Im Kontext von Maschinellem Lernen, Deep Learning und Künstlichen Neuronalen Netzwerken wird zunehmend auch das sogenannte „Evolutionary Computing“, die „Neuroevolution“ und die Verwendung „Genetischer“ oder „Evolutionärer Algorithmen“ diskutiert. Worum handelt es sich dabei?
Der Themenkreis des Evolutionary Computings bezieht sich auf einen eigentlich schon älteren Ansatz in der KI-Forschung, der versucht, aus dem natürlichen Prinzip der Evolution Ableitungen für die Lösung von Computerproblemen zu finden.
In der biologischen Evolution werden die Gene von Organismen ständig natürlichen Mutationen unterzogen, was in der Folge zu genetischer Vielfalt führt. Aus einer „Fortpflanzung“ entstandene „Erbengenerationen“ nehmen diese Mutationen auf und kombinieren deren Erbgut womöglich. Im Abgleich mit herrschenden Umweltbedingungen entsteht ein „Anpassungsdruck“, der zur (natürlichen) Selektion – beziehungsweise „Eliminierung“ – führt, so wie es in Charles Darwins Postulat des „survival of the fittest“ zum Ausdruck kommt.
Darwin + KI: Evolutionäre Algorithmen
In einer vereinfachten Art und Weise übernimmt das Evolutionary Computing in der Informatik dieses Prinzip und wendet es meist auf die Lösung von Optimierungsproblemen an. Als Vorteil wird dabei gesehen, dass es damit zwar möglich ist, eine Vielzahl unterschiedlicher Fragestellungen zu verfolgen, gleichwohl lediglich eine vergleichsweise geringe Menge spezifischen Problemlösungswissens dazu vonnöten ist. Stattdessen muss nur eine „Fitness“-Funktion aufgestellt werden, die auf die möglichen „Lösungskandidaten“, bezogen werden kann und die es dabei gilt, zu optimieren. Aus der Fitness-Funktion lässt sich die „Güte“ oder „Passgenauigkeit“ eines Lösungskandidaten ableiten, sie beurteilt diesen also daraufhin, wie gut er zur Lösung des Optimierungsproblems geeignet erscheint.
Evolutionäre Algorithmen vs. Backpropagation
Als Alternative zur sogenannten Backpropagation finden Evolutionäre Algorithmen auch innerhalb künstlicher neuronaler Netzwerke Verwendung. Der Unterschied der beiden Verfahrensweisen liegt darin, dass bei Backpropagation ein „Gradientenverfahren“ (englisch „gradient descent“) Anwendung findet, wobei die Ergebnisse stetig verbessert werden, indem die Lösung gewissermaßen durch einen „Zick-Zack-Kurs“ schrittweise immer enger „eingekreist“ wird – also die Gewichtungen der Inputs nach und nach entsprechend der Fehleranalyse und „Ursachenforschung“ justiert werden.
Im Gegensatz dazu agieren Evolutionäre Algorithmen deutlich „zufälliger“ bei der Änderung der Gewichtungsparameter, was ihnen oft den Vorwurf der Ineffizienz einbrachte. Die Parallelität der Aktionen ermöglicht jedoch auch eine breiter ausgelegte und weniger „starre“ Anwendung. Dazu wird zunächst, weitgehend per Zufall, ein „Genom“ festgelegt, das dann, abhängig davon, wie gut es sich einpasst – also: wie gut es ein spezifisches Problem löst – mit anderen „Phänotypen“ und „Mutationen“ „reproduziert“ wird. Dies geschieht nicht nur mit einem Genom, sondern mit vielen Varianten gleichzeitig. Diese lassen sich miteinander kombinieren, also gewissermaßen „veredeln“. Anders als bei der Backpropagation werden „schlechte“ Bestandteile nicht an ihrer „Wurzel bekämpft“, sie „mendeln“ einfach aus, das heißt: ähnlich der biologischen Evolution findet eine Selektion lediglich nach der Passgenauigkeit, dem Ergebnis des Mutationsprozesses, statt.
Evolutionäre Algorithmen & Maschinelles Lernen
Während „Backpropagation“ oft nur mit dem überwachten Lernen in Verbindung gebracht wird, können Evolutionäre Algorithmen auch im Rahmen des unüberwachten Lernens, bei der Mustererkennung, und vor allem des Reinforcement Learnings Anwendung finden. Schließlich geht es ja auch in der Evolution darum, neue, noch nicht bekannte oder existierende Lösungen zu finden oder durch die „Belohnung“ der Selektion einen Anreiz für Passgenauigkeit zu identifizieren.
Derzeit ist noch umstritten, welche Rolle diese evolutionären Ansätze bei der weiteren Entwicklung von KI spielen werden, ob sie insbesondere auch ein Gegenentwurf oder eher eine Ergänzung zu Deep Learning und der aktuellen Funktionsweise von Künstlichen Neuronalen Netzwerken oder möglicherweise eine neue Entwicklungsstufe darstellen. Für manche verkörpern sie sogar einen wichtigen Meilenstein zu einer künstlichen Reproduktion „echter“ menschlicher Intelligenz, die sich auch ändernden Umweltbedingungen flexibel anpassen kann.
Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019
Mehr zum Thema hier:
Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:
Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023
Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.