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.

Der Beitrag Evolutionäre Algorithmen: Die nächste Entwicklungsstufe der KI? erschien zuerst auf Nerdwärts.de.

Über die Fähigkeit Künstlicher Intelligenz, „kreativ“ zu sein, etwa eigene „digitale Kunstwerke“ erstellen zu können, wird schon länger diskutiert. Während die ersten eigenständig erstellten Bilder eher auf Zufallsprozessen beruhten, gelang es später, gestalterische Abläufe zielgerichtet zu ermöglichen. Nicht nur künstlerische, abstrakte Bilder lassen sich damit erschaffen, auch fotorealistisches Material kann auf diese Weise erzeugt werden.

Von der künstlichen Kreativität zur künstlichen Realität

Zum Einsatz kommen hier sogenannte „Generative Adversarial Networks“ (GAN), die sich im Prinzip als gegeneinander agierende Künstliche Neuronale Netzwerke beschreiben lassen. Der Begriff „adversarial“, zu Deutsch etwa „gegensätzlich“, bezieht sich auf die dabei zur Anwendung kommende „Gegenüberstellung“ zweier miteinander interagierender Netzwerke. Das eine, der „Generator“, erzeugt Elemente, die vom zweiten, dem „Diskriminator“, bewertet werden. Das Generatornetzwerk könnte beispielsweise Bilder erstellen, deren Gegenstand und Inhalt dann vom Diskriminatornetzwerk – einer Bilderkennungs-KI – zu identifizieren sind.

Im Zuge dieses Prozesses könnte die Bilderkennungs-KI, welche mittels „echten Fotos“ trainiert wurde, die Fehlertoleranz sukzessive reduzieren. Um seine Bilder also weiterhin identifizierbar zu machen, muss sich das Bild erzeugende Netzwerk – der Generator – im Gegenzug gewissermaßen immer stärker „anstrengen“. Die auf diese Weise entstehende Qualitätsspirale bewirkt, dass die fotorealistische Anmutung der erzeugten Bilder automatisch verbessert wird: Die beiden Netzwerke trainieren sich gegenseitig.

In der Folge entstehen so „echt“ aussehende Fotos von Dingen, die nie existiert haben:

Auch menschliche Gesichter lassen sich mit dieser Methode erstellen. Schon zu fast legendärem Ruhm brachte es innerhalb kürzester Zeit die Website whichfaceisreal.com. Dort werden dem Besucher Fotopaare von menschlichen Gesichtern gezeigt, eines davon zeigt einen „echten“ Menschen, das andere ist ein künstlich erzeugtes Bild. Der Betrachter muss nun versuchen zu erraten, welches von beiden tatsächlich einen natürlichen Ursprung hat.

Zum Teil weisen die von der KI erzeugten Bilder noch recht offensichtliche Fehler auf – ein verschobener Haaransatz, verschwommene Bildhintergründe oder Körperteile erscheinen an Stellen, an die sie nicht gehören. Oft aber ist die Unterscheidung zwischen Künstlichkeit und „natürlicher Realität“ kaum noch möglich. Dem System gelingt es regelmäßig, den menschlichen Betrachter in die Irre zu führen. Die Qualität, die mit dieser Technik erreicht werden kann, ist so hoch, dass inzwischen sogar eine kommerzielle Bildagentur 100.000 KI-erzeugte menschliche Portraits als Stockfotos kostenfrei zum Download und zur Verwendung als Werbematerial feilgeboten hat.  Damit zeigt sich hier auch deutlich das vielbeschworene Disruptionspotenzial Künstlicher Intelligenz: mit einem Schlag könnten Models, Fotografen und auch Bildagenturen arbeitslos werden – und dies nicht erst in einer fernen und unbestimmten Zukunft.

Künstliches Bewegtbild: Deepfakes

Was mit (vermeintlichen) Schnappschüssen funktioniert, funktioniert auch mit Bewegtbild. Schon seit geraumer Zeit wird über sogenannte „Deep Fakes“ diskutiert, mit Hilfe von KI bearbeitete oder gänzlich erstellte Videos. Diesen können dazu verwendet werden, mittels gefälschtem, künstlich erzeugtem und unter Umständen kompromittierenden Bildmaterial eine mediale Öffentlichkeit zu schaffen, die nicht der Realität entspricht, sondern allein die Verfolgung von Manipulationszwecken zum Ziel hat. Denkbar ist hier ein breites Spektrum von Szenarien, vom „Einbau“ eines Prominenten in eine Sex-Szene in einem Pornofilm bis hin zu künstlich erzeugten Meinungsäußerungen eines Politikers, welche dessen angebliche moralische oder gesellschaftliche Verkommenheit belegen sollen.

