Künstliche Intelligenz, Machine Learning, neuronale Netze – klingt wie Science-Fiction, ist es aber nicht. 2016 und 2017 waren die Jahre der künstlichen Intelligenz. Die ersten Alltagsanwendungen hatten ihren Durchbruch und auch in der politischen Debatte kam das Thema erstmals voll an – leider vor allem eher negativ. Dabei bietet künstliche Intelligenz große Chancen, weil sie erstens Aufgaben übernehmen kann, die bisher von Menschen erledigt werden mussten, und weil sie zweitens das Potenzial bietet, Erkenntnisse und darauf beruhende Entscheidungen schneller zu treffen, als Menschen es könnten. Gerade in der Energiebranche ist künstliche Intelligenz eine der Technologien, die uns einen großen Schritt näher an unsere Vision von effizienter und dezentraler Energieversorgungen bringen wird. Zeit also, sich mit dem Thema etwas genauer zu beschäftigen.

Was ist künstliche Intelligenz?

Künstliche Intelligenz kurz KI oder auch Artificial Intelligence ist ein Teilgebiet der Informatik, das sich bei diversen anderen Disziplinen wie der Statistik und der Psychologie bedient. Das Ziel von allen Formen künstlicher Intelligenz ist, autonome Agenten zu entwickeln, die ihre Umwelt wahrnehmen und selbstständig mit ihr interagieren. Diese Agenten können in verschiedensten Formen auftreten: klassisch als Roboter, als Chatprogramm bei Facebook oder als zugrundeliegende Software einer anderen Anwendung. Künstliche Intelligenz ist also insofern intelligent, als sie selbstständig lernt und in der Lage ist, Entscheidungen zu treffen oder Sachverhalte zu analysieren.

Von den Anfängen zu den jüngsten Erfolgen

Dem Wissenschaftler John McCarthy wird die erste Verwendung des Begriffs der künstlichen Intelligenz im wissenschaftlichen Rahmen in den fünfziger Jahren zugeschrieben. Er benutzte es, um Forschungsgelder für eine Fachkonferenz einzusammeln. Diese Fachkonferenz fand statt und gilt seit jeher als Startpunkt des wissenschaftlichen Zweigs der künstlichen Intelligenz.

Seither wuchs das Interesse an dem neuen wissenschaftlichen Gebiet stetig. Während die einen bereits von menschenähnlichen Robotern schwärmten, sprachen andere von nichts anderem als der fortschreitenden Automation unter einem anderen Namen. Teils wurde und wird künstliche Intelligenz auch heute noch mit Robotern assoziiert, dabei ist nicht jeder Roboter mit künstlicher Intelligenz bestückt. Hiervon spricht man nur, wenn Roboter autonom und ohne programmierte Routinen mit ihrer Umgebung interagieren.

Die Erfolge von künstlicher Intelligenz beweist man gerne anhand von Duellen zwischen Mensch und Maschine. Bereits 1996 gewann der Schachcomputer Deep Blue gegen den amtierenden Schachweltmeister Garri Kasparow (wobei es sich hierbei genau genommen gar nicht um eine „echte“ KI handelte). IBMs Computerprogramm Watson schlug schließlich 2011 zwei Kandidaten beim TV-Wissensquiz „Jeopardy“ und erst Anfang 2016 besiegte Googles AlphaGo Machine-Learning-System den amtierenden Go-Weltmeister im asiatischen höchst komplexen Strategiespiel. Bei letzterem wurde deutlich, warum KI so wertvoll sein kann. Die entscheidende Stelle ist diese: AlphaGo macht einen Zug, den weder der Gegenspieler noch die beiden Kommentatoren verstehen. Im Video kann man sich diese Stelle ansehen. Beide Kommentatoren sind verblüfft, weil der Zug auf den ersten Blick unsinnig erscheint. Etwas später stellt er sich aber als entscheidend heraus. Das Programm war also so intelligent, dass es einen Lösungsansatz wählen konnte, den selbst die besten Menschen ihrer Disziplin nicht verstehen konnten. Wie ist das möglich?

Machine Learning vs. Deep Learning vs. Neuronale Netze

Entscheidend für den Durchbruch künstlicher Intelligenz in den letzten zwei, drei Jahren waren vor allem zwei Dinge: Große und günstige Speicherkapazitäten sowie mehr Rechenleistung. Dies ermöglichte die Speicherung und Verarbeitung von riesigen Datenmengen (Big Data), die eine Grundvoraussetzung für künstliche Intelligenz sind. Im Prinzip füttert man Algorithmen mit einer riesigen Menge an Trainingsdaten. Dies war auch die Grundlage für AlphaGo, das mit 30 Millionen Positionen aus von Menschen bestrittenen Partien trainiert wurde. Diesen Ansatz nennt man Machine Learning oder maschinelles Lernen.

Oft fallen im Zusammenhang mit künstlicher Intelligenz die Begriffe „Machine Learning“, „Deep Learning“ und „neuronale Netze“. Strikt gesprochen, handelt es sich hierbei nicht um Disziplinen von KI, sondern um verschiedene Ansätze. Deep Learning mit Hilfe neuronaler Netze ist der derzeit vielversprechendste Ansatz in der künstlichen Intelligenz und wiederum ein Ansatz innerhalb des maschinellen Lernens. Auch hier füttert man das System mit Trainingsdaten. Diese laufen dann durch ein System an Knoten, das in Schichten angeordnet ist. Jeder Knoten nimmt eine Eingabe auf, multipliziert sie mit einem Faktor zwischen -1 und +1. Anschließend werden die Eingaben an die zweite Schicht aus Knoten weitergegeben, bis sie schließlich durch das neuronale Netz gelaufen sind. Durch die Anordnung in Schichten können immer komplexere Berechnungen durchgeführt werden. Die erste Schicht gibt ihr Ergebnis an die zweite Schicht weiter und so fort. Nachteil: Deep Learning mit neuronalen Netzen ist sehr rechenintensiv.

Die hohen Rechenanforderungen sind aber immer weniger ein Problem. Nach dem Mooreschen Gesetz verdoppelt sich die Rechenleistung eines Schaltkreises alle 18 Monate. Ein Blick auf die Rechenleistung eines 100,- € günstigen Smartphones verdeutlicht die enorme Entwicklung der letzten Jahre. Gleichzeitig werden Rechenleistung und Speicherkapazität immer günstiger, was Anwendungen von Deep Neural Learning mainstreamfähig macht. Welche Anwendungen von künstlicher Intelligenz es in der Energiebranche gibt, damit beschäftigen wir uns in einem nächsten Text.