07 Knowledge

Im Laufe unseres Lebens – durch Bildung, Erfahrungswerte und einschlägige Erlebnisse – wird unsere Wissensbasis zunehmend angereichert. Nicht nur für uns ist Wissen relevant, auch für KI-Agenten ist Wissen von großer Bedeutung. Die Wissensdarstellung und das Wissensmanagement sind einer der zentralen Aspekte in der KI Forschung.

Mit Knowledge (zu Deutsch: Wissen) können intelligente Systeme vieles bewerkstelligen. Sie können

 

- angeführte Informationen ableiten,

- mit Menschen in natürlichen Sprachen sprechen,

- entscheiden, was als nächstes zu tun ist,

- künftige Aktivitäten planen,

- Probleme in Bereichen lösen, die normalerweise menschliches Fachwissen erfordern.

 

Unser eigener Alltag lehrt uns, dass wir alle Wissen benötigen, um gewisse Situationen in unserem Leben zu meistern. Sei es zu entscheiden, wo die nächste Reise hingeht, in welches Restaurant man den Partner bzw. die Partnerin ausführen möchte, welche Berufslaufbahn vielversprechend oder welches Outfit heute angebracht ist. Für jede dieser Situationen benötigt man Wissen, entweder über das Reiseland, die Lokalität oder das Wetter. Genauso handhaben auch KI-Agenten den Prozess der Entscheidungsfindung. Sie verwenden das bereits existierende Wissen, um Probleme zu lösen. Unter anderem benötigen sie Wissen in den folgenden Bereichen: Objekte, Beziehungen zwischen Objekten, Situationen, Ereignisse, Zustände und Zeit, Ursachen und Wirkungen und – vor allem – Wissen über Wissen. Das bedeutet, Kenntnisse zu erlangen, die andere ebenfalls besitzen.

Als Teil der Gestaltung eines problemlösenden Programms muss eingangs klar definiert werden, wie das Wissen vertreten wird. KI Systeme werden für unterschiedliche Bereiche verwendet, weswegen Wissen auch auf verschiedene Weise angewendet wird.

Allerdings ist es für KI-Systeme nicht trivial, Wissen, wie wir Menschen es gebrauchen, umzusetzen. Hier können Schwierigkeiten auftreten:

 

1. Standard Argumentation und das „Qualifizierungsproblem“

Viele der Dinge, die wir Menschen kennen, nehmen die Form von "Arbeitshypothesen" an. Dies lässt sich anhand eines Beispiels gut veranschaulichen: Stellen Sie sich einen Vogel vor. Woran denken Sie? Wir denken an ein kleines, faustgroßes Tier, das singt und fliegt. Sie auch? Genauso geht es der Mehrheit. Doch nicht jeder Vogel trifft auf diese Beschreibung zu. Dies ist schlichtweg unsere Standard-Assoziation. 1969 erkannte John McCarthy dieses Problem und charakterisierte es als Qualifizierungsproblem. Nun haben wir aber dieses Qualifizierungsproblem nicht nur bei Vögeln, sondern bei vielen weiteren Dingen. Bei fast keinem Bereich gibt es eine eindeutige Regel. Es existieren viele Ausnahmen und es gibt schlichtweg kein wahr oder falsch.

 

2. Die Breite des Menschenverstandes

Der Titel dieser Schwierigkeit lässt schon erkennen, worum es geht. Was zählen Sie zu Ihrem Alltagswissen? Vermutlich eine große Anzahl an Sachverhalten. Eine durchschnittliche Person besitzt astronomische Mengen an Alltagswissen. Es existieren Forschungsprojekte, die versuchen den gesunden Menschenverstand nachzubilden (z. B. Cyc ). Doch dies ist nicht leicht, denn es erfordert eine enorme Menge an logischen Schlussfolgerungen über den „gesunden Menschenverstand“.

 

3. Die unterbewusste Form des gesunden Menschenverstands

Wie in Punkt 2 bereits angedeutet, ist Menschenverstand nicht genau definiert. Hier handelt es sich um Wissen, welches nicht als Tatsache oder Aussage repräsentiert ist. Es handelt sich um eine Mischung aus Intuition, Erfahrung und Wissen. Ein erfahrener Schachspieler wird es vermeiden, eine Position zu wählen, die gegen sein Gefühl spricht. Seine Intuition sagt ihm, dass er dort ausgeliefert sein könnte, obwohl der logische Verstand dies vielleicht verneint. Genau dasselbe gilt bei Kunstkritikern. Ein geschultes Auge erkennt auf Anhieb eine perfekte Fälschung, während ein Laie dies niemals erkennen könnte. Das Gehirn verarbeitet somit Informationen unterbewusst. Dies ist nur schwer für KI-Systeme nachzuahmen.

 

 

Quellen

http://hubbucket.co/research/artificial-intelligence-ai/

https://www.cse.buffalo.edu/~shapiro/Courses/CSE563/Slides/krrSlides.pdf

https://books.google.de/books/about/The_Universal_Mind.html?id=Dvb0DAAAQBAJ&redir_esc=y

 

12.06.2017
  • künstliche intelligenz
  • knowledge

Kommentare

Diskutieren Sie mit der Community auf der Open-Innovation-Plattform