Künstliche Intelligenz und Maschinelles Lernen
Der Traum von künstlichen intelligenten Wesen beschäftigt die Menschheit schon ziemlich lcange. Eine der ganz frühen Erzählmotive ist das Motiv des Golems in der jüdischen Literatur, das bereits im 12. Jahrhundert schriftlich erwähnt wird. Die bekannteste Version der Golem-Legende besagt, dass der in Prag wirkende Rabbiner Judah Löw (dessen Familie wohl ursprünglich aus Worms im heutigen Rheinland-Pfalz stammt) im 16. Jahrhundert ein menschenähnliches Wesen geschaffen, zum Leben erweckt und zu seinem Diener gemacht habe.
Eine sehr frühe „Fake-KI“ war ein (vorgeblicher) Schach-Roboter, der 1769 von dem östereichisch-ungarischen Beamten Wolfgang von Kempelen konstruiert wurde. Der Roboter hatte die Form eines Menschen, der in eine traditionelle türkische Tracht gekleidet war; daher ist der Name „Schachtürke“ für den Roboter gebräuchlich. Die mechanische Figur bewegte Figuren tatsächlich über ein Schachbrett. Die Steuerung war jedoch nicht so künstlich wie behauptet: Im Inneren des kistenartigen Schachtischs saß ein Mensch mit kleinem Körperbau und guten Schachkenntnissen.
Mit Aufkommen der ersten Digitalcomputer Mitte des 20. Jahrhunderts geriet „echte“ künstliche Intelligenz zum ersten Mal in den Bereich des Machbaren. Wobei natürlich eine spannende (philosophische) Frage darin besteht, ab wann man ein Wesen (sei es biologisch oder künstlich) überhaupt intelligent nennen kann. Einer der ersten Ansätze bestand darin, Computerprogrammen eine möglichst große Menge an Wissen über die Welt (bzw. das von der KI zu lösenden Problemen) mitzugeben, meist in Form formalisierter Regeln. Man spricht in diesem Zusammenhang von „Expertensystemen“. Bestimmte Programmiersprachen wie LISP (1958) oder PROLOG [LINK] (1972) eignen sich besonders zur Programmierung solcher Systeme.
Bei überschaubaren Problembereichen funktionieren diese Systeme teilweise sehr sehr gut. Allerdings stellte sich (nach anfänglicher Euphorie) sehr schnell heraus, dass vielen für den Menschen extrem einfachen Problemen mit regelbasierten Expertensystemen trotzdem nur sehr schwer oder gar nicht beizukommen ist. Die Enttäuschung war groß, aber gleichzeitig wurde hiermit ein anderer Ansatz attraktiver: Wenn Menschen und Tiere aus Erfahrung lernen, kann man dies nicht auch mit Computerprogrammen machen? Solche lernenden Computerprogramme werden im allgemeinen als „Machine Learning“ bezeichnet. Manche Verfahren haben ihre ursprüngliche Motivation auch in der Nachbildung von Strukturen in der Biologie (etwa Neuronale Netze oder Evolutionäre Algorithmen), andere haben keine direkte biologische Entsprechung. Bei beiden Ansätzen ist es häufig so, dass das Verhalten des künstlichen Systems durch eine Vielzahl von Variablen festgelegt sind, in denen Zahlen gespeichert sind. Beim Lernen durch Erfahrung ändern sich diese Zahlenwerte in einer bestimmten Weise, so dass das System sich nach der Änderung anders (und hoffentlich etwas sinnvoller) verhält als vorher. So ist es auch beim Reinforcement Learning, wobei der große Vorteil gegenüber anderen Ansätzen (wie z.B. dem Deep Learning) ist, dass die einzelnen Zahlenwerte für den menschlichen Programmierer eine direkt verständliche Interpretation haben.