Mehr zu unserem disclaimer: www.bcnu.at/disclaimer
3. KI-Winter & Aufstieg der Expertensysteme (1970–1989)
Von der Euphorie zur Ernüchterung – und zurück
Nach den ersten Erfolgen der 1950er–1960er folgte in den 1970er Jahren eine phase der Ernüchterung: Die überzogenen Erwartungen an die KI konnten nicht erfüllt werden. Dies führte zum ersten „KI-Winter“ (1974–1980), in dem Fördergelder und Interesse stark zurückgingen. Doch aus dieser Krise entstanden neue Ansätze, insbesondere die Expertensysteme.
1971–1974: Die ersten Rückschläge
Trotz der Euphorie der 1960er zeigten sich Grenzen der symbolischen KI:
- Shakey (1969) konnte zwar einfache Aufgaben lösen, aber komplexe Umgebungen überforderten ihn.
- Spracherkennung und Bildverarbeitung waren mit den damaligen Computern nicht machbar.
- 1971: Stanford Cart (ein autonomer Roboter mit Kamera) konnte Hindernisse umfahren, aber nur unter idealisierten Laborbedingungen.
1974: Der Lighthill-Report und der erste KI-Winter
Sir James Lighthill (britischer Mathematiker) veröffentlichte 1973 einen kritischen Bericht über den Stand der KI-Forschung für die britische Regierung.
Kernaussage: „KI hat in den letzten 20 Jahren keine nennenswerten Fortschritte gemacht.“
Folgen:
- Fördergelder wurden gestrichen (v. a. in Großbritannien und den USA).
- Forschungslabore schlossen (z. B. MIT AI Lab verlor 50 % seiner Mittel).
- KI-Forschung kam fast zum Erliegen („KI-Winter“).
1980er: Die Renaissance der KI – Expertensysteme
In den 1980er Jahren erlebte die KI eine Wiedergeburt, vor allem durch Expertensysteme – KI-Programme für spezifische Domänen.
| Jahr | System | Beschreibung | Anwendung | Erfolg | Quellen |
|---|---|---|---|---|---|
| 1976 | MYCIN | Expertensystem für medizinische Diagnostik (Stanford). | Diagnose von Blutinfektionen. | Genauigkeit: ~70 % (besser als viele Ärzte). | Shortliffe, Rule-Based Systems (1976) |
| 1980 | XCON (eXpert CONfigurer) | Expertensystem von Digital Equipment Corporation (DEC). | Konfiguration von Computersystemen. | Sparte DEC ~40 Mio. $/Jahr ein. | McDermott, AI Magazine (1982) |
| 1982 | R1/XCON | Weiterentwicklung von XCON (Carnegie Mellon). | Automatische Bestellung von Computerkomponenten. | Reduzierte Fehlerrate um 90 %. | McDermott, AI Magazine (1982) |
| 1984 | CYC | Projekt von Doug Lenat (Ziel: Allgemeines Weltwissen in einer Datenbank). | Wissensrepräsentation. | Scheiterte an der Komplexität (zu viele Ausnahmen). | Lenat, Communications of the ACM (1995) |
Wie funktionieren Expertensysteme?
Expertensysteme basieren auf drei Komponenten:
- Wissensbasis: Fakten und Regeln (z. B. „Wenn Symptom A und B, dann Krankheit C“).
- Inferenzmaschine: Schließt aus den Regeln (z. B. Vorwärts- oder Rückwärtsverkettung).
- Benutzerschnittstelle: Fragen und Antworten (z. B. „Hat der Patient Fieber?“).
Vorteile:
- ✅ Präzise Lösungen für klar definierte Probleme (z. B. Medizin, Technik).
- ✅ Transparenz: Entscheidungen sind nachvollziehbar (keine Black Box).
- ✅ Kosteneinsparungen: Automatisierung von Expertenwissen (z. B. XCON sparte Millionen).
Nachteile:
- ❌ Keine Generalisierung: Funktioniert nur in spezifischen Domänen.
- ❌ Aufwendige Wartung: Regeln müssen manuell gepflegt werden.
