Alles ändert sich – immer schneller. Manch einer kommt da gar nicht mehr hinterher. Doch die meisten Menschen stehen den beständigen Entwicklungen positiv gegenüber. Auch wenn wir das Hoverboard aus „Zurück in die Zukunft“ noch immer nicht erfunden haben, sind technologische Entwicklungen spannend und an jeder Ecke zu finden. Das gilt auch für das digitale Lernen.
Zwar ist eLearning selbst keine wirklich neue Erfindung, doch, wie ich schon in früheren Artikeln schrieb, entwickelt sich auch dieser Bereich stetig weiter. Das „Hoverboard des eLearnings“ ist wahrscheinlich die Künstliche Intelligenz, kurz KI. In diesem Beitrag soll es daher um Grundwissen gehen, welches für das Verständnis der aktuellen Entwicklungen nötig ist.
Das kannst du mitnehmen:
Ein großes Hindernis für eLearning sind die hohen Kosten (finanziell und zeitlich) für die Entwicklung von Inhalten. Einer Umfrage der Chapman Alliance zufolge kann die Entwicklung einer Stunde eLearning-Inhalte zwischen 49 und 125 Stunden dauern. Da ist es leicht zu erkennen, wie sich die Kosten addieren. Obwohl eLearning aufgrund seiner Wiederholbarkeit auf lange Sicht Kosten spart, kann es dennoch ein Hindernis für Unternehmen darstellen, die sich die Erstinvestition nicht leisten können. Hier kann die KI eingreifen.
Der Unterschied zwischen KI und maschinellem Lernen ist ziemlich verwirrend. Während viele große Unternehmen beide Begriffe synonym verwenden, ist gar nicht dasselbe gemeint. Es hängt zwar miteinander zusammen, unterscheidet sich aber trotzdem.
Man kann Künstliche Intelligenz als Computersysteme definieren, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören beispielsweise visuelle Wahrnehmung, Spracherkennung und Entscheidungsfindung. Doch was hebt die KI nun vom maschinellen Lernen ab?
Nehmen wir dazu ein Beispiel. Wenn ein Computer Informationen über Insekten sammelt, speichert und im Laufe der Zeit eine immer größere Datenbank besitzt, betrachtet man dies als maschinelles Lernen. Wenn dieser Computer die Insekten dann anhand der gesammelten Informationen selbstständig kategorisiert, könnte man das als Künstliche Intelligenz bezeichnen. Das bedeutet, der Computer verwendete die KI, um die Insekten basierend auf den gesammelten Informationen zu kategorisieren, die er während des maschinellen Lernens erfasst hatte. Die KI bedingt also vorausgegangenes maschinelles Lernen.
Um besser zu verstehen, wie Künstliche Intelligenz das eLearning zukünftig beeinflussen wird, müssen wir noch ein wenig tiefer in die Materie eintauchen. Dazu ist auch ein tiefer gehendes Verständnis des maschinellen Lernens notwendig. Es ist ein System, in dem ein Computer ohne explizite Programmierung lernen kann. Bis vor einigen Jahren war das, was damals als KI bezeichnet wurde, noch aus einer Reihe von statischen Parametern, die von einem Entwickler geschickt vorprogrammiert wurden.
Maschinelles Lernen kann in 3 Kategorien unterteilt werden:
Maschinen werden mit Daten in Form von Fragestellungen gefüttert, welche gut beschrieben und mit richtigen Lösungen versehen sind. Sie werden diese Daten verarbeiten und nach Abschluss des Trainings auf unbekannte Daten anwenden. Die Genauigkeit ergibt sich aus der Größe des zuvor erlernten Datensatzes.
Beispiel: Datensätze zu Insekten, bei denen die Maschine Informationen zu jeder einzelnen Art sammelt.
Maschinen erhalten bestimmte Daten (d. h. in einer bestimmten Kategorie), die jedoch nicht gekennzeichnet oder beschrieben sind.
Beispiel: Daten über Insekten, aber keine zusätzlichen Informationen, wie diese Daten zu verstehen sind.