Es wird zunehmend schwerer, hierbei Realität und Fälschung auseinanderzuhalten, was sich auch in einer erhöhten grundsätzlichen Skepsis niederschlägt. Exemplarisch dürfte der Fall des Präsidenten von Gabun, Ali Bongo, sein, der nach einer medizinischen Behandlung, vermutlich eines Schlaganfalles, längere Zeit nicht mehr in der Öffentlichkeit auftrat. Gerüchte, er sei verstorben, machten bald die Runde. Infolgedessen sah sich die Staatsmacht veranlasst, ein Video des Staatsoberhauptes mit einer Ansprache an die Nation zu veröffentlichen, um auf diese Weise der Behauptung dessen Ablebens zu widersprechen. Dies führte jedoch genau zum Gegenteil der erwünschten Reaktion: Viele zweifelten die Echtheit des Materials an und verdächtigten die Regierung der gezielten Manipulation, der künstlichen Erstellung des Filmmaterials, um den Tod des Präsidenten zu kaschieren. Die Aufregung mündete schließlich sogar in einen Putschversuch, der jedoch niedergeschlagen werden konnte:

Alternative Realitäten: Was ist künstlich, was ist echt?

Das Beispiel zeigt, dass sich die Unterscheidung zwischen künstlicher und „echter“ Realität für uns immer mehr zur medialen Herausforderung entwickelt. Das, was wir heute sehen und wahrnehmen, muss nicht mehr zwingend der Wirklichkeit entsprechen. Wir können uns auch nicht mehr sicher sein, ob der Gegenüber am Bildschirm ein echter Mensch aus Fleisch und Blut oder bloß ein Produkt von Pixeln ist.

Virtuelle und natürliche Welt wachsen auf diese Weise Stück für Stück zusammen. Die Unterscheidung, was echt und was künstlich ist, verliert offenbar immer mehr an Bedeutung. Darin spiegelt sich vielleicht auch der gesellschaftliche Rahmen, in dem wir uns bewegen, ein Stück weit wider, wo Fakenews und Filterblasen an Einfluss gewinnen und „Echtheit“ und Unverfälschtheit nicht notwendigerweise einen Maßstab darstellen.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

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.

Der Beitrag Künstliche Intelligenz schafft alternative Realitäten erschien zuerst auf Nerdwärts.de.

Es spricht einiges dafür, dass man den Ursprung der Geschichte der Künstlichen Kreativität auf diesen berühmt gewordenen Versuch von Google zurückgeführt werden kann: 2012 wurden einer Künstlichen Intelligenz wahllos „Youtube-Stills“, also Einzelbilder aus Youtube-Videos, „vorgelegt“, die diese dann sortieren sollte – und zwar, ohne dass man ihr die entsprechenden Kategorien vorgegeben hatte.

Dieser Vorgang ist in etwa vergleichbar mit einem Szenario, in dem man einem Menschen einen großen Stapel Fotos in die Hand drückt, mit der Bitte, diesen zu sortieren. Auf dessen Frage nach dem „Wie?“ – würde ihm entgegnet: „Denk Dir was aus!“. Die Kriterien hierzu müssten als eigenständig vom Sortierenden festgelegt werden. Vermutlich würde ein Mensch sich dann an bestimmten gemeinsamen Merkmalen orientieren, die er meint, auf den Bildern entdecken zu können, z.B. ähnliche Motive, Farben oder Situationen.

„Autodidaktisches Lernen“ einer KI

Nach einem vergleichbaren Ansatz ging auch das mit Bildern gefütterte künstliche neuronale Netzwerk vor, das Google selbst als Simulation eines kleinen, neugeborenen menschlichen Gehirns bezeichnete. Tatsächlich konnte die KI ähnliche Objekte in den Bildern ausmachen und sortierte diese entsprechend. Dabei entwickelte das System eigenständig Prüfkriterien, indem besonders häufig auftretende Merkmale „übereinandergelegt“ und „verstärkt“ wurden. Anhand der so entstandenen Prüfmuster erfolgte die Kategorisierung von Einzelbildern je nachdem, wie hoch die KI deren Übereinstimmungen mit den Merkmalen der Vergleichsexemplare bewertete.

