Künstliche Intelligenz, was ist das?

Der erste Teil des Vortrags stellt Verfahren und Ansätze der symbolischen Künstlichen Intelligenz vor, um die Aspekte der Wissensverarbeitung und Handlungsplanung in Kognitiven Systemen umsetzen zu können. Im zweiten Teil werden die grundlegenden Ansätze dieser Verfahren besprochen und wie diese in kognitiven Systemen eingesetzt werden können, um Lern- und Entscheidungsprozesse zu realisieren.

Wissensverarbeitung und Handlungsplanung in Kognitiven Systemen
Der Begriff „Kognition” bezieht sich traditionell auf Fähigkeiten des Menschen, Informationen aufzunehmen und zu verarbeiten z. B. um etwas zu erkennen oder zu identifizieren, das vorher gesehen wurde. Ein kognitives System, das einen solchen Prozess nachahmt, muss normalerweise mehrere Fähigkeiten besitzen:

• Wahrnehmung – Sammeln von Daten durch Sensoren
• Erinnerung – Sammeln von Erfahrungen
• Lernen – Identifizieren von Gemeinsamkeiten und Unterschieden
• Wissensverarbeitung – Entscheidungen auf Basis des gewonnenen Wissens treffen
• Handlungsplanung – Handlungen ausführen, die auf Entscheidungen basieren

Wahrnehmung, Erinnerung und Lernen sind normalerweise „unbewusste” Prozesse auf niedriger Ebene, die in technischen Systemen zumeist durch subsymbolische/neuronale Verfahren abgebildet werden. Wissensverarbeitung und Handlungsplanung erfordern in der Regel höheres (aktives) „Denken” und
werden in technischen Systemen meist durch symbolische Verfahren abgebildet. Die Umsetzung genereller intelligenter Systeme braucht sowohl symbolische als auch subsymbolische Ansätze.

Lern- und Entscheidungsprozesse in Kognitiven Systemen
Ausgehend von der klassischen, symbolischen Künstlichen Intelligenz (KI) haben sich historisch mehrere alternative Paradigmen zur KI als Reaktion auf ausbleibende, früh erwartete Forschungsfortschritte entwickelt.
Darunter fallen insbesondere der Konnektionismus („Neuronale Netz“) und maschinelle Lernverfahren im erweiterten Sinne, als auch die verkörperte KI („Embodied Artificial Intelligence“). Insbesondere die maschinellen Lernverfahren, basierend auf neuronalen Netzen und einhergehend mit immer größer werdenden Rechen- und Datenressourcen, haben in den letzten 10 Jahren zu großen Fortschritten geführt.

Der folgende Inhalt ist passwortgeschützt. Als Teilnehmer der Akademie haben/werden Sie das Passwort erhalten, sofern Sie den Vortrag gebucht hatten.

Birte Glimm, seit 2011 Professorin, leitet das Institut für Künstliche Intelligenz an der Universität Ulm. Forschungsinteresse: ontologische Wissensrepräsentation und automatisches Schlussfolgern. Sie entwickelt, implementiert und optimiert Algorithmen zum automatischen Schlussfolgern, zur Beantwortung von Anfragen an Wissensbasen und um Nutzern
die automatisch abgeleiteten Schlüsse angemessen zu erklären. Ihre Arbeiten werden auch in die anwendungsnahe Forschung überführt, z.B. im Projekt “Do it yourself, but not alone: Companion-Technologie für die Heimwerkerunterstützung” (Kooperationspreis Wissenschaft-Wirtschaft 2019) oder zur Repräsentation und dem Schlussfolgern über Kartenwissen im autonomen Fahren. 2017 erhielt Birte Glimm einen Google Faculty Research Award und wurde mit dem Mileva Einstein-Marić-Preis ausgezeichnet.

Daniel Braun hat Physik, Biologie und Philosophie studiert und sowohl in den Naturwissenschaften (Theoretische Neurobiologie) als auch in den Geisteswissenschaften promoviert und in Neuro- und Verhaltensbiologie als auch in Kognitionswissenschaft habilitiert. 2011 erhielt er ein EmmyNoether-Stipendium von der Deutschen Forschungsgemeinschaft, um die unabhängige Forschungsgruppe “Sensorimotor Learning and Decisionmaking” am Max-Planck-Institut für Biologische Kybernetik und Intelligente Systeme in Tübingen zu etablieren. 2015 erhielt er einen ERC Starting Grant, seit 2016 ist er Professor für Lernende Systeme an der Universität Ulm. Seine Forschungsschwerpunkte sind sensorimotorische Lern- und Entscheidungsprozesse und wie diese mathematisch modelliert werden können.