Allerdings ist dieses Natural Language Processing alles andere als ein Kinderspiel. Was wir als Kinder spielend lernen, stellt den Computer vor große Herausforderungen. Sprachliche Komplexitäten, Zusammenhänge und Mehrdeutigkeiten muss der Rechner erst einmal durchdringen und verstehen. Somit ist NLP auch eng verbunden mit dem maschinellen Lernen.

Natural Language Processing strebt danach, natürliche Sprache zu erfassen. Und diese basierend auf Formeln und Algorithmen in Computern zu verarbeiten. Dazu nutzt NLP unterschiedliche Methoden und Erkenntnisse aus den Sprachwissenschaften. Diese kombiniert sie mit zeitgemäßer Informatik und künstlicher Intelligenz.

Natural Language Processing (NLP) kann menschliche Sprache verarbeiten und analysieren

Wie funktioniert die Verarbeitung natürlicher Sprache?

Damit sich natürliche Sprache - gesprochen oder geschrieben - mittels NLP verarbeiten lässt, bedarf es gewisser Vorarbeit. Wie generell beim Machine Learning müssen dafür Sätze in deren elementare Bestandteile zerlegt werden. Anschließend muss der Computer diese erkennen, analysieren und deren Sinn extrahieren. Dazu bedarf nicht nur eines Verständnisses von einzelnen Wörtern und Sätzen. Vielmehr ist es notwendig, komplette Textzusammenhänge und Sachverhalte zu erfassen.

Eine Herausforderung für das NLP sind die bereits erwähnten sprachlichen Komplexitäten, Zusammenhänge und Mehrdeutigkeiten. Denn die Computer besitzen keinen Erfahrungsschatz, den sie für ein besseren Verständnis nutzen könnten. Als Kompensation dafür benötigen sie Algorithmen und Methodiken der künstlichen Intelligenz und des Machine Learnings.

Damit der Rechner Bedeutungen von Texten ganzheitlich erkennt, bedarf es umfassenden Trainings. Dies erfordert vorab die Erfassung großer Datenmengen und die Bereitstellung bereits identifizierte Muster für die Sinnanalyse.

Verarbeitung natürlicher Sprache und ihre Teilbereiche

Damit der Computer die „vorgefundene“ Sprache verarbeiten kann, ist einige Vorarbeit notwendig. Schall oder Zeichenfolgen der Sprache sind zu erfassen und deren Sinn zu extrahieren. Diverse Methoden und Techniken sind dabei im Einsatz. Diese laufen iterativ ab bis die Bedeutung von Text oder Rede vollständig erfasst sind.

Folgende Teilbereiche des Natural Language Processings finden hierfür Anwendung: Spracherkennung; Aufteilung der vorgefundenen Sprache in Sätze und Wörter; Identifikation der Grundformen der Wörter und grammatischer Details; Beurteilung der Aufgaben einzelner Satzgegenstände, wie Subjekt, Verb, Objekt, Artikel, usw.; „Auslesen“ der Bedeutung von Sätzen und deren Teilen und letztlich Identifikation von Kontext und Relationen der Sätze. 

Anwendungen für Verarbeitung natürlicher Sprache

Natural Language Processing findet sich aktuell bereits in zahleichen Einsatzgebieten. Für das Interface zwischen Menschen und Computern wird es stets wichtiger werden. Folgende Beispiele finden sich schon heute:

  • E-Mail-Filter
  • Intelligente Assistenten wie Alexa oder Siri
  • Suchergebnisse in Suchmaschinen
  • Texterkennung für Autokorrekturen oder Autovervollständigungen
  • Automatische Übersetzungen von Artikeln oder News
  • Digitale Telefonie zum Mitschnitt und zur Analyse von Telefongesprächen
  • Analyse von Daten und Texten für Interaktionen und Prognosen

Spracherkennung – Warum Alexa, Siri und Co. uns überhaupt verstehen!

Ob die Spracherkennung ein eigenständiger Teilbereich der KI ist, darüber lässt sich diskutieren. Auf jeden Fall ist sie nahe verwandt mit NLP und dem maschinellen Lernen. Die Übergänge sind oft fließend und die Grenzen verschwimmen zunehmend.

