Technischer Hintergrund

spaceline> Funktionsprinzip einer neuen Form der software-basierten künstlichen Intelligenz

Um das Funktionsprinzip und das enorme Potential dieser neuen Form von KI verstehen zu können, ist es hilfreich, die Methoden und Grenzen bekannter KI-Techniken zu kennen.

In den folgenden Kapiteln werden Grundprinzipien verschiedener Komponenten und Systeme in vereinfachter, verständlicher Form beschrieben und dabei wichtige Vergleichsmerkmale herausgehoben.

spaceline

Alan Turing

Alan Turing gilt als einer der Begründer der KI. Bei allen Textanwendungen, die auf zahlen-basierten Systemen (also auch mit Prozessoren) laufen, wird jeder Buchstabe einem Zahlenwert zugewiesen. Turing hatte die geniale Idee ganze Buchstabengruppen (→ Wörter) zusammengefasst wieder einer einzelnen Zahl zuzuweisen und in einer weiteren Ebene ganze Sätze als einzelne Zahlen darzustellen.

 

 

Wenn man einen Fragesatz codiert und einen vorgefertigten Antwortcode in Text zurückwandelt erhält man ein automatisches Antwortsystem, wie es bei Chatbots zum Einsatz kommt.

Die Grenzen solcher Systeme werden aber durch die unglaubliche Anzahl an

Kombinationsmöglichkeiten der Wörter erreicht. 180 000 bis 300 000

Buchstabenkombinationen, die dem Vokabular einer Sprache mitsamt den Konjugationen und Deklinationen entspricht, lassen sich einige Billionen Sätze erzeugen. Diese Anzahl ist selbst für moderne Großrechner eine Herausforderung.

Abgesehen von der offensichtlichen Unlösbarkeit des Problems besitzen solche Systeme keine intelligenten Fähigkeiten, da es auch keine Logik zur Weiterverarbeitung der Daten integriert hat.

spaceline

1970 Homecomputer

Mit der Markteinführung von Homecomputern, benutzerfreundlichen Betriebssystemen und den ersten Hochsprachen (= verständliche Programmiersprachen) entstanden die ersten Computerspiele mit einer einfachen spezialisierten KI.

spaceline

Schachprogramm 1975:

Eine starre Logik berechnet für jeden Spieler aus der Stellung seiner Figuren eine

Bewertung. Ist der Computer am Zug, werden mögliche Züge seiner Figuren und mögliche Gegenzüge simuliert und jeweils eine neue Bewertung berechnet. Das Programm entscheidet sich für die vorteilhafteste Variante. Je mehr Züge das Schachprogramm vorausberechnen kann, umso schwieriger ist es zu besiegen.

Tabellen

Microsofts Office-Anwendungen etablierten die Tabellenfunktionen, die bis dahin nur auf Großrechnern liefen.

Tabellen sind natürlich keine KI, aber ein wesentlicher Grundbaustein. Spalten reservieren

Speicherplätze für Texte, Zahlen und Zeitformate. Mit speziell entwickelten

Softwarebausteinen wurden große Datenmengen nach Extremwerten oder statistischen

Zusammenhängen durchsucht und die meist komplexen Erkenntnisse für wirtschaftliche Zwecke genutzt. Die Wirtschaft profitierte und der Boom der Datenanalysten ist bis heute nicht abgebrochen.

1980 Der Weg einer schnellen Suchmaschine zu einer KI

Wurde in Tabellen nach Wörtern gesucht, dann verglich eine Suchfunktion jede Tabellenzeile Buchstabe für Buchstabe mit dem Referenzwort. Bei besonders großen Tabellen ist diese Suche sehr zeitintensiv. Man erhöhte Prozessorleistungen und Arbeitsspeicher, um schnellere Ergebnisse zu erzielen.

Mit der Einführung der Hochsprache C++ begann man Dateistrukturen aus einer anderen Perspektive zu betrachten. Diese Programmiersprache erlaubt mit seiner Zeigerarchitektur sehr schnellen Zugriff auf Speicherbereiche und Programmteile.

So ist die Idee entstanden, ausgehend von einem Buchstaben eine Liste mit möglichen Folgebuchstaben anzulegen und von diesem Folgebuchstaben wieder auf eine Liste von nächsten Folgebuchstaben zu verzweigen, bis ein ganzes Wort eindeutig dargestellt ist.

