Warum die Zukunft der künstlichen Intelligenz im Hybrid?

In den letzten Wochen hat die Flut neuer generativer KI-Produkte und -Funktionen – von ChatGPT bis Bard und zahlreichen Variationen anderer, die auf großen Sprachmodellen (LLMs) basieren – einen übermäßigen Hype-Zyklus ausgelöst. Viele argumentieren jedoch, dass diese verallgemeinerten Modelle für den Einsatz in Unternehmen ungeeignet sind. Die meisten KI-Engines zeigen Schwierigkeiten, wenn ihnen nischen- oder domänenspezifische Aufgaben zugewiesen werden. Könnte hybride KI die Antwort sein?

Was verstehen wir unter hybrider künstlicher Intelligenz (Hybrid AI)?

Hybride KI ist die Erweiterung oder Verbesserung von KI-Modellen unter Verwendung von maschinellem Lernen, Deep Learning und neuronalen Netzen sowie menschlicher Fachkompetenz, um anwendungsfallspezifische KI-Modelle mit der größten Genauigkeit oder dem größten Vorhersagepotenzial zu entwickeln.

Der Aufstieg der hybriden KI geht auf viele wichtige und berechtigte Probleme ein. Für den maximalen Nutzen oder die tatsächliche Wertschöpfung sind in zahlreichen Szenarien oder Bereichen mehr als nur auf großen Datensätzen basierende KI-Modelle erforderlich. Stellen Sie sich zum Beispiel vor, dass ChatGPT gebeten wird, einen langen und detaillierten Wirtschaftsbericht zu schreiben.

Die Übernahme oder Erweiterung des Modells mit domänenspezifischem Wissen kann der effektivste Weg sein, eine hohe Prognosewahrscheinlichkeit zu erreichen. Um dies zu erreichen, kombiniert hybride KI die besten Aspekte neuronaler Netze (Muster und Verbindungsbildner) und symbolischer KI (Fakten- und Datenableiter).

Symbolische KI: Ein wichtiger Bestandteil der Hybrid-KI

Heutige LLMs weisen mehrere Mängel auf, darunter eine unzureichende Leistung bei mathematischen Aufgaben, eine Neigung, Daten zu erfinden, und ein Versäumnis, zu artikulieren, wie das Modell zu Ergebnissen führt. All diese Probleme sind typisch für „konnektionistische“ neuronale Netze, die von Vorstellungen über die Funktionsweise des menschlichen Gehirns abhängen.

Diese Probleme sind typisch für „konnektionistische“ neuronale Netze, die auf Vorstellungen über die Funktionsweise des menschlichen Gehirns basieren.

Klassische KI wird auch als symbolische KI bezeichnet. Es versucht, menschliches Wissen in einer deklarativen Form klar auszudrücken, beispielsweise durch Regeln und Fakten, die aus „Symbol“-Eingaben interpretiert werden. Dabei handelt es sich um einen Zweig der KI, der versucht, Fakten und Ereignisse mithilfe logischer Regeln zu verknüpfen.

Von Mitte der 1950er bis Ende der 1980er Jahre erlebte die Erforschung symbolischer KI erhebliche Aktivitäten.

In den 1960er und 1970er Jahren inspirierten technologische Fortschritte Forscher dazu, die Beziehung zwischen Maschinen und Natur zu untersuchen. Sie glaubten, dass symbolische Techniken schließlich zu einer intelligenten Maschine führen würden, was als langfristiges Ziel ihrer Disziplin angesehen wurde.

In diesem Zusammenhang prägte John Haugeland in seinem 1985 erschienenen Buch „Artificial Intelligence: The Very Idea“ die „gute altmodische künstliche Intelligenz“ oder „GOFAI“.

Die GOFAI-Methode eignet sich am besten für inerte Probleme und ist alles andere als eine natürliche Lösung für dynamische Echtzeitprobleme. Es bevorzugt eine eingeschränkte Definition von Intellekt als abstraktem Denken, während künstliche neuronale Netze der Mustererkennung Vorrang einräumen. Folglich hat die letztgenannte „konnektionistische“ oder nichtsymbolische Methode in letzter Zeit an Bedeutung gewonnen.

Wie funktioniert nicht-symbolische KI?

Die Entstehung der nicht-symbolischen künstlichen Intelligenz ist der Versuch, das menschliche Gehirn und sein ausgeklügeltes Netz neuronaler Verbindungen zu simulieren.

Um Lösungen für Probleme zu finden, verzichten nicht-symbolische KI-Systeme auf die Manipulation einer symbolischen Darstellung. Stattdessen führen sie Berechnungen durch, die auf empirisch erwiesenen Prinzipien basieren, um Probleme zu lösen, ohne vorher genau zu verstehen, wie man zu einer Lösung gelangt.

Neuronale Netze und Deep Learning sind zwei Beispiele für nicht-symbolische KI. Nicht-symbolische KI wird auch als „konnektionistische KI“ bezeichnet. Mehrere aktuelle Apps für künstliche Intelligenz basieren auf dieser Methodik, darunter die automatisierte Übergangs-Engine von Google (die nach Mustern sucht) und das Gesichtserkennungsprogramm von Facebook.

Betreten Sie Hybrid AI

Im Kontext der hybriden künstlichen Intelligenz fungiert die symbolische KI als „Lieferant“ der nicht-symbolischen KI, die die eigentliche Aufgabe übernimmt. Die symbolische KI bietet aus diesem Blickwinkel relevante Trainingsdaten für die nicht-symbolische KI. Die von der symbolischen KI übermittelten Informationen wiederum werden von Menschen angetrieben – also von Branchenveteranen, Fachexperten, Facharbeitern und solchen mit unverschlüsseltem Stammeswissen.

