Top 5 der AI Fachliteratur

Zwischen den Zeilen: Künstliche Intelligenz in der Fachliteratur

Auch bei uns im Team haben alle einmal klein angefangen. Wir haben gelernt, zugehört, Erfahrungen gemacht - wie das so geht auf dem Weg zum AI-Crack. Natürlich haben wir auch viel gelesen. Einige der Bücher stellen wir hier vor; unsere ganz persönliche Top 5 in Sachen Fachliteratur zum Thema Artificial Intelligence.

Martin Bäumler empfiehlt Nick Bostrom: Superintelligenz

Mit Superintelligenz legt Nick Bostrom, schwedischer Philosophieprofessor an der Universität Oxford und Mitbegründer des Weltverbandes der Transhumanisten, eine spekulative Warnung vor. Wenn sich die Menschen nicht Gedanken machten, wie intelligenten Robotern und Computern moralische Schranken hinzu programmiert werden könnten, liefen wir Gefahr, von diesen Maschinen überholt zu werden. Das setzt zum einen voraus, dass die derzeitigen Entwicklungen von künstlicher Intelligenz darauf hinauslaufen, dass Computer der Zukunft ein eigenständiges Vorgehen selbst entwickeln können. Und zum anderen, dass deren Eigenständigkeit konträr der menschlichen Interessen verläuft.

Darauf aber, so suggeriert Bostrom, würde eine „Intelligenzexplosion“ hinauslaufen. Die erfolgt, sobald die Eigenständigkeit von Computern durch Menschen nicht mehr in Zaum gehalten werden kann. Dies sei keine Sci-fi-Fantasie mehr, denn das derzeitige Vorgehen von Unternehmen wie Google & Co. bei der Entwicklung künstlicher Intelligenz entspräche dem von Kindern, die mit Dynamit spielten. Spätestens 2075, so prophezeiten Experten, werden Maschinen entwickelt worden sein, die eben das könnten: sich selbst optimieren und weiterentwickeln, ohne dass Menschen darauf einen Einfluss nähmen.

Um dem Gefahrenfall vorzubeugen, entwickelt Bostrum diverse Gedankenexperimente, wie dem vorab zu begegnen sei. Eine Möglichkeit scheint ihm die „indirekte Normativität“ zu sein: Der Computer entwickelt seine eigene Ethik, die sich nicht gegen die Menschen stellen kann. Bostrom betrachtet die Szenarien der künstlichen Intelligenz mit einem langfristigen Zeithorizont: Vom Gehirn Slicing bis zu einer theoretischen Superintelligenz. Packend erzählt.

Christian Beckmann empfiehlt Sebastian Raschka: Python Machine Learning

Python ist eine beliebte Programmierprache für Maschinelles Lernen. Das Buch Python Machine Learning von Sebastian Raschka (2015) ist eine Anleitung zum Programmieren maschineller Lernmodelle: Ein sehr gutes Buch für den praktischen Einstieg in das Thema Machine Learning mit Python.

Zunächst geht es dem Autor darum, dass Programmierer erkennen, welche der unterschiedlichen Modelle maschinellen Lernens für die jeweiligen Daten am besten sind. Dazu gibt es Anleitungen, wie neurale Netzwerke mit den Python-Bibliotheken Keras und Theano gebaut werden können. Raschka vermittelt zudem, wie sauberer Code zu schreiben sei, um die Algorithmen zu optimieren, und wie das programmierte Modell in die Internetanwendung zu implementieren ist.

Mit den maschinellen Lernmodellen können Zielergebnisse einer Website mittels regressiver Analyse vorhergesagt, versteckte Verhaltensmuster mittels Clusteranalyse entdeckt und Daten durch Pre-processing – einer Vorauswahl relevanter Informationen – effektiv ausgewertet werden. Auch können Sentimentanalysen angewandt werden, um tiefer in die sozialen Mediendaten einzusteigen. Dafür bedient sich das Buch der Vielzahl von Open-source-Bibliotheken, die in den letzten Jahren entstanden sind und mittels derer Programmierer schnell in das maschinelle Lernen einsteigen werden.

Christian Beckmann empfiehlt Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning

Die 2016 erschienene Einleitung in das Deep Learning von Ian Goodfellow, Yoshua Bengio und Aaron Courville ist für Einsteiger in das Thema gedacht. Das „tiefgehende Lernen“ bezeichnet Optimierungsmethoden künstlicher neuraler Netze. In dem Prozess werden jeweils neue Schichten von verarbeiteter Information an jeweils eine nächste Schicht weitergegeben und dabei zunehmend abstrahiert bis sie zu einer sichtbaren Ausgabe, der letzten Schicht, gelangen. Innerhalb dieser Prozesse sind keine menschlichen Interventionen mehr nötig, denn der Computer lernt komplizierte Konzepte aus dem hierarchischen Zusammenwirken von einfachen Konzepten.

Die drei Autoren haben das Buch in drei Abschnitte strukturiert. Zunächst bringen sie Algebra, Wahrscheinlichkeits- und Informationstheorien und maschinelles Lernen ins Spiel, um danach im zweiten Teil die von der Industrie angewandten Techniken des Deep Learnings zu vermitteln. Darunter die feedforward (nicht zirkulative) Netzwerke, Regularisierung, Optimierungsalgorithmen, Convolutional Neural Networks (faltendes neurales Netzwerke) und Sequenzmodelierung. Danach erläutern sie die praktischen Anwendungsbereiche: Das Natural Language Processing, Spracherkennung, Computer vision, Online Empfehlungssysteme, Bioinformatik und Games.

Im letzten Abschnitt erläutern die Autoren die fortgeschrittenen Forschungsfelder. In sieben Kapiteln kommen unterschiedliche theoretische Modelle von Autoencodern über Monte Carlo-Simulation bis zu den Deep Generative Models. Leser erhalten sowohl praktische Informationen sowie theoretische Einsichten in das Thema.

Erik Meijer empfiehlt Peter Norvig und Stuart J Russell: Artificial Intelligence, a modern approach

Schon in seiner dritten Überarbeitung erscheint Artificial Intelligence, a modern approach, ein Kompendium zur künstlichen Intelligenz (KI) von Peter Norvig und Stuart J Russell, das jeder ML/AI-Experte kennen sollte. Auf knapp 1200 Seiten bietet das Buch eine Einführung zu Theorie und Praxis auf jedem Gebiet der Computerentwicklung, das sich mit Lernverhalten von und für Maschinen auseinandersetzt. Die erste Fassung erschien schon 1995, die dritte 2009.

Sieben Abschnitte erläutern das Thema. Der erste, „Artificial Intelligence“ (Künstliche Intelligenz), beschreibt Schnittstellen, die intelligente Entscheidungen treffen können und führt so in das Thema ein. Der zweite mit dem Obertitel „Problem-solving“ (Problemlösungen) beschreibt Methoden, die vorausschauende Aktionen entwickeln lassen, wie etwa bei Schachcomputern. Teil 3 behandelt unter „Knowledge, reasoning, and planning“ (Wissen, Folgerung und Planung) das Darstellen von Wissen im Umfeld der KI und wie dieses Wissen logisch weiterentwickelt wird. Darauf folgt im vierten Teil „Uncertain knowledge and reasoning“ (Unsicheres Wissen und Folgerungen) die Fortsetzung: Es geht um unsichere Voraussetzungen für das logische Verfahren. Darauf folgt endlich ein Abschnitt über das Lernen der Maschinen: Wie können Kenntnisse in Entscheidungsmodulen generiert werden. Außerdem wird das künstliche neuronale Netz vorgestellt. Im sechsten Teil werden kommunikative Elemente untersucht: Wie nimmt die Maschine durch Tast- oder Sehvermögen die Umgebung wahr. Der letzte Teil schließlich behandelt die Vergangenheit und Zukunft von KI und rundet die Betrachtungen mit ethischen und philosophischen Fragen ab.

Erik Meijer empfiehlt Toby Segaran: Programming Collective Intelligence

Programming Collective Intelligence von Toby Segaran aus dem Jahr 2007 behandelt sogenanntes Data mining und maschinelle Lernalgorithmen für Online-Verhalten und benutzergenerierte Inhalte in der Programmiersprache Python. Dabei geht es um die Auswertung von größeren Datenbeständen zur Auswertung von Trends und Querverbindungen. Das Buch bietet Anleitungen für Webprogrammierer, um an Dateninformationen von Internet-Nutzern zu gelangen. Es sei allen, die auf dem Gebiet von ML und KI arbeiten, wärmstens empfohlen. Suchmaschinen, Ranking, social Bookmarking wie die Website del.icio.us – welche Informationen können genutzt und wie ausgewertet werden? Wie werden Filter gebaut, die es Online-Händlern ermöglichen, den Website-Besuchern passende Werbung oder Kaufanregungen zu präsentieren? Wie kann ein Programm erlangtes Wissen weiter ausbauen? Wie wird optimiert, gefiltert oder klassifiziert? Für diese Formen maschinellen Lernens bietet Segaran konkrete Codes an.

In Kapitel 11 kommt Segaran schließlich auf Genetic Programming zu sprechen, einer an biologischen Theorien der Evolution geschulten Form des maschinellen Lernens. In vorgegebenen Parametern werden Programme auf Probleme angesetzt. Aus dem daraus resultierenden Wettbewerb werden die besten Algorithmen ausgewählt und modifiziert: entweder als Mutation oder als Kreuzung mit einem anderen Algorithmus, woraus wieder neue und immer bessere Programme entstehen. Um die genetischen Programme zu testen, müssen sie sich immer neu beweisen. Bei Spielen etwa können sie verbessert werden, wenn sie zunächst gegen ebenbürtige, programmierte Gegner antreten und erst in weiteren Nachgängen, wenn sie schon gut spielen können, auch gegen reale Personen.

Olaf Erichsen empfiehlt Pedro Domingos: The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World

In seinem 2015 erschienen Buch The Master Algorithm beschreibt Pedro Domingos seine Vision eines einzigen Algorithmus’, der alle anderen Lernalgorithmen intelligenter Systeme subsumiert. Wenn es heute lernfähige Systeme in unterschiedlichen Bereichen gibt – sei es bei Kreditkarten, Suchmaschinenverläufen oder anderen Verfahren –, so wird es in der Zukunft nur noch den einen geben.

Domingos, Professor an der Universität Washingtons, beschreibt die Geschichte lernfähiger Maschinen, wie sich die Konzepte über verschiedenste Kanäle bis heute entwickelt haben. Dazu verwendet er eine zugängliche Sprache, denn das Buch ist auch an den interessierten Laien gerichtet.

Um zu erläutern, was bei der Entwicklung dieser künstlichen Intelligenz noch fehlt, verwendet der Autor geographische Metaphern. Der Master Algorithm ist die Zentrale einer Stadt von Symbolisten, Connectivisten, Evolutionären, Bayesianern und Analogisierern. Symbolisten glauben, durch die Manipulation von Symbolen zu lernen. Connectivisten wollen das Gehirn nachbilden. Evolutionäre schreiben darwinistische Programme. Bayesianer denken in Anlehnung an Thomas Bayes, dass alles Erlernte unsicher ist, während Analogisierer durch vergleichende Codes Vorhersagen machen. Anhand der Darstellungen, was diese jeweiligen Bezirke zur technischen Entwicklung beitrugen, entwickelt Domingos seine Hypothese einer globalen Recheneinheit.

Die Privatsphäre kommt zum Schluss eher kurz ins Spiel. Domingos schlägt Datengewerkschaften vor, die über persönliche Daten wachen. Dies solle ein Gegengewicht zu allmächtigen Staaten oder Unternehmen bilden.

Jane Truemner

Jane Trümner empfiehlt Ethem Alpayden: Introduction to Machine Learning

Introduction to Machine Learning von Ethem Alpayden, Professor für Informatik an der Bogazici Universität in Istanbul, ist als Einführung zum Thema konzipiert und erstmals 2004 veröffentlicht worden. Ich habe es geschenkt bekommen, als ich zum Projekt eLIZA stieß.

Unter maschinellem Lernen werden Computerprogramme verstanden, die in der Lage sind, Beispieldaten oder Erfahrungswerte anzuwenden, um Probleme zu lösen. Viele Anwendungen sind bereits erfolgreich im Einsatz: Gesichts- und Spracherkennung etwa oder optimiertes Roboterverhalten, das wenig Ressourcen verwendet.

Diese im englischen Originaltitel noch explizit herausgestellte Introduction to Machine Learning nähert sich dem Thema mit breit aufgestellter Sichtweise. Hier werden Statistik, Mustererkennung, Neural Networks, künstliche Intelligenz, Signalverarbeitung, Kontrolle und Data mining ins Feld geführt. Und alle Algorithmen werden erklärt, um die praktische Anwendung von der Gleichung bis zur Programmierung einfach zu gestalten.

Im Detail geht Alpayden ein auf die Bayes’sche Wahrscheinlichkeitstheorie, Schätzungsmethoden, multivariate Verfahren, Dimensionsreduzierung, Clustern, nicht-parametrische Verfahren, Entscheidungsbäume, Diskriminanzfunktion, mehrlagige Perzeptrone und versteckte Markov Analyse. Schließlich bleiben auch klassifizierende Algorithmen, multiple Lernmodelle und bestärkendes Lernen nicht außer Acht. Die Stärken des Buchs liegen also in der Darstellung der statistischen Aspekte.

Das englischsprachige Original ist 2015 in einer dritten, erweiterten Fassung veröffentlicht worden, die auch die neuesten Entwicklungen mit einbezieht. Eine deutsche Übersetzung dieses weltweit als gut verständliche Darlegung rezipierte Standardwerk erschien 2008.

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