Die Intelligenz des Schwarms und das Global Brain


Viele miteinander kommunizierende Individual-Intelligenzen ergeben in der Natur oft Super-Intelligenzen. Durch das Internet ist der Mensch viel stärker vernetzt und der Austausch von Informationen wird beschleunigt. Firmen wie Facebook und Twitter generieren einen Mehrwert durch Methoden des Machine Learning. Das durch die Auswertung von großen Datenmengen erlernte Verhalten der Benutzer kann vorhergesagt werden. KIs werden immer stärker Teil unserer Kommunikation. Dieses Mischwesen könnte zu einem globalen Gewissen der Menschheit werden.

Lässt man eine Menschenmenge die Anzahl der Murmeln in einem Glas schätzen, so bekommt man sehr unterschiedliche Antworten. Bildet man jedoch das arithmetische Mittel kommt man erstaunlich genau an das korrekte Ergebnis heran. Die "wisdom of the crowd" ist eine alte Erfindung.

Jeder hat sicherlich schon einmal die Starenschwärme über Rom gesehen, die sich in fantastischen Bewegungsmustern als amöbische Masse durch den Himmel schrauben. Biologen haben herausgefunden, dass jeder einzelne Vogel letztlich nur auf wenige nahe Nachbarn achtet und sein eigenes Verhalten aus der Bewegung der Nachbarn "errechnet". Auch in Fischschwärmen beobachten wir ähnliche Regeln, die auf ganz einfache physische Anziehungs- und Abstoßungsregeln reduzierbar sind.

Aber was soll an Bewegung, selbst in solch beeindruckender Koordination, nun intelligent sein? Letztlich ist für das Individuum relevant, wie viel sicherer oder länger das Leben in der Gruppe ist. Gerade bei eher einfachen Lebewesen wie Ameisen oder Bienen beobachten wir dennoch fantastische kognitive Leistungen, die nur durch das Kollektiv möglich werden. Allerdings ist es keine zentrale Instanz (und schon gar nicht die Königin), die für die Aktionen des Einzelnen verantwortlich ist. Vielmehr entsteht durch die dynamische Verkettung von Interaktionen zwischen den Tieren etwas Größeres als die Summe (oder der Mittelwert) der einzelnen Teile. Die Kolonie, der Schwarm, die Herde – das Kollektiv ist so etwas wie ein Überwesen, das durch die Selbstorganisation der Individuen lebendig (und oftmals sogar schlauer) wird.

Auch Menschen können als Schwarm individuelle Leistungen übertreffen. Die auf Schwarmintelligenz spezialisierte Firma unanimous.ai hat getestet, wie gut die Vorhersage von Super Bowl-Spielen über die Mittelwertbildung unabhängiger Vorhersagen von über 400 Football-Fans und im Vergleich dazu, das rückgekoppelte Schwarm-Votum von knapp 30 zufällig gewählter Fans ist. Der menschliche Schwarm konnte mit Hilfe einer App gemeinsam ein Votum "erspielen": In einer virtuellen Arena konnte jeder Nutzer mit einem virtuellen Magneten eine Metallkugel anziehen. In den Ecken der Arena befanden sich die Antwortoptionen, also z. B. welche Mannschaft das Match gewinnen wird. Die vom Individuum gewählte Position des Magneten beeinflusste somit die Bewegungsrichtung der Metallkugel.

Gab es nun verschiedene Meinungen im Schwarm, wurde es interessant und man konnte einige zentrale Eigenschaften von Schwärmen und Unterschiede zum Mittelwert-Votum beobachten: Erstens spielte die Zeit nun eine Rolle. Im Verlauf der Interaktion konnte die Metallkugel mehrmals die Richtung wechseln. Zweitens: Jedes Individuum beeinflusste alle anderen. Mit der gewählten Position des Magneten beeinflusste man die Stärke und Richtung der Anziehung. Drittens: Es gab Unterschiede in den Persönlichkeiten. Nicht jeder Mensch, selbst wenn er auf die selbe Antwort tippte, zeigte gleiches Verhalten. Wenn z. B. die Kugel in eine Richtung lief, die nicht der eigenen entsprach, so gab es sture Artgenossen, die ihre Gegenposition behielten – selbst wenn absehbar war, dass sie nicht gewinnen konnten. Andere versuchten, dritte Alternativen zu wählen, um den Pfad der Kugel hin zu einem Kompromiss abzuändern.