Websuchen sind eine beliebte Anwendung hybrider KI. Wenn ein Benutzer „1 GBP in USD“ eingibt, erkennt die Suchmaschine eine Währungsumrechnungsherausforderung (symbolische KI). Es verwendet ein Widget, um die Konvertierung durchzuführen, bevor es maschinelles Lernen einsetzt, um Webergebnisse abzurufen, zu positionieren und anzuzeigen (nicht symbolische KI). Dies ist ein grundlegendes Beispiel, aber es veranschaulicht, wie hybride KI funktionieren würde, wenn sie auf komplexere Probleme angewendet würde.

Laut David Cox, Direktor des MIT-IBM Watson AI Lab, gedeihen Deep Learning und neuronale Netze inmitten der „Unordnung der Welt“, während symbolische KI dies nicht tut. Wie bereits erwähnt, weisen jedoch sowohl neuronale Netze als auch Deep Learning Einschränkungen auf. Darüber hinaus sind sie anfällig für feindliche Instanzen, sogenannte gegnerische Daten, die das Verhalten eines KI-Modells auf unvorhersehbare und möglicherweise schädliche Weise beeinflussen können.

In Kombination können symbolische KI und neuronale Netze jedoch eine solide Grundlage für die KI-Entwicklung in Unternehmen bilden.

Warum Hybrid-KI in Unternehmensumgebungen verwenden?

Geschäftsprobleme mit unzureichenden Daten zum Training eines umfangreichen neuronalen Netzwerks oder bei denen standardmäßiges maschinelles Lernen nicht alle Extremfälle bewältigen kann, sind die perfekten Kandidaten für die Implementierung hybrider KI. Wenn eine neuronale Netzwerklösung zu Diskriminierung, fehlender vollständiger Offenlegung oder Problemen im Zusammenhang mit einer Überanpassung führen könnte, kann hybride KI hilfreich sein (d. h. das Training auf so vielen Daten, dass die KI in realen Szenarien Probleme hat).

Ein Paradebeispiel ist eine KI-Initiative von Fast Data Science, einem KI-Beratungsunternehmen. Ziel ist es, die potenziellen Gefahren einer klinischen Studie einzuschätzen.

Der Benutzer sendet ein PDF-Dokument mit einer detaillierten Beschreibung des Plans zur Durchführung einer klinischen Studie an die Plattform. Ein maschinelles Lernmodell kann wichtige Versuchsmerkmale wie Ort, Dauer, Anzahl der Probanden und statistische Variablen identifizieren. Die Ergebnisse des maschinellen Lernmodells werden in ein manuell erstelltes Risikomodell integriert. Dieses symbolische Modell wandelt diese Parameter in einen Risikowert um, der dann als Ampel erscheint, die dem Benutzer ein hohes, mittleres oder niedriges Risiko signalisiert.

Menschliche Intelligenz ist unerlässlich, um eine vernünftige und logische Regel für die Umwandlung von Protokolldaten in einen Risikowert festzulegen.

Ein zweites Beispiel ist die Suchmaschine von Google. Es handelt sich um ein hochentwickeltes, allumfassendes KI-System, das aus revolutionären Deep-Learning-Tools wie Transformatoren und Symbolmanipulationsmechanismen wie dem Wissensgraphen besteht.

Was sind die Herausforderungen?

Keine Technik oder Kombination von Techniken löst jedes Problem gleich gut; Daher ist es notwendig, ihre Fähigkeiten und Grenzen zu verstehen. Hybride KI ist kein Allheilmittel, und sowohl symbolische als auch nicht symbolische KI werden weiterhin eigenständige leistungsstarke Technologien sein. Ein weiteres Hindernis ist die Tatsache, dass Expertenwissen und Kontexte aus dem Alltag selten maschinenlesbar sind. Ein weiteres Problem stellt die Kodierung menschlichen Fachwissens in KI-Trainingsdatensätze dar.

Die meisten Organisationen erkennen nicht vollständig die kognitiven, rechnerischen, CO2-ausstoßenden und finanziellen Hürden, die entstehen, wenn man das komplexe Durcheinander unserer Lebenswelten in einen Kontext stellt, den die KI verstehen kann. Daher kann der Zeitrahmen für eine sinnvolle KI-Implementierung viel länger dauern als erwartet.

Der Weg nach vorn

KI-Initiativen sind notorisch problematisch; Nur einer von zehn Piloten und Prototypen führt zu signifikanten Ergebnissen in der Produktion.

Fortschrittliche Unternehmen sind sich bereits der Grenzen von Single-Mode-KI-Modellen bewusst. Sie sind sich der Notwendigkeit einer vielseitigen Technologie bewusst, die in der Lage ist, tiefer in gespeicherte Daten einzudringen, kostengünstiger und viel einfacher zu verwenden ist.

Hybrid-KI bietet Lösungen für einige dieser Probleme, jedoch nicht für alle. Da es symbolische KI und ML integriert, kann es die Vorteile jedes Ansatzes effizient nutzen und gleichzeitig erklärbar bleiben, was für Branchen wie das Finanzwesen und das Gesundheitswesen von entscheidender Bedeutung ist.

ML kann sich auf bestimmte Elemente eines Problems konzentrieren, bei denen die Erklärbarkeit keine Rolle spielt, während symbolische KI Entscheidungen auf einem transparenten und leicht verständlichen Weg trifft. Der hybride Ansatz zur KI wird sich im Laufe der Jahre immer weiter durchsetzen.