Auf diese Weise legte das System verschiedene Klassifizierungen fest: Tatsächlich gelang es ihr Menschen auf den Bildern zu identifizieren und sogar Geschlechter zu unterscheiden. Das ist insofern bemerkenswert, als dass der KI das „Konzept“ Mensch überhaupt nicht klar sein konnte. Ohne zu wissen oder zu verstehen, was ein Mensch ist, war sie dennoch in der Lage, diesen – als offenbar sinnvolle – Bilderkategorie zu identifizieren und sogar Geschlechtsmerkmale dabei zu unterscheiden. Damit simulierte dieser Versuch auf künstlich-technische Weise erfolgreich die Mechanismen, wie sie womöglich bei Neugeborenen und Kleinkindern ablaufen, die ihre ersten und durch angeleitetes Lernen noch wenig beeinflussten Schritte in einer für sie neuen Welt unternehmen. Google verwendete in diesem Kontext auch den Begriff des maschinellen „autodidaktischen Lernens“.

Vom maschinellen Lernen zur künstlichen Kreativität

Aufschlussreich war jedoch auch die weiterführende Analyse dieser Methodik. Da, wie oben beschrieben, auf den Bildern bestimmte Merkmale verstärkt und mit identifizierten Mustern verglichen wurde, untersuchte man gespannt, wie die KI wohl mit Bildern umgehen würde, auf denen zumindest für das menschliche Auge „nichts“ zu sehen war, auf denen also keine optischen Strukturen und Konturen erkannt werden konnten. Und tatsächlich wendete das System die gleiche Vorgehensweise an: Auf einem Foto, auf dem ein Mensch nicht mehr als womöglich ein „weißes Rauschen“ erblicken konnte, „verstärkte“ die KI von ihr „wahrgenommene Elemente“ und glich diese mit anderen, bekannten Bildbestandteilen ab. Auf diese Weise „justierte“ die KI schrittweise ihre Entscheidung über das, was sie in dem Bild „wahrnahm“ und passte darüber den „Output“, ein zunehmend vom Ausgangszustand „verfremdetes“ Bild, schrittweise an. Das Ergebnis hatte mit dem Original optisch nichts mehr gemein, ein völlig neues Bild war somit entstanden.

KI und Künstliche Kreativität

Ein Vergleich von Ausgangs- und Endpunkt offenbarte keinerlei Ähnlichkeit oder Verwandtschaft: Die KI hatte etwas Neues geschaffen, sie war somit gewissermaßen „kreativ“ tätig geworden. Auch wenn, wie bereits beschrieben, zuvorderst die Fähigkeit des „Lernens“ – die wir vor allem dem Menschen und den Säugetieren zuschreiben –, mit dem Vorhandensein von Intelligenz verbunden wird, besteht vermutlich eine weitreichende Einigkeit, dass Kreativität ein zutiefst menschliches Kompetenzmonopol darstellt, welches ohne das Vorhandensein von „Geist“ und die entsprechenden intellektuellen Voraussetzungen nicht denkbar erscheint. In unserer allgemeinen Wahrnehmung setzt Kreativität vermutlich noch stärker die Existenz von Intelligenz voraus, als das in Bezug auf die Lernfähigkeit der Fall ist. Umso erstaunlicher mutet es an, wenn nun, wie in diesem Fall, eine Maschine scheinbar Fähigkeiten erworben hat, mit denen neue Dinge „erschaffen“ werden können.

In Folge dieser Erkenntnis ließ man der KI „gestalterisch“ freien Raum. Daraufhin entstand eine schier unzählbare Menge an neuen, autonom durch Computer generierten Bildern, an KI-geschaffenen „Kunstwerken“, teilweise mit verblüffendem, scheinbar intellektuellem Tiefgang.

KI komponiert Musik

In einem weiteren Schritt wurden dieses Prinzip und die Vorgehensweise auf andere Bereiche ausgedehnt. Die neuronalen Netzwerke lernten ebenso, Musik zu komponieren wie auch mehr oder minder eigenständig fiktionale Texte mit prosaischem Anspruch zu „verfassen“. Aus der Erkennung von Mustern in Musik lassen sich heute „vergleichbare“ Kompositionen ableiten – also autonomisiert aus bestehenden „Hits“ neue, ähnliche Songs erstellen, die die gleichen Eigenschaften wie das Original aufweisen, also auch die gleichen Zielgruppen ansprechen könnten.