Durch die Komplexität menschlicher Persönlichkeiten und variable weiche Faktoren, wie die Motivation zu "gewinnen" oder das individuelle technische Geschick der Benutzer, kam der Schwarm zu einem Ergebnis, das überraschte. Bei der Vorhersage der Football-Ergebnisse war er in fast 70 Prozent der Vorhersagen korrekt, 20 Prozent genauer als die Mittelwertmethode und im Schnitt 40 Prozent besser als das einzelne Individuum.

Im Zeitalter des Internets können Menschen viel schneller und auch weiter kommunizieren. Es gibt unzählige Kanäle, über die Informationen fließen. Wer öfter U-Bahn fährt, der kann die Komplexität des Kommunikationsnetzwerks hautnah miterleben. Es schnattert, vibriert und blinkt aus dem Telefon. Andere Menschen nutzen gleich die analoge Mund-zu-Ohr Verbindung. Vielleicht liest jemand Buch oder Zeitung. Wenn jemand aus dem Fenster starrt, bleibt der Blick sicherlich an der nächsten Werbetafel hängen. Man kann nicht nicht kommunizieren!

Vieles, was unsere Gesellschaft hervorgebracht hat, ist letztlich das Resultat von komplexen, kreisenden, sich verstärkenden oder abschwächenden Informationsflüssen im menschlichen Kommunikationsnetzwerk. Der Erfolg eines neuen Produktes, die Akzeptanz der Biotonne und der Ausgang demokratischer Wahlen – der Schwarm entscheidet!

Durch die Methoden des Machine Learnings ist in den letzten Jahren ein besseres Verständnis dieser komplexen Prozesse möglich geworden. Die beiden wichtigsten Faktoren liegen allerdings schon intuitiv auf der Hand: Einerseits sind es die individuellen Unterschiede, die Persönlichkeiten, die definieren, wie jemand auf Informationen reagiert. Zweitens ist es dann die Verknüpfungsstruktur des sozialen Netzwerks, die letztlich entscheidet, wie Informationen von der Gruppe prozessiert werden.

Schauen wir uns einen Schwarm genauer an: Jede Person im Netzwerk stellt eine Recheneinheit dar, die ihre sensorischen Eingaben in Ausgaben, also z. B. einem Verhalten, überführt. Bei Menschen ist diese Verarbeitung sehr komplex, vor allem weil wir ein vergleichsweise gutes und langes Gedächtnis haben. Aber auch Ameisen und Bienen haben ein Gehirn und reagieren nicht alle gleich, selbst wenn man denselben Reiz präsentiert. Wir können Individuen also auf diese Stimulus-Response-Characteristic reduzieren. Die Ausgaben jedes Individuums können wiederum kommunikativen Charakter haben, also z. B. ein Tweet, ein Anruf oder aber auch subtilere Verhalten sein, die ein Gegenüber ohne Smartphone dekodieren kann. Diese Signale werden dann über das soziale Netzwerk (das analoge und digitale) transportiert und stellen wiederum einen Teil der Eingaben jedes verbundenen Knotens dar. Das Netzwerk kann ganz verschiedene Verknüpfungsmuster aufweisen. In einem Vogelschwarm sind typischerweise immer die direkten Nachbarn verbunden, Menschen jedoch können global kommunizieren und soziale Netzwerke sind komplexer und variabler als im Vogelschwarm. Im Internetzeitalter ist ein Großteil unserer Kommunikation technisch registrierbar (vor allem die langreichweitigen) und wir können das soziale Netzwerk (fast) in Echtzeit untersuchen.

Firmen der Digitalwirtschaft, allen voran Google und Facebook, haben Machine Learning benutzt, um für den Nutzer einen Mehrwert zu schaffen. Grundlage dafür ist, zunächst aus den vielen Daten, die wir täglich durch unser Verhalten in der digitalen Welt erzeugen, unsere individuelle Antwortcharakteristik zu "erlernen". Wenn man z. B. weiß, welche Filme ein Benutzer mag, kann man vorhersagen wie gut er einen anderen, noch unbekannten Film findet. Ist diese Vorhersage gut, freut sich der Benutzer über einen entsprechenden Hinweis.

Diese sogenannten "recommendation systems" fußen auf einer sinnvollen Annahme: Wenn ein ähnlicher Nutzer ein Produkt mag, dann wirst Du es auch mögen. Die Ähnlichkeit zwischen Nutzern wird durch die Ähnlichkeit ihrer Produktbewertungen abgeschätzt. Intern wird eine Matrix aufgebaut, die für jeden Nutzer eine Zeile aufweist. Die Produkte korrespondieren zu den Spalten und die Einträge enthalten Zahlenwerte, die die vom Nutzer gegebene Bewertung reflektieren. Nun gibt es sicherlich verschiedene Gründe, warum Nutzer 1 den Film A mochte. Das können bestimmte Schauspieler sein, die er mag, Lieblingsregisseure, bestimmte Themen, usw. Diese versteckten Gründe nennt man latente Variablen und auch die Nutzer haben latente, also nicht sichtbare Eigenschaften, die sie untereinander teilen – oder eben nicht. Mit der Nichtnegativen Matrix Faktorisierung kann man einen bestehenden Datensatz benutzen, um diese latenten Variablen zu bestimmen. Die Matrix, die die Filmbewertungen der Nutzer beinhaltet, wird faktorisiert, also in ein Produkt zweier Matrizen aufgespalten. Diese Matrizen können durch ein bekanntes Verfahren im Machine Learning, den Gradientenabstieg, schrittweise "erlernt" werden. Wenn es genug Daten für diesen Optimierungsprozess gibt, dann kann man die Matrizen dazu nutzen, eine Filmbewertung für einen bestimmten Nutzer vorherzusagen. Wenn diese prädizierte Bewertung hoch ist, dann wird der Film dem Benutzer sehr wahrscheinlich gefallen und somit vorgeschlagen.

Die künstlichen Intelligenzen mischen sich also so langsam aber sicher in unser Kommunikationsnetzwerk. Sie filtern und bündeln die menschliche Kommunikation, sie formen damit auch den Informationsfluss durch das Netzwerk. Methoden der KI können künstliche, aber sehr realistische Bilder oder Tonspuren erzeugen und damit den Menschen täuschen. Und KIs sind mittlerweile nicht nur Schnittstellen oder Werkzeuge für die menschliche Kommunikation. In der digitalen Welt können sie durch die Fortschritte des Natural Language Processing selbst ein vollwertiger Kommunikationspartner werden.

Doch auch ohne App und KIs interagieren Menschen. Der Schwarm kann dann auch reichlich Dummes tun. Unzählige Beispiele für kollektives Verhalten, das besser ungetippt geblieben wäre, lassen sich täglich auf Twitter oder Facebook verfolgen. Schnell sind Vorurteile und Verurteilungen gemacht, die Masse hat sich auf eine Antwort eingeschossen, die sich einen Tag später im Lichte neuer Informationen als ganz peinlich falsch herausstellt. In den letzten großen demokratischen Wahlen, der amerikanischen Präsidentschaftswahl und dem britischen Volksentscheid zum Brexit, wurde offenbar, dass gezielte Kampagnen, die auf der Grundlage einer präzisen Zielgruppenanalyse konzipiert wurden, einen großen Effekt auf die Schwarmdynamik haben können.

Unabhängig davon, ob wir die Wahl von Trump oder für den Brexit als intelligent empfinden, müssen wir uns immer mehr als hybriden Schwarm begreifen. Spätestens wenn in ein paar Jahren autonome Fahrzeuge zusammen mit menschlichen Fahrern im Stau stehen, wird dieser Prozess auch physisch erfahrbar.

KI wird stärker genutzt werden, um menschliches Verhalten vorherzusagen.

Nicht nur um bessere Werbung zu schalten oder eine politische Agenda durchzusetzen, sondern auch, um Unfälle zu verhindern und Leben zu retten. Und vielleicht wird es ja auch eine KI sein, die uns hilft, trennende Barrieren wie Sprachen und Kulturen zu überwinden.

Kommentare
Einen Kommentar schreiben
Entschuldigung

Ihr Browser ist leider nicht aktuell genug.
Um diese Webseite zu benutzen, benötigen Sie einen aktuellen Browser
Wir empfehlen einen der folgenden Browser in der aktuellsten Version zu installieren.

Auf iOS Geräten sollte mindestens die Betriebssystem Version iOS 9 installiert sein.

Mozilla Firefox Google Chrome Microsoft Edge Internet Explorer