Die 4 Arten von KI

Die vier Arten der KI umfassen reaktive KI, begrenzt gedächtnisbasierte KI, theoretische selbstbewusste KI und selbstbewusste KI. Reaktive KI reagiert auf aktuelle Daten ohne Erinnerung. Begrenzt Gedächtnisbasierte KI lernt aus begrenzten Erfahrungen. Theoretische Selbstbewusste KI versteht Emotionen und Ziele. Selbstbewusste KI hat ein vollständiges Bewusstsein und kann komplexe Entscheidungen treffen.

Reaktive Maschinen (Reactive Machines)Begrenzte Speicherkapazität (Limited Memory)Theorie des Geistes (Theory of Mind)Selbstwahrnehmung (Self Awareness)

Die 4 Arten der Künstlichen Intelligenz

Sehr bekannt ist die Unterscheidung in schwache KI, starke KI und Superintelligenz. Doch diese Klassifizierung beurteilt mehr wie sehr die Künstliche Intelligenz mit der menschlichen vergleichbar ist: unterlegen / ebenbürtig / überlegen.

Die vier Arten der Künstlichen Intelligenz sind: Reaktive KI, die auf festen Regeln basiert; begrenzt Gedächtnisbasierte KI, die aus Erfahrungen lernt; Theoretische Selbstbewusste KI, die Emotionen und Absichten erkennen kann; und schließlich die Selbstbewusste KI, die ein vollständiges Bewusstsein über sich selbst und ihre Umgebung hat, menschenähnliche Entscheidungen treffen kann und echte Emotionen empfindet. Im Studium der KI werden diese und weitere Merkmale der KI genau betrachtet.

Infografik: Die 4 Arten der Künstlichen Intelligenz

Reaktive Maschinen (Reactive Machines)

Reaktive Maschinen stellen einen grundlegenden Ansatz in der Entwicklung künstlicher Intelligenz dar. Diese Maschinen sind darauf spezialisiert, eine einzige vordefinierte Aufgabe auszuführen, und reagieren lediglich auf einfache Inputs mit vorher festgelegten Outputs. Im Gegensatz zu fortgeschritteneren KI-Systemen fehlt es reaktiven Maschinen an der Fähigkeit zum Lernen oder zur Anpassung an neue Situationen, da sie nicht über ein Gedächtnis verfügen und nicht datengestützt handeln. Dadurch bleibt ihre Leistung konstant und kann sich nicht verbessern.

Ein berühmtes Beispiel für eine reaktive KI-Maschine ist DeepBlue von IBM, die im Jahr 1997 den Schachweltmeister Garri Kasparow besiegte. Obwohl DeepBlue eine beeindruckende Leistung im Schachspiel erbrachte, war sie außerhalb dieses spezifischen Anwendungsbereichs nicht vielseitig einsetzbar.

Arten von KI: Typ 1 Reaktive Maschinen (Reactive Machines) (Foto: AdobeStock - Yingyaipumi 678195428)

Begrenzte Speicherkapazität (Limited Memory)

KI des Typs 2 mit begrenzter Speicherkapazität ermöglicht eine fortgeschrittenere Form des Lernens im Vergleich zu reaktiven KI-Modellen. Durch die Speicherung früherer Daten und Vorhersagen können diese Modelle bessere Entscheidungen treffen. Während die Erstellung solcher Modelle eine gewisse Speicherkapazität erfordert, können sie dennoch in reaktiver Weise eingesetzt werden.

Ein Beispiel für diese Art von KI sind selbstfahrende Autos, die aufgrund gesammelter Daten vergangener Situationen lernen, wie sie sich in verschiedenen Verkehrsszenarien verhalten sollen. Diese Modelle können auch neue, bisher unbekannte Situationen speichern und daraus lernen, um in ähnlichen Situationen angemessen zu reagieren. KI des Typs 2 sind heute weit verbreitet und finden sich in vielen alltäglichen Anwendungen wie persönlichen Smartphone-Assistenten, Suchmaschinen und sozialen Medien.

Arten von KI: Typ 2 Begrenzte Speicherkapazität (Limited Memory) (Foto: AdobeStock - Yingyaipumi 678195428)

Der Limited Memory-Typ des Machine Learning umfasst verschiedene Modelle, die auf begrenzten Datenspeichern basieren und sich daher besonders für große Datensätze eignen, bei denen nicht alle Daten gleichzeitig verarbeitet werden können. Hier sind einige der gängigen Typen von Machine Learning-Modellen mit begrenztem Speicher:

Hidden Markov Models (HMMs)

HMMs sind probabilistische Modelle, die verwendet werden, um sequenzielle Daten zu modellieren, bei denen die zugrunde liegenden Zustände nicht direkt beobachtet werden können. Sie werden häufig in der Sprachverarbeitung, der Bioinformatik und der Finanzanalyse eingesetzt.

Beispiele

Spracherkennungssysteme: HMMs werden häufig in Spracherkennungssystemen eingesetzt, um gesprochene Wörter in Text umzuwandeln.
Bioinformatik: In der Genomanalyse werden HMMs verwendet, um biologische Sequenzen zu modellieren und Muster zu identifizieren, wie z.B. in der Vorhersage von Genfunktionen.

Conditional Random Fields (CRFs)

CRFs sind eine Art von probabilistischem Graphenmodell, das zur Sequenzklassifizierung verwendet wird. Im Gegensatz zu HMMs können sie jedoch zusätzliche Eigenschaften der Daten berücksichtigen und sind daher in der natürlichen Sprachverarbeitung, der Bildverarbeitung und der Bioinformatik weit verbreitet.