 

Ameise

Bei der Suche muss jeder Buchstabe eines Wortes maximal mit ca. 26 Buchstaben des Alphabets verglichen werden. Bei 300 000 Wörtern einer Sprache ist das natürlich ein enormer Zeitgewinn gegenüber der Tabellen-Suchfunktion.

Man gewinnt noch mehr Zeit, wenn man die Suche der Folgebuchstaben bereits startet, sobald eine Taste der Tastatur gedrückt ist. Mit dieser Methode gelingt es Browsern (wie z.B. von Google) in Bruchteilen von Sekunden Suchergebnisse zu liefern.

Wenn die Häufigkeit der verwendeten Folgebuchstaben gezählt wird, kann statistisch abgeschätzt werden, welches Wort der Anwender gerade schreiben will. Damit lässt sich die Autovervollständigung realisieren, die jeder Handybenutzer kennt.

THINK BIG

Was passiert, wenn man Alan Turings Grundidee mit der schnellen Suchfunktion und Autovervollständigung kombiniert. Dazu wurde in den 1990-er Jahren ein Rechenzentrum als Computerpower eingesetzt. Man lies dieses System mehrere Bücher von Ernest

Hemingway lesen. Danach schrieb man den Anfang eines Kapitels und die

Autovervollständigung generierte den Rest des Kapitels im Stil des bekannten Autors.

spaceline

Grundlagen Deeplearning

3x+2=8     x=?

Diese Gleichung zeigt den Unterschied zwischen menschlicher und maschineller Denkweise. Wir können abstrahieren und relativ einfach den Wert von x berechnen, während ein Computer zuerst ein Programm braucht, das diese Gleichung algebraisch auflöst:    x=(8-2)/3   Erst dann kann eine Software x aus realen Zahlen berechnen. ´ Oder man bedient sich der hohen Rechenleistung und Geduld eines Prozessors und lässt ihn für x so lange Werte ausprobieren, bis er das richtige Ergebnis findet.

Dieser Suchvorgang kann optimiert werden, indem man immer Zahlenpaare gegeneinander antreten lässt und über die Größe des Fehlers entscheidet, in welcher Richtung weitergesucht wird.

Das erste Zahlenpaar könnte 1 und -1 sein. Damit erkennt man, ob x positiv oder negativ ist.

3*1+2=5                  Fehler: 3

3*(-1)+2=-1             Fehler: 9

Die weiteren Zahlenpaare können 0 und 10 sein, und wenn der Fehler von 10 kleiner wäre, würde 10 und 100 folgen, bis man die Potenz der gesuchten Zahl ermittelt hat.

3*0+2=2                 Fehler: 6

3*10+2=32             Fehler: 24

Nach dieser Fehlerprüfung muss der Wert x unseres Beispiels im Zahlenbereich zwischen 0 und 10 liegen.

Der Zahlenbereich wird halbiert und die Mittelwerte der oberen und unteren Hälfte als Zahlenpaar verglichen.

3*2,5+2=9,5            Fehler: 1,5

3*7,5+2=24,5       Fehler: 16,5

Der neue Zahlenbereich wird als 0 bis 5 erkannt.

 

Dieser Zahlenbereich wird wieder halbiert und die Mittelwerte der oberen und unteren Hälfte als Zahlenpaar verglichen.

Der Vorgang wird so oft wiederholt, bis eine gewünschte Genauigkeit erreicht wird. Nach ein paar Durchläufen pendelt sich x auf den gesuchten Wert ein.

 

 

 

 

 

 

 

            

 

Die Methode erscheint zwar umständlich, aber mit dem Wissen, dass Prozessoren mehrere Milliarden Rechenoperationen pro Sekunde ausführen können, ist dieser Ansatz absolut vertretbar.

Dasselbe Prinzip funktioniert auch für komplexere Gleichungen, die wir nicht mehr abstrahieren können. x+tan(x²)-3/(x-2)=1,22

Dieses Prinzip der Annäherung über die Fehlerminimierung in komplexen Gleichungen ist ein wesentlicher Bestandteil der KI geworden. Im nächsten Kapitel wird eine prominente Variante vorgestellt.

