EKI00 - Einführung in die Künstliche Intelligenz

Was "Künstliche Intelligenz" bedeutet, wie sich das Feld von Turing über den Dartmouth-Workshop und den KI-Winter bis zur allgegenwärtigen KI von heute entwickelt hat, welche Teilgebiete der Kurs behandelt und wie Organisation, Klausur und Literatur geregelt sind.

Überblick

Dieses einführende Kapitel spannt den roten Faden für den gesamten Kurs "Einführung in die künstliche Intelligenz" (EKI). Es beantwortet drei Leitfragen: (1) Was ist KI überhaupt und wie lässt sich das Feld strukturieren (KI-Landkarte)? (2) Woher kommt die KI - eine kurze Geschichte von den Anfängen über Hype und KI-Winter bis heute, eingeordnet in den Hype-Zyklus. (3) Was behandelt dieser Kurs konkret - die einzelnen KI-Teilbereiche (Machine Learning, Wissensrepräsentation, Computer Vision, NLP, Unsupervised Learning, ethische Aspekte), die Rolle von Python sowie die organisatorischen Rahmenbedingungen (Praktikum, Mini-Tests, Klausur).

Der Foliensatz stammt von Prof. Dr. A. del Pino und enthält Material von Prof. B. Humm und Prof. F. Heinrichs.

Die Gliederung ("Aufbau") des Kapitels ist:

• Organisation
• "Künstliche" Intelligenz (KI)
• Eine kurze Geschichte der KI
• Kursaufbau
• Literatur
• Mini-Test

---

Organisation

Vorwissen und Erwartungen

Zum Einstieg wird nach dem Vorwissen der Studierenden in Künstlicher Intelligenz (KI) und Python sowie nach den Erwartungen an den Kurs gefragt. Der Kurs setzt kein tiefes KI-Vorwissen voraus, Python-Grundkenntnisse sind aber hilfreich.

Vorlesung und Praktikum

Der Kurs ist in neun Themenblöcke gegliedert. Jeder Block besteht aus:

• einem Vorlesungsteil,
• einem Mini-Test,
• einer Aufgabe und
• einem Code-Review (bzw. beim vorletzten Thema einer Präsentation statt eines Code-Reviews).

Element	Zweck / Regel
Vorlesungen	Nur soviel Theorie wie notwendig. Das Material enthält viele Tipps zur konkreten Umsetzung in KI-Anwendungen.
Mini-Tests	Dienen der Selbstüberprüfung während des Semesters, um Lücken zeitnah und gezielt zu schließen.
Aufgaben	Themenbezogen, allein oder zu zweit bearbeitbar. Für das Praktikumstestat müssen alle Aufgaben bearbeitet und rechtzeitig in Moodle hochgeladen sein.
Code-Reviews / Präsentation	Die Präsentation zu ethischen Aspekten der KI sowie die aktive Teilnahme an mindestens vier Code-Reviews eigener Wahl sind Voraussetzung für das Praktikumstestat.

Der didaktische Ansatz ist eine Art Blended Learning: Vorlesungs- und Praktikumstermine sind eng miteinander verflochten. Der genaue Ablauf steht als separater Lernplan (PDF) auf Moodle.

Klausur

• Am Ende des Semesters findet eine schriftliche Klausur statt.
• Dauer: 90 Minuten.
• Die praktischen Anteile sind für die Klausur genauso wichtig wie die Vorlesungsinhalte.
• Voraussetzung: das EKI-Praktikumstestat.
• Zugelassenes Hilfsmittel: ein beidseitig handbeschriebenes (also kein Ausdruck) DIN-A4-Blatt.
• Nicht zugelassen: jegliche elektronische Geräte (Notebook, Smartphone, Taschenrechner, ...).

Empfohlene Literatur (organisatorisch)

• Bernhard G. Humm: "Applied Artificial Intelligence - An Engineering Approach", 2nd edition, LeanPub, 2020.
  • Als PDF für Studierende kostenlos verfügbar unter https://leanpub.com/AAI
  • Zu den Themenblöcken passende Inhalte sind ebenfalls klausurrelevant.