Genutzt wird dies zum Beispiel beim „Soundbranding“, wenn eine bestimmte Klangformation zur akustischen Unterfütterung einer Marke beitragen soll. Wird bei den Adressaten eines Werbeclips beim Hören der Begleitmusik eine spezifische Stimmung ausgelöst, die sie eigentlich mit einem bekannten Lied, dem Original verbinden, so lässt sich diese Emotionalität unterschwellig mit der Marke verknüpfen. Man „erinnert“ sich an das ursprünglich gehörte Original und den natürlich idealerweise positiven Kontext und überträgt diese Einstellung auf das beworbene Produkt. Aus der intensiven Analyse der Zusammenhänge von Klängen und Emotionen lassen sich dann gezielt jeweils zum Markenkern „passende“ Kombinationen ableiten. Dies könnte dann unter anderem zu analytisch ermittelten Sound-Logos und kompletten akustischen Markenauftritten führen, deren Wirksamkeit nun, durch den Einsatz intelligenter Verfahren, auch belegbar und planbar wird.

Die Technologie der „GANs“

In jüngerer Zeit rückten zudem sogenannte „Generative Adversarial Networks“ („GAN“) zunehmend in den Fokus, die insbesondere bei der Erstellung künstlicher fotorealistischer Bilder zum Einsatz kommen. Der Begriff „adversarial“, zu Deutsch „kontradiktorisch“ oder „gegensätzlich“, bezieht sich auf die dabei zur Anwendung kommende „Gegenüberstellung“ zweier miteinander interagierender Netzwerke. Das eine, der „Generator“, erzeugt Elemente, die vom zweiten, dem „Diskriminator“, bewertet werden.  Das Generatornetzwerk erhält als Input ein zufälliges Signal und erzeugt daraus ein Bild. Das Diskriminatornetzwerk muss aus dem Vergleich mit „echten“ Bildern entscheiden, ob es sich bei dem vom Generator übergebenen Bild um einen Teil dieser Gruppe oder um ein „künstlich erzeugtes“ handelt.

Das „Trainingsziel“ des generativen Netzwerkes besteht darin, die Fehlerrate des diskriminierenden Netzwerkes dabei sukzessive zu erhöhen, es also zu täuschen, so dass letzteres die synthetischen Bilder als „echt“ einstuft. Da beide Netzwerke ihre Fähigkeiten im Laufe des Prozesses erhöhen – also auch der Diskriminator, die „Messlatte“ zunehmend für eine Einstufung als echtes Bild höher anlegt – verbessert sich damit auch „automatisch“ die fotorealistische Qualität der erzeugten Bilder. Die Netzwerke trainieren sich auf diese Weise gegenseitig.

KI-Kunst bei Christie’s

Weltweit Schlagzeilen machte in diesem Kontext die Erschaffung einer abstrakten Portraitreihe der (fiktiven) Familie „de Belamy“ durch eine KI – und deren anschließende Versteigerung bei Christie’s in New York. Ein Generatornetzwerk erzeugte „handgemalt“ erscheinende Bilder, denen der verwendete Diskriminator im Vergleich mit anderen, tatsächlich menschlich geschaffenen Kunstwerken trotz der tatsächlichen „synthetischen“ Erstellungsmethode gerade noch einen künstlerischen Ursprung zusprach. Bei einem Startpreis von immerhin US-$ 7.000 für das Gemälde des angeblichen Familienoberhauptes „Edmond de Bellamy“ wurden in der Auktion schließlich satte US-$ 432.500,00 erzielt.

Gemeinsamer Kreativprozess von Mensch und Maschine

Der Ansatz der GAN-Technologie findet inzwischen auch bei der Unterstützung menschlicher kreativer Prozesse Verwendung. Der Designer Philippe Starck setzte diese zur halbautomatisierten Ideenfindung in einem Projekt mit Autodesk für die Entwicklung eines neuen Stuhls ein. Dazu wurden mittels einer  „prototype generative design software“ nach Vorgaben des Designers verschiedene Optionen innerhalb dieses Rahmens von der KI ausgelotet. Dem Menschen obliegt dann die finale Entscheidungen welche Richtungen im weiter eingeschlagen oder welche Entwürfe schließlich umgesetzt werden sollen.

Für die Entwicklung von Computersystemen und Algorithmen markiert die Fähigkeit zur Kreativität auf dem Weg zur „menschlich“ werdenden Maschine sicherlich einen Meilenstein. Ähnlich wie das Lernen – oder sogar noch stärker – verkörpert dies eine Kompetenz, die wir intensiv und zwangsläufig mit dem Vorhandensein von Intelligenz verbinden. Natürlich laufen menschliche Kreativitätsprozesse auch auf andere, vielschichtigere und tiefergreifendere Weise ab. Dennoch dürfte unser Blick auf KI und unsere Beurteilung ihrer aktuellen und zukünftigen Leistungsfähigkeit durch diese Wahrnehmung wesentlich geprägt werden.

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.

Der Beitrag Künstliche Intelligenz und künstliche Kreativität erschien zuerst auf Nerdwärts.de.