Das neuronale Netzwerk

1942- 1955  Walter Pitts und Warren Mc Culloch  

 

Jede Verbindungslinie stellt einen Multiplikator dar und jeder Knotenpunkt summiert die eingehenden Multiplikationsergebnisse. In dem abgebildeten Netzwerk werden vier voneinander unabhängige Zahlenwerte über 75 Multiplikationen zu einem Ausgangswert zusammengeführt. Die Form der Darstellung erinnert an die neuronalen Verbindungen des Gehirns, woher der Name abgeleitet wird. Die Anzahl der Layer verbessert die Genauigkeit und Flexibilität des Netzwerks.

Man kann dem Netzwerk tatsächlich logische und arithmetische Funktionen antrainieren. Dazu müssen Trainingssets vorhanden sein, also ein Satz von Eingangswerten mit den dazugehörenden Ergebnissen.

Beginnend mit dem Startwert 1 für alle Multiplikatoren werden die Trainingssets berechnet und der Betrag (besser Quadrat, weil dann das Vorzeichen im Fehler verschwindet) der einzelnen Fehler summiert.

Dann werden nacheinander alle 75 Multiplikatoren wie im zuvor beschriebenen Kapitel optimiert und dabei bei jeder Wertänderung wieder die Summe der Fehler aller Eingangs- und Ausgangssets berechnet. Wenn alle Multiplikatoren schrittweise angepasst sind, beginnt der komplette Ablauf ausgehend von den soeben berechneten Werten als Startwerte von vorne. Nach etwa 100 solcher Gesamtdurchläufen sind die Multiplikatoren ausreichend genau ermittelt.

 

Das bedeutet einen unglaublichen Rechenaufwand. 75 Multiplikatoren mal 10 Optimierungsdurchläufe mal 100 Gesamtdurchläufe = 75000 Berechnungen des Netzwerks für ein einzelnes Zahlenpaar.

 

Im Trainingsmodus werden bei diesem kleinen Netzwerk also schnell einige Millionen Multiplikationen notwendig, was natürlich etwas Zeit in Anspruch nimmt. Im Anwendungsmodus werden die Berechnungen mit lediglich 75 Multiplikationen wesentlich schneller ausgeführt.

 

Einfaches Beispiel:

Aus vier unabhängigen Zahlen soll eine vierstellige Zahl gebildet werden. Die Trainingssets sehen so aus:

Input: 1,2,3,4	Output: 1234
Input: 0,0,7,8	Output: 78
Input: 7,5,3,4	Output: 7534
Input: 9,0,0,2	Output: 9002
Input: 3,2,1,0	Output: 3210

Der Trainingsmodus dauert etwa 3 bis 5 Minuten, danach kann das Netzwerk im Anwendungsmodus jede Zahl zwischen 0 und 9999 korrekt nachbilden.

Das Netzwerk nimmt also im Training mit wenigen Übungswerten die arithmetische Funktion auf. Im Anwendungsmodus interpoliert und extrapoliert es die Ergebnisse.

Dasselbe Netzwerk kann auch für das Erlernen logischer Verknüpfungen verwendet werden. Dazu ist es gar nicht nötig, alle Eingangskombinationen in den Trainingssets anzugeben.

Beispiel ODER-Verknüpfung:

Wenn einer der Inputwerte auf 1 steht, muss der Outputwert 1 sein.

Input: 0,0,0,0	Output: 0
Input: 0,0,0,1	Output: 1
Input: 0,0,1,0	Output: 1
Input: 0,1,0,1	Output: 1
Input: 1,0,1,1	Output: 1
Input: 1,1,1,1	Output: 1

Erweitert man das Netzwerk um einen Ausgang, kann man z.B. eine ODER- und eine UND-Verknüpfung parallel antrainieren und auf den beiden Ausgängen gleichzeitig darstellen.

 

 

Input: 0,0,0,0	Output: 0,0
Input: 0,0,0,1	Output: 1,0
Input: 0,0,1,0	Output: 1,0
Input: 0,1,0,1	Output: 1,0
Input: 1,0,1,1	Output: 1,0
Input: 1,1,1,1	Output: 1,1

 

Anwendungsbeispiele neuronaler Netzwerke:

 

Die Handschrifterkennung

Bilder sind in der digitalen Form Zahlenketten, die in Spalten und Zeilen eingeteilt werden. Jeder Bildpunkt (=Pixel) entspricht einer Zahl, deren Wert die Helligkeit des Punktes repräsentiert.