Die bekanntesten Systeme zur Spracherkennung sind sicherlich Alexa, Siri und Cortana. Durch sie sind wir in der Lage uns mit Computersystemen über Sprache zu verständigen. Doch neben reinen Auskünften können sie Gesprochenes auch übersetzen oder niederschreiben. Herzstück dieser technischen Assistenten sind Künstliche Neuronale Netzwerke. Die KNN sind selbstlernende Systeme, die maschinell geschult wurden Sprachlaute zu kategorisieren. Ähnlich einer Bibliothek, ordnen Sie die akustischen Sprachlaute Silben und Wörtern zu. Texte, die unterbrechungsfrei und fehlerlos geschrieben oder vorgelesen werden, erkennen Alexa und Co. schon erstaunlich gut.

Eine Herausforderung stellen für die Sprachassistenten jedoch noch Unterhaltungen oder Telefonate des Alltags dar. Denn zur typischen Kommunikation unter Menschen gehören Unterbrechungen, Gestammel oder Fülllaute. Sprecher unterhalten sich auch nicht nur geradlinig. So kommt es vor, dass diese lachen, husten oder sich räuspern. Auch die Aussprache einer Person kann undeutlich sein. Entsprechend herausfordernd wird es für die Systeme der Spracherkennung.

Die Sprachassistenten Alexa, Siri und Co. sind alltägliche Systeme der Spracherkennung

Bei der Spracherkennung dem Menschen einen Schritt voraus

Good News gab dennoch es für das Karlsruher Institut für Technologie (KIT), einer renommierten Einrichtung in Deutschland. Forschern des  KIT gelang es ein KI-System zu entwickeln, das den Menschen übertrifft. Laut einer veröffentlichen News basiert deren Anwendung auf einem automatischen Live-Übersetzer, der Universitätsvorlesungen aus dem Deutschen oder Englischen überträgt. Dessen Spracherkennung beruht auf sogenannten Encoder-Decoder-Netzwerken, die die akustischen Laute verarbeiten und zuordnen.

Forscher Alex Waibel vom KIT erläuterte dazu in einer News des KIT: „Die Erkennung spontaner Sprache ist die wichtigste Komponente in diesem System“, und ergänzte. „Denn Fehler und Verzögerungen bei der Erkennung machen die Übersetzung schnell unverständlich.“

Den Live-Übersetzer haben Waibel und sein Team weiterentwickelt. Dabei verringerten sie auch die Latenzzeit des Systems. Zum Leistungsnachweis führten sie einen standardisierten Benchmark-Test durch. Dabei musste das System Dialoge nach dem Anhören niederschreiben. Diese stammten aus einer Sammlung von nahezu 2.000 Stunden an Aufnahmen von Telefonaten. Im Benchmark unterbot der Computer die Fehlerrate des Menschen. Bei Menschen lag diese bei 5,5 Prozent. Das KI-System erreichte 5,0 Prozent.

Jetzt Potenziale der KI mit ARNOLD IT Systems nutzen!

Egal welches Segment der KI Sie für sich erschließen wollen, wir unterstützen Sie gerne umfassend und übergreifend dabei.  In Deutschland, Österreich und der Schweiz.

Wir beraten Sie gerne.

Tel. +49 - (0)761 - 503637-0
info(at)arnold-it.com

Diese Webseite nutzt Cookies

Diese Webseite nutzt Cookies zur Verbesserung des Erlebnisses unserer Besucher. Indem Sie weiterhin auf dieser Webseite navigieren, erklären Sie sich mit unserer Verwendung von Cookies einverstanden.

Einige dieser Cookies sind technisch zwingend notwendig, um gewissen Funktionen der Webseite zu gewährleisten.

Darüber hinaus verwenden wir einige Cookies, die dazu dienen, Informationen über das Benutzerverhalten auf dieser Webseite zu gewinnen und unsere Webseite auf Basis dieser Informationen stetig zu verbessern.