- ❌ Keine Lernfähigkeit: Keine Anpassung an neue Situationen.
Japan’s Fifth Generation Computer Project (1981–1992)
In den 1980er Jahren startete Japan das „Fifth Generation Computer Project“ – ein staatlich gefördertes Programm mit dem Ziel, Supercomputer mit KI-Fähigkeiten zu entwickeln.
Ziele:
- Logikprogrammierung (Prolog).
- Parallele Verarbeitung (für höhere Geschwindigkeit).
- KI-Anwendungen (z. B. Spracherkennung, Übersetzungen).
Folgen:
- Löste eine neue KI-Euphorie aus (v. a. in Europa und den USA).
- Führte zu Investitionen in KI (z. B. USA: DARPA, Europa: ESPRIT-Programm).
Ergebnis:
- Technische Fortschritte (z. B. Prolog, parallele Rechner).
- Kein Durchbruch in der KI – das Projekt scheiterte an zu hohen Erwartungen.
1986: Backpropagation – Der Durchbruch für neuronale Netze
Geoffrey Hinton, David Rumelhart und Ronald Williams veröffentlichten 1986 den Backpropagation-Algorithmus – einen Meilenstein für neuronale Netze.
Funktionsweise:
- Fehlerrückführung: Das Netz lernt aus Fehlern und passt seine Gewichte an.
- Effizientes Training: Ermöglichte mehrschichtige neuronale Netze (Deep Learning).
Bedeutung:
- Grundlage für moderne KI (z. B. Bildverarbeitung, Spracherkennung).
- Aber: Hardware war noch nicht leistungsfähig genug – neuronale Netze wurden erst in den 2010er Jahren praktisch nutzbar.
1987–1989: Der zweite KI-Winter
Trotz der Erfolge der Expertensysteme und Backpropagation kam es Ende der 1980er zum zweiten KI-Winter:
Ursachen:
- Expertensysteme scheiterten an Skalierbarkeit (z. B. CYC-Projekt).
- Neuronale Netze waren zu langsam für praktische Anwendungen.
- Überzogene Versprechungen (z. B. „KI wird in 10 Jahren den Menschen überflüssig machen“).
Folgen:
- Fördergelder wurden wieder gekürzt.
- Forschung konzentrierte sich auf andere Bereiche (z. B. Robotik, Datenbanken).
Pro & Kontra: War die Ära der Expertensysteme ein Erfolg?
| Pro: Ja, Expertensysteme waren ein wichtiger Schritt | Kontra: Nein, sie hatten zu viele Grenzen |
|---|---|
| Erste kommerzielle Erfolge: MYCIN und XCON zeigten, dass KI praktischen Nutzen hat. | Keine Generalisierung: Die Systeme funktionierten nur in eng definierten Bereichen. |
| Grundlage für moderne KI: Wissensrepräsentation und Regelbasierte Systeme werden heute noch genutzt. | Aufwendige Wartung: Regeln mussten manuell gepflegt werden – skalierte nicht. |
| Japan’s Fifth Generation Project löste eine neue Welle der KI-Forschung aus. | Scheiterte an zu hohen Erwartungen – kein Durchbruch in der allgemeinen KI. |
Fazit: KI zwischen Euphorie und Ernüchterung
Die 1970er–1980er waren eine Achterbahnfahrt:
Erster KI-Winter (1974–1980): Fördergelder wurden gestrichen, die Forschung stagnierte.
Expertensysteme (1980er): Erste kommerzielle Erfolge (MYCIN, XCON), aber begrenzte Skalierbarkeit.
Backpropagation (1986): Durchbruch für neuronale Netze, aber Hardware fehlte.
Zweiter KI-Winter (1987–1989): Erneute Ernüchterung durch überzogene Versprechungen.
Lehre aus dieser Zeit:
- ✅ Realistische Ziele sind entscheidend.
- ✅ KI ist kein Allheilmittel – sie funktioniert nur in spezifischen Anwendungsfällen.
- ✅ Hardware und Algorithmen müssen Hand in Hand gehen.