Beispiele

Named Entity Recognition (NER): CRFs werden in der NER eingesetzt, um Entitäten wie Personen, Orte und Organisationen in Texten zu identifizieren, z.B. für Informationsextraktion oder Sentimentanalyse.
Medizinische Bildsegmentierung: CRFs werden in der medizinischen Bildverarbeitung verwendet, um Strukturen in medizinischen Bildern wie MRI-Scans oder CT-Scans zu segmentieren.

Memory-Augmented Neural Networks

Diese Modelle verwenden einen zusätzlichen Speichermechanismus, um auf vergangene Informationen zuzugreifen und dadurch die Leistungsfähigkeit von neuronalen Netzwerken zu verbessern. Beispiele sind das Neural Turing Machine (NTM) und das Differentiable Neural Computer (DNC), die für Aufgaben wie algorithmische Inferenz und langfristige Abhängigkeiten in sequenziellen Daten eingesetzt werden.

Beispiele

Neural Turing Machines (NTMs): NTMs sind ein Beispiel für memory-augmented neural networks und werden für Aufgaben wie algorithmisches Lernen und Speichern von Informationen in einem erweiterten Speicher verwendet.
Differentiable Neural Computers (DNCs): DNCs sind eine Weiterentwicklung von NTMs und werden für komplexe Aufgaben verwendet, bei denen das Modell auf frühere Eingaben zugreifen und Informationen aus seinem Speicher nutzen muss.

Online Learning-Algorithmen

Diese Algorithmen sind darauf ausgelegt, kontinuierlich aus neuen Daten zu lernen, während sie in Echtzeit eintreffen. Sie passen ihre Modelle laufend an und verwenden dabei nur eine begrenzte Menge an Speicher. Beispiele sind der Online Passive-Aggressive Algorithmus und der Online Random Forest.

Beispiele

Online-Werbung: Online-Lernalgorithmen werden in der Werbebranche eingesetzt, um personalisierte Werbung basierend auf dem Nutzerverhalten in Echtzeit bereitzustellen.
Finanzmärkte: Online-Lernalgorithmen werden in algorithmischen Handelssystemen verwendet, um Marktmuster zu erkennen und automatisierte Handelsentscheidungen in Echtzeit zu treffen.

Recurrent Neural Networks (RNNs)

RNNs (auch LSTM-Netzwerke genannt) sind eine Klasse von neuronalen Netzwerken, die für die Verarbeitung sequenzieller Daten wie Texte, Zeitreihen und Sprache entwickelt wurden. Sie haben interne Speicherzustände, die es ihnen ermöglichen, vergangene Informationen zu berücksichtigen und sind daher besonders für Aufgaben wie Sprachmodellierung, maschinelles Übersetzen und Zeitreihenanalyse geeignet.

Beispiele

Maschinelle Übersetzung: RNNs werden in maschinellen Übersetzungssystemen eingesetzt, um Texte von einer Sprache in eine andere zu übersetzen.
Zeitreihenanalyse: RNNs werden in der Finanzanalyse, Wettervorhersage und anderen Anwendungen verwendet, um Muster und Trends in Zeitreihendaten zu identifizieren und Vorhersagen zu treffen.

Modelle des Limited Memory-Typ im Machine Learning

Diese Typen von Machine Learning-Modellen mit begrenztem Speicher sind vielseitig einsetzbar und spielen eine wichtige Rolle in verschiedenen Anwendungsgebieten, in denen große Datenmengen effizient verarbeitet werden müssen.

Theorie des Geistes (Theory of Mind)

Theory of Mind (ToM) ist ein Konzept, das Maschinen der starken künstlichen Intelligenz zuordnet. Anders als bisherige Formen wie Reactive Machines und LSTM (Long Short Term Memory), sind ToM-KI-Formen in der Lage, ihre Umwelt besser zu verstehen und mit ihr zu interagieren. Eine Maschine des Typs 3 wird nicht nur zwischenmenschliche Interaktionen und Denkprozesse erfassen können, sondern auch Emotionen und Bedürfnisse in ihrer ganzen Komplexität. Dies erfordert, dass die Maschine den Menschen als individuelles Wesen wahrnimmt und ihr Verhalten entsprechend anpassen kann (Dr. Ameet Joshi, Michigan State University, 2022).

Obwohl Theory of Mind KI bisher nur theoretisch existiert, verspricht sie revolutionäre Fortschritte. Künstliche Intelligente Maschinen (KIM), die den Typ 3 KI erreichen, werden in der Lage sein, menschliche Emotionen wahrzunehmen, zu verstehen und ihr Verhalten entsprechend anzupassen. Darüber hinaus werden sie über ein Gedächtnis verfügen und ihr Bild von der Welt basierend auf Gelerntem erweitern können.

Arten von KI: Typ 3 Theorie des Geistes (Theory of Mind) (Foto: AdobeStock - Yingyaipumi 678195428)

Selbstwahrnehmung (Self Awareness)

Die Entwicklung der Künstlichen Intelligenz (KI) hat bereits erstaunliche Fortschritte gemacht, aber mit dem Aufkommen des vierten Typs von KI, der Self Awareness KI, betreten wir eine neue Ära der technologischen Evolution. Diese Form der KI wird nicht nur die Welt um uns herum wahrnehmen, sondern auch menschliche Emotionen, Absichten und Reaktionen verstehen und darauf reagieren können. Es ist der Übergang der KI im Bewusstsein von "Ich denke" zu "Ich weiß, dass ich denke". Ein Meilenstein, der uns möglicherweise näher an das menschliche Bewusstsein heranführt - oder es sogar übertrifft.