„Do-it-yourself“ ist die beste Lernmethode. Anfassen, bearbeiten, umformen, testen, ausprobieren: dabei gewinnen wir tiefere Einsichten, entwickeln neue Ideen und den Wunsch diese zu umzusetzen. Das ist Teil – menschlicher – Intelligenz.
Hausaufgaben fordern uns auf, aus der passiv-aufnehmenden Lernhaltung heraus zu kommen und aktiv zu werden. Wer im KI-Beispiel, vorgestellt von Jacob Beautemps und Dr. Philip Häusser auf YouTube vorgestellt und hier im Google Colab Projekt realisiert, einmal selbst die Zahlenreihen x und y verlängert oder mit „epochs“ die Anzahl der Trainingswiederholungen verändert, bekommt ein erstes Gefühl für KI: wie funktioniert sie praktisch, was können wir von ihr erwarten und was vielleicht auch nicht.
Wir erfahren, dass KI
- Strukturen in Datensammlungen findet und Verbindungen knüpft,
- daraus Schlüsse zieht und Vorhersagen erstellt,
- dafür zufällige Startwerte für gewichtete „Neuronen“ wählt,
- im Laufe des Lernens die Gewichte von Epoche zu Epoche so verändert,
- dass eine einfache „Transferfunktion“ durch „gerichtetes Raten“ immer weiter optimiert wird (mithilfe eines statistischen Fehlermaßes),
- schließlich aber kein exaktes Ergebnis liefert (7 mal2 ist 13,irgendwas). Denn KI denkt statistisch, nicht analytisch: … ein neuronales Netz hat keinen Plan, es weiß nicht, was es tut … so sagen es Jacob und Philip.
Dass zudem das Ergebnis von Durchlauf zu Durchlauf (mit z.B. jeweils 1000 Epochen) variiert, verwundert nun auch nicht mehr. Dieses statistische Schwanken können wir reduzieren, indem wir die Menge der Trainingsdaten erhöhen (Verlängern der Zahlenreihen x und y) oder mit der Variable epochs den Lernprozess vertiefen.
Größere Datenmengen und tieferes Lernen allerdings kosten Rechenzeit und wir sind wieder bei der für reale KI-Anwendungen erforderlichen enormen Rechenpower. Unter anderem für mobile KI-Anwendungen (z.B. Autonomes Fahren) bieten sich GPU-fähige Industrie PC an, die auf Grafikkarten beschleunigt rechnen können. Dafür empfiehlt Omtec die GPU-Plattformen von Neousys.