Diese Arbeit ist eine Aufarbeitung der informatischen Prinzipien hinter Künstlicher Intelligenz. Im Vordergrund stehen der Aufbau Künstlicher Neuronaler Netzwerke, das Lernen und Anwenden der dadurch entstehenden Systeme, um Probleme zu lösen, die vorher nicht lösbar waren.
Neben einer detaillierten Erklärung und Umsetzung von "supervised learning" mithilfe der Keras-Bibliothek in der Jupyter-Lab-Programmierumgebung wird auch auf andere Formen, wie das "unsupervised-" und "reinforcement learning" eingegangen. Schlussendlich wird ein kritischer Blick auf aktuelle KI-Projekte geworfen und mögliche Folgen weiterentwickelter, einflussreicherer Systeme beurteilt.
Inhaltsverzeichnis
1. Einleitung
1.1 Vorstellung meiner Arbeit
1.2 Begriffsklärung und kurze Geschichte der Künstlichen Intelligenz
2. Die Informatik hinter der Künstlichen Intelligenz
2.1 Aufbau eines künstlichen, neuronalen Netzwerkes (KNN)
2. 2 Überblick über Künstliche Intelligenz
2.2.1 Einteilung von KI-Algorithmen
2.2.2 Überwachtes Lernen
2.2.3 Unüberwachtes Lernen
2.1.4 Verstärkendes Lernen
2.3 Flaches, neuronales Netzwerk zum identifizieren handgeschriebener Ziffern
2.4 Die Probleme beim Kreieren eines Neuronalen Netzwerks
2.5 Convolutional Neural Networks CNN
2.5.1 Was sind CNNs
2.5.2 Wie funktionieren CNNs
2.5.3 Padding
2.5.4 Pooling Schichten
3. Potentielle Gefahren Künstlicher Intelligenz
4. Fazit
Zielsetzung & Themen
Die vorliegende Facharbeit untersucht die informatischen Grundlagen der Künstlichen Intelligenz (KI), mit einem besonderen Fokus auf künstliche neuronale Netzwerke, und beleuchtet kritisch die damit verbundenen ethischen und gesellschaftlichen Gefahrenpotenziale.
- Grundlagen künstlicher neuronaler Netzwerke (KNN).
- Methoden des maschinellen Lernens: Überwachtes, unüberwachtes und verstärkendes Lernen.
- Praktische Implementierung einer KI zur Ziffernerkennung mittels Keras und Python.
- Architektur und Funktionsweise von Convolutional Neural Networks (CNNs).
- Kritische Analyse von Risiken wie Diskriminierung durch Algorithmen und Deepfakes.
Auszug aus dem Buch
1.2 Begriffsklärung und kurze Geschichte der Künstlichen Intelligenz
Künstliche Intelligenz (KI) oder auch „artificial intelligence“ (AI) im Englischen, ist einer der am weitesten gefassten Begriffe, die ich in diesem Kapitel behandeln möchte. Das liegt vor allem daran, dass der Begriff „KI“ für jede herausragende Fähigkeit einer Maschine verwendet wird. Eine technische Definition könnte aber folgendermaßen aussehen: Eine künstliche Intelligenz ist ein Algorithmus, der Informationen aus seiner Umwelt aufnimmt, diese dann in Entscheidungsprozesse einfließen lässt, um mit denen ein gewünschtes Ergebnis zu erzielen. Anhand dessen halten manche das Erreichen „allgemeiner Intelligenz“ für das Ziel der KI, also Intelligenz im Sinne der umfassenden Fähigkeit zum Schlussfolgern und Lösen von Problemstellungen. Doch eine solche „Artificial General Intelligence“, die grundsätzlich in allem gut ist oder sogar eine „Artificial Super Intelligence“, die fortschrittlicher als der Geist des Menschen sein soll, sind heute erstmal nur Zukunftsmusik.
Zusammenfassung der Kapitel
1. Einleitung: Stellt die Relevanz von Künstlicher Intelligenz in der modernen Gesellschaft dar und definiert das Ziel der Arbeit, die technischen Grundlagen sowie Gefahren dieser Technologie zu beleuchten.