  Raster 16 x 16

 

Die Abbildung zeigt ein Bild im Format 16x16 Bildpunkte auf dem ein handschriftliches „a“ dargestellt ist.

 

Jeder helle Punkt könnte einer „0“ entsprechen und jeder dunkle Punkt einer „1“.

Wenn man nun die binäre Zählweise ( 0000=0 1000=1 0100=2 1100=3 0010=4 1010=5 usw.) für jede Zeile anwendet, lässt sich der ganze Bildinhalt mit 16 Zahlenwerten zwischen 0 und 65536 (ein Zahlenwert pro Zeile) beschreiben.

Man weist diese Zahlen 16 Inputs eines neuronalen Netzwerks zu und trainiert es darauf, jeden Buchstaben, der wie ein „a“ aussieht mit dem Outputwert 1 zu bewerten, jedes „b“ mit 2, „c“ mit 3, usw...

Nach dem Antrainieren von 4000 handschriftlichen Proben kann das Netzwerk fast alle handgeschriebenen Buchstaben erkennen und in digitalen Text konvertieren.

Sprache zu Text

Bei der Übersetzung von Sprache in digitale Texte werden phonetische Merkmale aus Audiosignalen aufgespürt und die Abfolgen in Zahlenwerte gewandelt. Diese Zahlenwerte werden den Buchstaben gegenübergestellt und ein Netzwerk trainiert.

THINK BIG

Ausgestattet mit der Rechenleistung ganzer Rechenzentren können moderne

Deeplearning-Netzwerke mehrere Millionen Inputs mit Outputs verknüpfen. Anstatt der Handschrifterkennung werden aus Bildern über die biometrischen Daten Personen identifiziert, Vogelarten bestimmt, Gegenstände und Pflanzengattungen erkannt. Aus medizinischen Daten und MRT-Bildern können medizinische Befunde generiert werden.

Wenn man ganze Sätze einer Sprache als Zahlenketten, den Sätzen einer anderen Sprache gegenüberstellt, kann man ein Deeplearning-Netzwerk als Übersetzungsmodul einsetzen. (z.B. Google-translate)

Beim autonomen Fahren werden die sensorischen Wahrnehmungen den menschlichen Reaktionen (lenken, bremsen, beschleunigen, blinken, usw.) gegenübergestellt und dem Netzwerk antrainiert.

 

Deeplearning 2.0

Mit der Entwicklung der self controlled neural networks entstanden komplett neue Anwendungsbereiche. Dabei kontrolliert ein trainiertes neurales Netzwerk die Fehlerrückmeldung eines zweiten kreativen Netzwerks das Daten generiert.

 

 

 

Beispiel Badezimmer

Das kontrollierende Netzwerk wird mit tausenden von Badezimmerfotos trainiert. Das kreative Netzwerk berechnet seine Multiplikatoren und erhält die Abweichungen von den Merkmalen eines Badezimmers als Fehlerprüfung vom kontrollierenden Netzwerk zurück.

Das kreative Netzwerk wird so lange seine Daten optimieren, bis das kontrollierende Netzwerk alle Kriterien als erfüllt betrachtet. Das Ergebnis ist ein fotorealistisches Bild eines Badezimmers, das es so in Wirklichkeit gar nicht gibt.

Mit derselben Technik können neue Gemälde bekannter Maler generiert werden. Als Ausgangspunkt (Input) kann dem kreativen Netzwerk ein Thema in Form einer Skizze oder ein Foto vorgegeben werden. Seit einiger Zeit sind auch Anweisungen in Textform (=Promts) möglich.

Musikalische Werke (Musik lässt sich leicht mit Zahlen darstellen) lassen sich auf diese Weise im Kompositionsstil eines großen Musikers reproduzieren.

Ganze Videosequenzen können erstellt werden, bei denen Bild für Bild eine einzelne Person ersetzt wird. Wenn dann noch die Stimme mit derselben Methode manipuliert wird, dann entstehen perfekte Fake-Videos.

Eine ganze Kette von trainierten Netzwerken kommen bei ChatGPT zum Einsatz, um eine Kommunikationsmaschine darzustellen.