---

"Künstliche" Intelligenz (KI)

Was bedeutet "Künstliche Intelligenz"?

Künstliche Intelligenz sind Maschinen oder Software-Anwendungen, die das Verhalten menschlicher Intelligenz zeigen.

Menschliche Intelligenz (illustriert am Beispiel spielender Kinder im Sandkasten) umfasst mehrere Fähigkeiten, die eine KI nachbilden möchte:

• Wahrnehmen (perceiving): sehen, hören, fühlen, ...
• Lernen, Wissen, Nachdenken (learning, knowing, reasoning): denken, planen, ...
• Kommunizieren (communicating): sprechen, schreiben, ...
• Handeln (acting)

mindmap
  root(("Menschliche Intelligenz"))
    Wahrnehmen
      "sehen, hören, fühlen"
    "Lernen / Wissen / Nachdenken"
      "denken, planen"
    Kommunizieren
      "sprechen, schreiben"
    Handeln

Die KI-Landkarte

Die KI-Landkarte (Bildquelle: B. Humm, "Applied Artificial Intelligence", S. 4) ordnet die Teilgebiete der KI. Sie ist entlang einer vertikalen Achse organisiert:

• Acquiring intelligence (Intelligenz erwerben) - unten
• Applying intelligence (Intelligenz anwenden) - oben

Im Zentrum stehen zwei sich überlappende Paradigmen:

• Non-symbolic AI / Machine Learning (nicht-symbolische KI, datengetrieben)
• Symbolic AI / Knowledge-based AI (symbolische, wissensbasierte KI)

Um dieses Zentrum liegen sechs Fähigkeitsbereiche mit typischen Techniken:

Bereich	Zuordnung	Techniken / Beispiele
Perceiving (Wahrnehmen)	Applying	Computer Vision, Sensor technology
Communicating (Kommunizieren)	Applying	Natural Language Processing
Reasoning (Schlussfolgern)	Applying	Logic programming, Probabilistic reasoning, Complex Event Processing (CEP)
Acting (Handeln)	Applying	Planning, Agent technology, Robotics
Learning (Lernen)	Acquiring	Machine Learning, Information Retrieval, Data Mining
Knowing (Wissen)	Acquiring	Knowledge Representation

Konkrete Verfahren, die in der Landkarte den Paradigmen zugeordnet werden:

• Non-symbolic AI / Machine Learning: Artificial neural networks, Support vector machines, Linear/logistic regression, Random forest, Gradient boosting tree, K-Nearest neighbors, K-means, Naive Bayes.
• Brücke Learning/Knowing (probabilistisch/hybrid): Bayes networks, Hidden Markov models, Decision tree learning, Inductive logic programming.
• Symbolic AI / Knowledge-based AI: Semantic networks, Ontologies, Logic programming.

flowchart TB
  Apply["Applying intelligence"] -.-> Zentrum
  Zentrum -.-> Acquire["Acquiring intelligence"]
  subgraph Zentrum["Zentrale Paradigmen"]
    NS["Non-symbolic AI / Machine Learning"]
    SY["Symbolic AI / Knowledge-based AI"]
  end
  P["Perceiving: Computer Vision, Sensorik"] --> Zentrum
  C["Communicating: NLP"] --> Zentrum
  R["Reasoning: Logic programming, Probabilistic reasoning, CEP"] --> Zentrum
  A["Acting: Planning, Agent technology, Robotics"] --> Zentrum
  L["Learning: Machine Learning, Information Retrieval, Data Mining"] --> Zentrum
  K["Knowing: Knowledge Representation"] --> Zentrum

---

Eine kurze Geschichte der KI

Die Anfänge (1950er/1960er-Jahre und früher)

• Alan Turing (1912 - 1954):
  • Fundamentale Arbeiten zur Berechenbarkeit.
  • Der "Turing-Test" als Kriterium für intelligentes Verhalten.
• Dartmouth-Workshop 1956:
  • Teilnehmer u.a. John McCarthy, Marvin Minsky, Claude Shannon, Allen Newell, Herbert Simon.
  • Begriffsbildung "Artificial Intelligence".
• John McCarthy:
  • Erste KI-Anwendungen, z.B. der Logic Theorist, um mathematische Theoreme zu beweisen.

Der AI-Hype (1960er bis 1980er Jahre)

• Enthusiastische Versprechen, schnell Ergebnisse in der KI erzielen zu können.
• Starke Förderung von KI-Projekten, vor allem in den USA.
• Beginn eines AI-Hypes.

Zwei bekannte (überoptimistische) Zitate von Marvin Minsky illustrieren die Stimmung:

"Within 10 years computers won't even keep us as pets." (Marvin Minsky, 1970)

"Within a generation, I am convinced, few compartments of intellect will remain outside the machine's realm - the problems of creating 'artificial intelligence' will be substantially solved." (Marvin Minsky, 1967)

KI-Winter (1980er bis 1990er Jahre)

• Zu hohe Erwartungen wurden enttäuscht.
• Massive Einschnitte in der Förderung von Forschungsprojekten.
• Kollaps des KI-Markts.
• Klassisches Beispiel für einen Hype-Zyklus.

Der Hype-Zyklus (Gartner)

Der KI-Winter ist ein Musterbeispiel für den Gartner Hype Cycle (Quelle: en.wikipedia.org/wiki/Gartner_hype_cycle). Aufgetragen wird die Sichtbarkeit/Aufmerksamkeit (Visibility) über die Zeit (Time) in fünf Phasen:

1. Technology Trigger - Auslöser durch eine neue Technologie.
2. Peak of Inflated Expectations - überzogene Erwartungen (Hype-Höhepunkt).
3. Trough of Disillusionment - Tal der Ernüchterung (entspricht dem KI-Winter).
4. Slope of Enlightenment - allmähliches, realistisches Verständnis.
5. Plateau of Productivity - produktiver Regelbetrieb.

flowchart LR
  T["Technology Trigger"] --> P["Peak of Inflated Expectations"]
  P --> D["Trough of Disillusionment"]
  D --> S["Slope of Enlightenment"]
  S --> Pl["Plateau of Productivity"]

KI heute - relevant und überall

KI-Anwendungen finden sich überall im täglichen Leben:

• Digitale Assistenten mit Sprachsteuerung
• Gesichtserkennung in Kameras
• Spam-Erkennung bei E-Mail
• KI in Computerspielen
• Semantische Suche im Internet
• Maschinelle Übersetzung im Internet

Und in professionellen Anwendungen:

• Business Intelligence, Sentiment-Analyse
• Robotik im Maschinenbau, in der Landwirtschaft etc.
• Militäranwendungen: Drohnen, ...

KI heute - Vorsicht vor Übertreibungen

Neben realen Anwendungen gibt es weiterhin überzogene Zukunftsversprechen. Beispielhaft das Zitat von Ray Kurzweil:

"Artificial intelligence will reach human levels by around 2029. Follow that out further to, say, 2045, we will have multiplied the intelligence, the human biological machine intelligence of our civilization a billion-fold." (Ray Kurzweil, 2005)

Populärkultur (Filme wie A.I., Ex Machina, I, Robot) verstärkt diese überzogenen Erwartungen zusätzlich.

KI heute - Wettlauf zwischen Mensch und Maschine

Eine Infografik (Visual Capitalist, "AI is outpacing human performance") zeigt, dass KI-Systeme in mehreren Benchmarks die menschliche Leistung (100%) erreicht oder übertroffen haben, u.a.:

• Handwriting Recognition (Handschrifterkennung)
• Speech Recognition (Spracherkennung)
• Image Recognition (Bilderkennung)
• Reading Comprehension (Leseverständnis)
• Language Understanding (Sprachverständnis)
• Common Sense Completion, Grade School Math, Code Generation

Weitere Aussagen der Grafik: Die für das Training genutzte Rechenleistung hat sich seit 2010 etwa alle sechs Monate verdoppelt; hochwertige Trainingsdaten könnten laut Grafik bereits um 2026 knapp werden und die KI-Leistung ins Plateau bringen.