2. Die Informatik hinter der Künstlichen Intelligenz: Vermittelt die theoretischen Grundlagen neuronaler Netzwerke, erklärt verschiedene Lernarten (überwacht, unüberwacht, verstärkend) und erläutert detailliert die Funktionsweise von CNNs anhand von praktischen Beispielen.
3. Potentielle Gefahren Künstlicher Intelligenz: Analysiert kritische Aspekte der KI, wie den Missbrauch durch Akteure, das Potenzial für Deepfakes und soziale Manipulation, sowie die Problematik von Verzerrungen (Bias) in Trainingsdaten.
4. Fazit: Resümiert den hohen Nutzen von KI als Werkzeug in vielen Lebensbereichen, betont jedoch die Notwendigkeit menschlicher Kontrolle und ethischer Verantwortung bei der weiteren Entwicklung.
Schlüsselwörter
Künstliche Intelligenz, Maschinelles Lernen, Neuronale Netzwerke, KNN, Deep Learning, CNN, Überwachtes Lernen, Neuronen, Gewichte, Bias, Kostenfunktion, Backpropagation, Deepfakes, Algorithmus, Informatik.
Häufig gestellte Fragen
Was ist das grundlegende Thema der Facharbeit?
Die Arbeit behandelt die Informatik der Künstlichen Intelligenz, insbesondere wie neuronale Netzwerke funktionieren und wie sie trainiert werden, eingebettet in eine ethische Auseinandersetzung mit den potenziellen Gefahren dieser Technologie.
Welche zentralen Themenfelder deckt die Arbeit ab?
Sie deckt die Architektur künstlicher neuronaler Netzwerke, die Unterscheidung zwischen verschiedenen Lernmethoden (überwacht, unüberwacht, bestärkend) und die spezifische Bilderkennung mit Convolutional Neural Networks (CNN) ab.
Was ist das primäre Ziel der Forschungsarbeit?
Ziel ist es, das "Wirrwarr" um den Begriff der Künstlichen Intelligenz zu lichten, die technischen Grundlagen durch praktische Beispiele anschaulich zu vermitteln und einen kritischen Blick auf die Gefahren zu werfen.
Welche wissenschaftliche Methode wird zur Untersuchung verwendet?
Der Autor nutzt eine Kombination aus theoretischer Grundlagenrecherche und praktischer Anwendung, indem er selbst ein neuronales Netzwerk zur Klassifizierung handgeschriebener Ziffern (MNIST-Datensatz) in Python programmiert und die Einflüsse von Hyperparametern auswertet.
Was wird schwerpunktmäßig im Hauptteil behandelt?
Der Hauptteil gliedert sich in die Informatik hinter der KI, wo Aufbau, Optimierung und Fehlersuche bei Netzwerken besprochen werden, sowie das Kapitel über potenzielle Gefahren, das gesellschaftliche Risiken und Fehlentwicklungen thematisiert.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die wichtigsten Begriffe sind Künstliche Intelligenz, Neuronale Netzwerke, Maschinelles Lernen, Convolutional Neural Networks, Bias und ethische Verantwortung.
Wie zeigt der Autor konkret die Funktionsweise neuronaler Netzwerke auf?
Er verwendet das Beispiel der Identifizierung handgeschriebener Ziffern aus dem MNIST-Datensatz, wobei er den gesamten Prozess von der Vorverarbeitung der Daten bis hin zum "Forward Propagation" und "Backpropagation" zur Gewichts-Optimierung beschreibt.
Warum spielt die Datenqualität bei den behandelten Gefahren eine so große Rolle?
Der Autor verdeutlicht anhand von Beispielen wie der Gesichtserkennung, dass einseitige Trainingsdaten (z. B. Überrepräsentation weißer Männer) zu systematischen Fehlentscheidungen und Diskriminierung führen können.
- Arbeit zitieren
- Anonym (Autor:in), 2021, Künstliche Intelligenz. Fluch oder Segen?, München, GRIN Verlag, https://www.grin.com/document/1263370