A A

Fazit zur künstlichen Intelligenz

A A

Alle beschriebenen Modelle des maschinellen Lernens zeigen eine sehr spezielle Form der Lernfähigkeit und zeichnen sich durch hochwertige Mustererkennungen aus. Dass die subtilen kreativen Prozesse eines Künstlers als Algorithmus erfasst werden können, liegt weit über der Fähigkeit der meisten Menschen, nicht aber über den Fähigkeiten, die ein einzelner Mensch im gesamten besitzt. Keines der angesprochenen Systeme weis, was es tut. Und angesichts des enormen Energieverbrauchs von Rechenzentren muss man erkennen, dass die Natur eine viel rationellere Methode der Intelligenz hervorgebracht hat.

Genau damit beschäftigen sich die folgenden Kapitel.

 

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

 

Funktionsprinzip einer neuen Form der software-basierten künstlichen Intelligenz - - nach dem Vorbild der menschlichen Denkprozesse

" "

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

 

 

 

 

Das Gehirn verfügt bekanntermaßen über eine große Zahl von Neuronen und Verbindungen, die in der Lage sind, Informationen zu speichern. Mit einem entsprechend konzipierten Datenbanksystem lässt sich diese vernetzte Speichermethode simulieren. Um Verwechslungen mit neuronalen Netzwerken vorzubeugen, werden Neuronen im folgenden Text als Zellen bezeichnet.

Das Ziel ist also Informationen als Zellen und Verbindungen zu speichern.

Dazu sind folgende Regeln einzuhalten:

•        Jede Information muss in ihre Informationspartikel aufgesplittet werden.

•        Jeder Informationspartikel muss eine Zelle oder eine Verbindung darstellen.

•        Informationspartikel können nur mindestens paarweise auftreten.

•        Jede neue Information muss beim Eintrag in die Datenbank mit mindestens einem Informationspartikel der bereits bestehenden Informationspartikel verbunden werden.

•        Personalisierte und spezialisierte Informationspartikel verlangen eine allgemeingültige Klassifikation.

Einfache Gedankenspiele als Einstieg ín eine komplexe Verbindungswelt

Angenommen eine Bild-, Text- oder Sprachinterpretation erkennt folgende Information: „Amseln sind Vögel“. Diese Information ist als Zellen-Verbindungs-Struktur sehr leicht darzustellen.

Zelle( Amseln) → Verbindung(sind) → Zelle(Vögel)

Es zeichnet sich schnell ab, dass Objekte eher als Zellen und Modalverben eher als Verbindungen zu interpretieren sind.

Nun wird die registrierte Information um die Aussage „Vögel sind Tiere“ erweitert.

Zelle( Amseln) → Verbindung(sind) → Zelle(Vögel)→ Verbindung(sind) → Zelle(Tiere)

Beim Eintrag muss festgestellt werden, ob die Zellen bereits vorhanden sind. Wenn ja, müssen alle neuen Verbindungen auf die vorhandene Zelle Bezug nehmen.

Bei der Frage: „Sind Amseln Tiere?“ wäre es auch softwaretechnisch nun sehr einfach, die Antwort: „ja“ zu ermitteln.

„Menschen sind Lebewesen + Tiere sind Lebewesen“

„ “

Zelle( Menschen) → Verbindung(sind) → Zelle(Lebewesen)

An dieser Stelle kann es zu einem Fehler oder Missverständnis kommen. Der erste Satz hat keinen Bezug zu allen vorherigen Informationen und damit wurde die 4. Grundregel gebrochen. Auch wenn wir sehr wohl wissen, dass beide Aussagen dieselbe Zelle(Lebewesen) meinen, kann das diese Datenbank nicht wissen. Auch wir Menschen würden bei neuem Lernmaterial in solch einer Situation verwirrt sein und hinterfragen, ob dieselbe Zelle gemeint ist. Dreht man die Reihenfolge der Sätze um, dann wird die 4. Regel wieder eingehalten. „ “

„ “ Zelle(Vögel)→ Verbindung(sind) → Zelle(Tiere) → Verbindung(sind) → Zelle(Lebewesen)

„Tiere sind Lebewesen + Menschen sind Lebewesen“

„ “

„ “

„Menschen haben 2 Arme“

„ “

Zelle( Menschen) → Verbindung(haben) → Zelle(2 Arme)

Natürlich müsste die Frage folgen: „Was sind Arme?“

Außerdem wurde die Zelle(Arme) mit einer Anzahl in Verbindung gebracht. Eine neuer Verbindungstyp „haben“ ist aufgetaucht.

→

„Lebewesen haben Körper“

Zelle( Lebewesen) → Verbindung(haben) → Zelle(Körper)

„Gliedmaßen sind Teile des Körpers“ „ “ „ “ „ “

Zelle( Gliedmaßen) → Verbindung(sind Teil von) → Zelle(Körper)

Es gibt einige Verbindungstypen, die nicht mit einem einzigen Wort interpretiert werden können.( → sind Teil von)

„Arme sind Gliedmaßen“

Zelle( Arme) → Verbindung(sind) → Zelle(Gliedmaßen)

 

„Menschen haben 2 Arme“

Zelle( Menschen) → Verbindung(haben) → Zelle(2 Arme) → Verbindung(sind)→ Zelle(Arme) → Zelle(Gliedmaßen)

Hier ist es zu einer Spezialisierung gekommen: Die Zelle( 2 Arme) des Menschen unterscheidet sich natürlich von der Zelle(alle Arme) der Lebewesen.

Bei der Spezialisierung einer Zelle wird praktisch ein Klon der Hauptzelle erzeugt und mit dieser verbunden. Damit gelten für die spezialisierte Zelle alle Verbindungen, die auch für die Hauptzelle gelten. Man kann sich das so vorstellen, als würden alle Eigenschaften und Kategorisierungen an die spezialisierten und personalisierten Zellen weitervererbt werden.

„Tom ist ein Mensch“

Zelle( Tom) → Verbindung(ist) → Zelle(Menschen) → Verbindung(sind) → Zelle(Lebewesen) „ “

In diesem Fall ist eine personalisierte Zelle(Tom) entstanden, die alle Attribute und Kategorisierungen der Zelle(Menschen) übernommen hat.

 

Damit hat Tom 2 Arme, ist ein Lebewesen und hat natürlich einen Körper. (Auch für Amseln ist inzwischen klar, dass sie einen Körper haben, da alle Lebewesen Körper haben.)

Natürlich sind die Zellen-Verbindungs-Strukturen und Logiken wesentlich komplizierter als sie in diesem Gedankenspiel dargestellt wurden. Aber vorsichtig kann man erahnen, dass diese simple Technik ungeahnte Möglichkeiten bietet. Genau betrachtet erkennt man, dass die Bedeutung von Wörtern abbildbar wird und damit kann auch der Sinn einer Information erfasst werden.

Mit der Methode der Zellen-Verbindungs-Strukturen lässt sich rasend schnell ein kategorisierendes polyhierarchisches Modell erzeugen, das aufbauend auf erlerntem, allgemein geltendem Wissen alle Informationen inklusive physikalischer und abstrakter Bewertungen bis hin zu emotionalen Empfindungen, zeitabhängigen Handlungen, logischen und arithmetischen Zusammenhängen und alle Regeln, Bedingungen und Ausnahmen speichern kann.

Die Logik und Effizienz liegt in der Art der Vernetzung, die Intelligenz in den Programmteilen, die diese Strukturen ansprechen und interpretieren.

Kombiniert man diese Datenstrukturen mit einem Text-Interface, erhält man ein System, das aus Texten lernen und auf beliebige Fragen zum erlernten Wissen Antworten formulieren kann, wie es auch Menschen machen würden.

A

Unweigerlich muss man sich die Frage stellen, warum es noch keine KI gibt, die diese Technik beherrscht.

Dafür gibt es gleich mehrere Gründe:

•        Für Sprach- und Textanwendungen steht man Turings Problem mit der enorm hohen Anzahl von Satzgebilden gegenüber. Für jeden einzelnen Satz müsste theoretisch eine eigene Eintrags- oder Abfragelogik entwickelt werden.

•        Die Art der Zellen-Verbindungs-Strukturen folgen logischen Schemen, die in sich schlüssig sein müssen und im Zusammenspiel ein funktionierendes Gesamtsystem ergeben. Die Erforschung dieser Logiken ist eine zeitintensive Beschäftigung und jeder kleine Fehler hat markante Auswirkungen auf die Interpretation der Daten.

•        Jede mathematische Gleichung darf maximal nur eine unbekannte Variable enthalten, da sie sonst unlösbar wird. So ähnlich ist es mit Wahrnehmungen. Würde man immer wieder ein Geräusch hören, ohne zu wissen, woher es kommt und wie es entsteht, dann kennen wir das Geräusch, können es aber nicht zuordnen. Das führt tatsächlich zu einer logischen Stresssituation, denn unser Gehirn muss zwanghaft fehlende Informationen ergänzen. Es fehlt die Referenzierung zur Erklärung. Ein Kind verbindet spielerisch Bild und Emotion mit dem Namen eines Objektes und kann danach das Objekt benennen. Ohne Bild und Emotion funktioniert das nicht.

Dasselbe Problem gibt es bei den Eintragslogiken für die Zellen-Verbindungs-

Strukturen. Ohne einem Mindestsatz an fix vorgegebenen Zellen und Verbindungen, die das Fehlen von parallelen Wahrnehmungen kompensieren, lassen sich keine Einträge erzeugen. Welche Zellen und Verbindungen das sind und welche Zellen und Verbindungen keinesfalls fixiert sein dürfen kann nur durch

Versuch und Irrtum ermittelt werden.  Auch ein neuronales Netzwerk könnte die

Datenbank nicht sinnvoll im Sinne von "sinnvoll" ansprechen, weil eben diese

Referenzierung fehlt. Diese referenzierenden Zellen ergeben in einer tieferen Betrachtungsebene ein sehr klares Bild davon, wie unsere Denkmuster und bevorzugten Grundhandlungen ausgerichtet sind.

Aus diesen Punkten ergibt sich ein überdimensionales abstraktes Puzzle, das auf 3 Ebenen gleichzeitig zusammengesetzt werden muss. Auf die ungewisse Entwicklungsdauer konnte sich verständlicherweise kein Investor und keine Universität einlassen. Aber nach über 20 Jahren ist dieses Puzzle nun fertiggestellt worden.

" "

Technische Aspekte:

Datenbank

Datenbanken werden schnell, wenn die Datensätze möglichst klein sind. Deshalb kommt ein genau geplantes Konzept zum Einsatz, das einerseits platzsparend aber dennoch extrem effektiv ist. Um alle sozialen Beziehungen aller fast 9 Milliarden Menschen zu erfassen, würde die Datenbank maximal 80 Gigabyte an Speicherplatz benötigen. Wenn Texte in Zellen-Verbindungs-Strukturen transformiert werden, vergrößert sich der Speicherbedarf ungefähr um den Faktor 10. Über den umgekehrten Weg können selten benutzte Informationen in Textfiles transformiert werden und ähnlich einem Langzeitgedächtnis bei Bedarf wieder gelesen werden.

Die Informationsstrukturen sind weitgehend sprachunabhängig, wodurch Inhalte sprachübergreifend verwendet werden können.

Textanalyse und Synthese

Sprachwissenschaften beschäftigen sich mit der Grammatik und Anwendung von Wörtern im Kontext, aber nicht mit der architektonischen Funktion innerhalb einer Logik. Erst wenn man zur Textanalyse auf eine Wortdatenbank und auf die Zellen-Verbindungs-Strukturen zurückgreift, können Sätze aufgeschlüsselt werden. Dann gelingt über mehrere Ebenen die Transformation in eine Art „Ableitung des Satzes“ (ähnlich mathematischer Differentialgleichungen).

Im Gegensatz zu den unzähligen Sätzen aus Wortkombinationen (siehe Turing), gibt es solche Ableitungen nur in relativ geringer Anzahl (ca. 400), womit auch nur eine begrenzte Zahl von Eintragslogiken erforderlich ist. Bei der Synthese lassen sich aus dieser relativ geringen Anzahl von Satz-Ableitungen tatsächlich wieder Billionen sprachlich korrekter Wortkombinationen generieren.

Da diese Systematik für alle Sprachen angewandt werden kann, genügen Vokabular und relativ einfache sprachabhängige Anpassungen, um neue Sprachen in das System einzubinden.

Formulierungen sind stark anwendungsspezifisch. Sprachkomplexität und Vokabular variieren innerhalb einer Sprache zwischen einzelnen Textformaten und bei Dialogen sogar in Abhängigkeit vom Kommunikationspartner. Diese Parameter der Formulierungen werden gemessen und in der Textsynthese als Vorgabe aufgerufen. So lassen sich wissenschaftliche Berichte in lyrische Texte bekannter Dichter umwandeln, komplexe juristische und medizinische Texte in einfach verständliche Sprache verformen, oder die

Anpassung auf Kommunikationspartner samt stark informationskomprimierter Einwort-Antworten realisieren. Bei der Kommunikation sind Unterschiede zu einem reellen Menschen nicht mehr feststellbar.

In jeder Variante versteht das System den Inhalt des Textes. Damit lassen sich fixe und sensible Themenbereiche eingrenzen und eine Privatsphäre, oder Firmenintegrität verwirklichen.

 

Einschränkungen:

Das System versteht zwar Begriffe wie: „vorne“, „hinter dem Haus“, „links oben“, aber es kann keine Bilddateien lesen. Es gibt theoretische Ansätze für eine optimierte Echtzeit-Bilderkennung, die mit diesem System kommunizieren kann, aber dafür müssten neue Camerachips entwickelt werden.

 

Erweiterungen:

Handlungsmodul:

Fast alle Handlungen wie z.B. „Haus bauen“ bestehen aus einer Unzahl von

Teilhandlungen, die selbst wieder aus Teilhandlungen bestehen. Solche Verzweigungen sind mit dem Zellen-Verbindungs-Strukturen sehr gut darstellbar. In die andere Richtung gedacht, kann man kleine Handlungen mit ihren Auswirkungen so lange kombinieren, bis ein gesuchtes Ergebnis erzielt wird. Dieses erweiterte Prinzip der alten Schach-KI kann dabei hervorragend alle Aspekte wie Kosten, Energieaufwand, Logistik, Dauer, Spaß usw. berücksichtigen und einen optimierten Prozessablauf planen. Dabei können

Abweichungen zwischen Planung und Realität erfasst werden und als Lernprozesse in die Handlungsplanung einfließen.

Zeitmodul:

Die Abarbeitung von Zeitinformationen und deren Implementierung in die ZellenVerbindungs-Strukturen ist ein sehr komplexes Thema. Die meisten Zeitinterpretationen funktionieren ohne einem Zeitmodul, das nur dann benötigt wird, wenn zeitabhängige Befehle abzuarbeiten sind. Es entspricht dem menschlichen Blick auf die Uhr für Aufgaben, die zu einer exakten Uhrzeit verrichtet werden müssen.

Vervollständigungsmodul:

Das ständige Streben nach einem kompletten in sich schlüssigem Informationsbildnis ist die Triebfeder jener Interessen, die über die Deckung des lebenserhaltenden Bedarfs hinausgehen. Dieser Drang nach Vervollständigung des Weltbildes ist der Grund für Forschung und ebenso der Auslöser für einen Teil der sozialen Beziehungen.

Die Umsetzung dieser Eigenschaften in dem System ist relativ simpel.

Eine Softwarekomponente durchsucht die Verbindungen einer Zelle und vergleicht diese systematisch mit vergleichbaren Zellen. Ebenso werden unabgeschlossene Handlungen registriert. Damit werden fehlende und unvollständige Informationen aufgedeckt und in ein Register eingetragen, das bei nächster Gelegenheit abgearbeitet wird. Das können Fragen sein, nach deren Antworten geforscht werden muss, aber auch Fragen, die an Personen gerichtet werden und Teil eines Small-Talks sein können.

Da dieses System natürlich auch alle Personalpronomen kennen muss, werden auch die Zellverbindungen verglichen, die das System selbst beschreibt.

 

Fazit :

Das vorgestellte KI-Modell ist als Technologie zu verstehen, die zum gegenwärtigen Stand der Technik einer starken KI am nächsten kommt. Die bestechend effiziente und minimalistische Basis, die mehrfach von natürlichen menschlichen Denkprozessen abgeleitet wurde, erlaubt es, komplexe Systeme auf jedem PC oder Handy zu betreiben. Die Anwendungsmöglichkeiten und Einsatzgebiete sind fast grenzenlos und dann sinnvoll, wenn Geschwindigkeit, Wahrheitsgehalt, Datensicherheit und Energieverbrauch eine Rolle spielen. Wenn Deeplearning einen ganzen Industriezweig gebildet hat, ist dies mit dieser Technologie ebenso zu erwarten.

Wie jedes Werkzeug kann dieses System in falschen Händen auch Schäden verursachen. (Ein Szenario in dem Computer die Menschheit vernichten wollen, bleibt Hollywood Fantasie.)

Die komplette Entwicklung wurde von einer Industrie-fremden Privatperson ohne rechtliche Abhängigkeiten und Verbindlichkeiten gegenüber Dritten erarbeitet.

⬅ Zurück