---

Kursaufbau: Die behandelten KI-Bereiche

Python für KI

Python ist die zentrale Programmiersprache des Kurses. Die Folien nennen als Eigenschaften und Gründe:

• Interpretersprache
• Objektorientiert
• Hohe Produktivität
• Einfache Grammatik
• Dynamisch typisiert
• Automatische Speicherverwaltung
• Open Source
• Jupyter Notebook als Arbeitsumgebung
• De-facto-Standard für KI und Data Science (DS)

Machine Learning (ML) - Mathematische Ansätze

Überwachtes Lernen (Supervised Learning) mit zwei Grundaufgaben:

• Klassifikation, z.B. von Blumen (Zuordnung zu diskreten Klassen)

• Regression, z.B. um Umsatz vorherzusagen (Vorhersage kontinuierlicher Werte)

• Verfahren: Entscheidungsbäume, SVM (Support Vector Machines), ...

• Evaluation: Vorhersage-Genauigkeit messen

• Werkzeuge/Bibliotheken: NumPy, pandas, scikit-learn

• Daten/Quellen: Kaggle Challenges, The Movie Database

Wissensrepräsentation - Formalisiertes Wissen

• Idee: Wissen formalisiert darstellen, z.B. als Wissensgraph für Filme.
• Standards: RDF, SPARQL
• Werkzeuge: Apache Fuseki, rdflib
• Datenquelle: The Movie Database
• Illustration: die "Linked Open Data" Cloud.

Computer Vision (CV)

• Schrifterkennung (Optical Character Recognition, OCR), z.B. mit dem MNIST-Datensatz.
• Convolutional Neural Networks (CNN) als zentrale Methode.
• Aufgaben: Klassifikation, Objekterkennung, Erzeugung, Rekonstruktion, Segmentierung.
• Werkzeuge: Keras, TensorFlow.
• Beispiel: Gesichtserkennung.

Natural Language Processing (NLP) - Analyse von Sprache und Text

• Beispiele: Textklassifikation (z.B. "Film == Drama?"), Question Answering (z.B. zu Filminhalten).
• Klassische Techniken: Bag of Words, tf-idf, NLP-Parsing.
• Aufgaben: Textklassifikation, Sentiment-Analyse, Texterzeugung, Zusammenfassung, Übersetzung.
• Werkzeuge: scikit-learn, spaCy.
• Datenquellen: The Movie Database, Wikipedia.

Hinweis: In der NLP-Aufzählung der Folie steht "Textklassification" (Mischung aus deutsch/englisch) neben "Textklassifikation" an anderer Stelle - hier liegt ein Tippfehler der Folie vor; gemeint ist in beiden Fällen Textklassifikation.

Unsupervised Learning

Lernen ohne gelabelte Daten:

• Clustering
• Outlier Detection (Ausreißererkennung)
• Dimensionsreduktion
• Werkzeuge: scikit-learn, NumPy, pandas.

Ethische Aspekte der KI: Risiken und Möglichkeiten

Die Folie stellt Chancen und Risiken gegenüber:

• Arbeitsplatzvernichtung (Automatisierung; die Grafik "Replaced by Robots" nennt hohe Automatisierungswahrscheinlichkeiten für Berufe wie Versicherungssachbearbeiter oder Landarbeiter).
• Bias im maschinellen Lernen (Verzerrungen).
• Bessere Entscheidungen vs. Fehlentscheidungen.
• Autonom fahrende Autos.
• Autonome Waffen.
• Hyperintelligente Maschinen.

Zu diesem Thema ist die Präsentation (statt Code-Review) verpflichtend (siehe Organisation).

Reasoning / Complex Event Processing (CEP)

In der KI-Landkarte wird der Bereich Reasoning (Schlussfolgern) genannt, der u.a. Logic programming, Probabilistic reasoning und Complex Event Processing (CEP) umfasst. Er zählt zu den symbolischen bzw. wissensbasierten Ansätzen der KI.

---

Literatur

• Bernhard G. Humm: "Applied Artificial Intelligence - An Engineering Approach". Second Edition, LeanPub, 2020. https://leanpub.com/AAI
• Stuart Russell, Peter Norvig: "Artificial Intelligence: A Modern Approach", 3rd Edition. Prentice Hall (in der Bibliothek verfügbar).

KI-Online-Kurse (ergänzend)

• Udacity: Intro to Artificial Intelligence - https://www.udacity.com/course/cs271
• edX: Artificial Intelligence (AI) - https://www.edx.org/course/artificial-intelligence-ai
• Coursera: Machine Learning - https://de.coursera.org/learn/machine-learning
• Udemy: Artificial Intelligence A-Z: Learn How To Build An AI - https://www.udemy.com/course/artificial-intelligence-az
• P2PU: Artificial Intelligence Programming

---

Prüfungsrelevanz

• Definition KI: Maschinen/Software-Anwendungen, die das Verhalten menschlicher Intelligenz zeigen (Wahrnehmen, Lernen/Wissen/Nachdenken, Kommunizieren, Handeln).
• KI-Landkarte (Humm): Achsen Acquiring vs. Applying intelligence; zwei Paradigmen (Non-symbolic AI/ML vs. Symbolic AI/Knowledge-based AI); sechs Bereiche (Perceiving, Communicating, Reasoning, Acting, Learning, Knowing) samt zugeordneter Verfahren.
• Geschichte: Turing (Berechenbarkeit, Turing-Test), Dartmouth 1956 (Begriff "Artificial Intelligence", McCarthy/Minsky u.a.), Logic Theorist; Hype 1960-80; KI-Winter 1980-90 (enttäuschte Erwartungen, Förderkürzungen, Marktkollaps).
• Gartner Hype-Zyklus: fünf Phasen (Technology Trigger, Peak of Inflated Expectations, Trough of Disillusionment, Slope of Enlightenment, Plateau of Productivity); KI-Winter = Trough of Disillusionment.
• KI heute: konkrete Alltags- und Profi-Anwendungen benennen können ("relevant und überall"); zugleich Übertreibungen kritisch einordnen (Kurzweil-Zitat, Wettlauf Mensch/Maschine).
• Kursbereiche: ML (Klassifikation, Regression, SVM, Entscheidungsbäume; NumPy/pandas/scikit-learn), Wissensrepräsentation (RDF, SPARQL, Wissensgraph), Computer Vision (OCR, MNIST, CNN, Keras/TensorFlow), NLP (Bag of Words, tf-idf, Sentiment-Analyse, spaCy), Unsupervised Learning (Clustering, Outlier Detection, Dimensionsreduktion), Ethik, Reasoning/CEP.
• Python: De-facto-Standard für KI/DS; Interpretersprache, dynamisch typisiert, automatische Speicherverwaltung, Jupyter Notebook.
• Organisation/Klausur: neun Themenblöcke; Praktikumstestat (alle Aufgaben + mind. vier Code-Reviews + Ethik-Präsentation); Klausur 90 Minuten; praktische Anteile so wichtig wie Vorlesung; Hilfsmittel nur ein beidseitig handbeschriebenes DIN-A4-Blatt, keine elektronischen Geräte; Humm-Buch klausurrelevant.

---

Mini-Test

Mini-Test "Einführung" (Fragen wortgetreu aus der Folie):

1. Was versteht man unter dem Begriff "Künstliche Intelligenz" ?
2. Erklären Sie kurz die Geschichte der KI
3. In welcher Hinsicht ist KI heutzutage "relevant und überall" ?
4. Inwieweit existiert heutzutage ein KI Hype ?
5. Was sind die Hauptbereiche der KI, die in diesem Kurs behandelt werden?