Maschinen erhalten unbeschriebene Daten, die nach der Verarbeitung vom Computer bewertet werden. Dies bedeutet, dass dem Computer mitgeteilt wird, welcher Output vorgesehen ist, sodass er die Entscheidungen zu diesem Output, verstärkt lernen kann. Diese Methode erfordert allerdings viele Datensätze, um genau zu sein.
Beispiel: eine Schachpartie. Die Maschine hat keine vorprogrammierten Züge (abgesehen von den Spielregeln), aber das Ergebnis (Output) ist bewertet, sodass der Computer weiß, ob er gewonnen oder verloren hat. Wenn er gewonnen hat, kann er die zuvor getroffenen Spielzüge (Entscheidungen) bei der nächsten Partie verstärkt anwenden.
Während wir durch die Entwicklung des maschinellen Lernens auch im Bereich der KI voranschreiten, werden neue Techniken entwickelt, um die Effektivität zu verbessern und uns ständig in Richtung einer echten Autonomie der KI zu bewegen. Gemeint ist hier ein künstliches neuronales Netzwerk. Dahinter verbirgt sich die Idee des Deep Learning, also der Fähigkeit selbstständig zu denken. Doch dazu später mehr.
Zunächst müssen wir verstehen, was ein künstliches neuronales Netzwerk überhaupt ist. Es handelt sich vereinfacht gesagt um einen Nachbau des menschlichen Gehirns und des Nervensystems. Im Prinzip ist es eine Technik, die man beim maschinellen Lernen anwendet. Es besteht aus einem Netzwerk von Neuronen, die man sich als Zellen vorstellen kann, welche mehrere Eingänge haben und jeweils nur einen Ausgang. Bei diesem künstlichen Neuron lassen sich nun der Schwellwert und die Gewichtung einstellen. Das bedeutet, dass vorgegeben werden kann, wann und welche Information aus den Eingängen weitergegeben werden soll. Mehrere solcher Neuronen werden dann zu Netzwerken zusammengefasst.
Sehr vereinfacht gesagt funktioniert ein neuronales Netzwerk wie ein Trichter, der alle eingehenden Informationen filtert und daraus ein Ergebnis ableitet. Ein Beispiel dafür ist die umgekehrte Bildersuche bei Google. Wird dort ein Foto von einem mit einem Ball spielenden Hund neben einem Baum auf einer Wiese hochgeladen, teilt man jedem Pixel ein eigenes Neuron zu. Je nach Gewichtung entscheidet die Neuronen, ob die Daten weitergegeben werden oder nicht. So erhält man am Ende des Netzwerks das Ergebnis, Katze, denn alle anderen Informationen wurden herausgefiltert.
Doch das nur als kleiner Exkurs, denn worauf es uns ankommt ist, dass künstliche neuronale Netzwerke trainierbar sind. Die Parameter Gewichtung und Schwellwert sind – wir erinnern uns an das verstärkte Lernen – änderbar. Die erfolgreiche Bildersuche auf Google funktioniert also nur, weil man zuvor das künstliche neuronale Netzwerk mit Tausenden von Bildern und gefüttert hat, bei denen es wusste, ob am Ende ein Hund, ein Baum oder ein Ball als Ergebnis herauskommen sollte.
Auf der anderen Seite ist Deep Lerning komplizierter, da es aus mehreren verborgenen Schichten besteht und ein weitaus komplexeres Netzwerk erzeugt, das man als "tiefes neuronales Netzwerk" bezeichnet. Hier beginnt die KI sehr interessant zu werden, denn Deep Learning ist genau der Sprung zur Selbstständigkeit. Somit muss dem Computer nicht mehr erklärt werden, was zu tun ist, sondern es werden Beispiele vermittelt, damit der Computer lernt, wie er in anderen Situationen vorgehen kann. Der Sprung von vordefinierten Schritten zu vordefinierten Modellen.
Deep Learning hat das KI-Feld in letzter Zeit weit vorangebracht und in Bereichen wie der Sprach- und Bilderkennung unglaubliche Ergebnisse erzielt. Im nächsten Beitrag werden wir uns daher anschauen, welche Fortschritte das für unser Thema eLearning bedeutet.
Liebe Grüße
Lars
Quelle:
