Mehr zu unserem disclaimer: www.bcnu.at/disclaimer
4. Durchbruch des Deep Learning & Robotik (1990–2020)
Von TD-Gammon bis AlphaGo – Die Renaissance der KI
Die 1990er und 2000er Jahre brachten drei entscheidende Entwicklungen, die die moderne KI revolutionierten:
- Fortschritte in der Hardware (schnellere Prozessoren, GPUs).
- Neue Algorithmen (z. B. Support Vector Machines, Random Forests, Deep Learning).
- Praktische Anwendungen (z. B. Spracherkennung, Roboter in der Industrie, autonome Fahrzeuge).
1992: TD-Gammon – Reinforcement Learning besiegt den Menschen
Gerald Tesauro (IBM) entwickelte TD-Gammon, ein KI-Programm für Backgammon, das durch Reinforcement Learning lernte.
Funktionsweise:
- Das Programm spielte Millionen Partien gegen sich selbst.
- Es belohnte sich selbst für gute Züge und bestrafte sich für schlechte.
Ergebnis:
- 1992: TD-Gammon erreichte menschliches Niveau.
- 1994: Es besiegte den Backgammon-Weltmeister.
Bedeutung: Erster großer Erfolg von Reinforcement Learning – ein Meilenstein für selbstlernende Systeme.
1997: Deep Blue besiegt Garri Kasparov – KI schlägt den Schachweltmeister
IBM’s Deep Blue war ein Schachcomputer, der Garri Kasparov (damaliger Schachweltmeister) 1997 in einem Match besiegte.
Technik:
- Brute-Force-Algorithmen: Deep Blue berechnete 200 Mio. Züge pro Sekunde.
- Heuristiken: Bewertung von Stellungen (z. B. Figurenwerte, Kontrollzentren).
Bedeutung:
- Erster Sieg einer KI über einen menschlichen Weltmeister in einem komplexen Spiel.
- Zeigte, dass Maschinen in klar definierten Bereichen besser sein können als Menschen.
2000: ASIMO – Der humanoide Roboter von Honda
Honda präsentierte ASIMO (Advanced Step in Innovative Mobility), einen humanoiden Roboter, der:
- Laufen (auf zwei Beinen, mit dynamischer Balance).
- Greifen (mit Fingerbewegungen).
- Sprechen (Spracherkennung und -synthese).
- Objekte erkennen (Bildverarbeitung).
Bedeutung: Meilenstein in der Robotik – zeigte, dass humanoide Roboter möglich sind.
2005: Stanford’s autonomes Auto gewinnt den DARPA Grand Challenge
Die Stanford University (Team um Sebastian Thrun) gewann den DARPA Grand Challenge 2005 mit einem autonomen Fahrzeug, das 132 Meilen durch die Wüste fuhr – ohne menschliches Eingreifen.
Technik:
- LIDAR (Laserscanner zur Umgebungswahrnehmung).
- Kameras und Radar.
- KI-Algorithmen zur Pfadplanung.
Bedeutung: Grundlage für autonome Fahrzeuge (z. B. Waymo, Tesla Autopilot).
2006: Netflix Prize – KI revolutioniert Empfehlungssysteme
Netflix lobte den Netflix Prize aus: 1 Mio. $ für das Team, das den Algorithmus für Filmempfehlungen um 10 % verbessern konnte.
Gewinner (2009): Team „BellKor’s Pragmatic Chaos“ (Kombination aus mehreren Algorithmen).
Bedeutung:
- Zeigte, dass KI in der Praxis nützlich ist (z. B. Personalisierung, Marketing).
- Grundlage für moderne Empfehlungssysteme (z. B. Amazon, Spotify, YouTube).
2009: Google’s selbstfahrendes Auto – Der Start der Ära autonomer Fahrzeuge
Google (später Waymo) startete sein Projekt für selbstfahrende Autos.
Erste Testfahrten: 2009 auf öffentlichen Straßen in Kalifornien.
Technik:
- LIDAR, Radar, Kameras.
- KI für Bildverarbeitung und Entscheidungsfindung.
Bedeutung: Start der kommerziellen Entwicklung autonomer Fahrzeuge.
2010: IBM Watson – KI gewinnt Jeopardy!
IBM Watson war ein KI-System, das 2011 in der Quizshow „Jeopardy!“ gegen die menschlichen Champions Brad Rutter und Ken Jennings gewann.
Funktionsweise:
- Natürliche Sprachverarbeitung (NLP) zur Interpretation von Fragen.
- Wissensdatenbank (z. B. Wikipedia, Enzyklopädien).
- Schnelle Suchalgorithmen.
Bedeutung:
- Beweis, dass KI komplexe Fragen verstehen und beantworten kann.
- Grundlage für moderne NLP-Systeme (z. B. Chatbots, Suchmaschinen).
Wissenschaftliche Einordnung: Maschinelles Lernen und Deep Learning
In den 1990er–2010er Jahren entwickelte sich das maschinelle Lernen (ML) zu einer dominanten KI-Methode.
| Methode | Beschreibung | Anwendungen | Vorteile | Nachteile | Quellen |
|---|---|---|---|---|---|
| Supervised Learning | Lernen aus gelabelten Daten (z. B. Bilder mit Katzen/Hunden). | Bildklassifizierung, Spam-Filter. | Hohe Genauigkeit bei klaren Daten. | Benötigt große Mengen an gelabelten Daten. | Mitchell, Machine Learning (1997) |
| Unsupervised Learning | Lernen aus unlabeled Daten (z. B. Clustering). | Kundensegmentierung, Anomalieerkennung. | Keine manuelle Labeling nötig. | Schwer zu interpretieren. | Bishop, Pattern Recognition and Machine Learning (2006) |
| Reinforcement Learning | Lernen durch Belohnung/Strafe (z. B. TD-Gammon, AlphaGo). | Robotersteuerung, Spiele, autonome Fahrzeuge. | Lernt durch Erfahrung. | Benötigt viele Versuche. | Sutton & Barto, Reinforcement Learning (2018) |
| Deep Learning | Neuronale Netze mit vielen Schichten (z. B. CNNs, RNNs). | Bildverarbeitung, Spracherkennung, Übersetzungen. | Hohe Genauigkeit bei komplexen Daten. | Benötigt große Rechenleistung und Daten. | Goodfellow et al., Deep Learning (2016) |
Robotik: Von Industrie- zu Servicerobotern
| Jahr | Roboter | Beschreibung | Anwendung | Bedeutung | Quellen |
|---|---|---|---|---|---|
| 2000 | ASIMO (Honda) | Humanoider Roboter mit Lauf- und Greiffähigkeiten. | Forschung, Unterhaltung. | Meilenstein in der humanoiden Robotik. | Honda (2000) |
| 2004 | Roomba (iRobot) | Autonomer Staubsaugerroboter. | Haushaltsreinigung. | Erster kommerziell erfolgreicher Serviceroboter. | iRobot (2004) |
| 2006 | PR2 (Willow Garage) | Forschungsroboter mit zwei Armen und Sensoren. | Forschung (z. B. Manipulation, Navigation). | Grundlage für moderne Serviceroboter. | Willow Garage (2010) |
| 2011 | PETMAN (Boston Dynamics) | Humanoider Roboter für Militärtests (z. B. Anzugtesten). | Militär, Forschung. | Zeigte Fortschritte in der Bewegungssteuerung. | Boston Dynamics (2011) |
| 2016 | Atlas (Boston Dynamics) | Humanoider Roboter, der Rückwärts-Saltos springt. | Forschung, Unterhaltung. | Meilenstein in der Bewegungssteuerung. | Boston Dynamics (2016) |
Pro & Kontra: War die Ära des maschinellen Lernens ein Erfolg?
| Pro: Ja, maschinelles Lernen revolutionierte die KI | Kontra: Nein, es gab weiterhin Grenzen |
|---|---|
| Praktische Anwendungen: Spracherkennung, Bildverarbeitung, Empfehlungssysteme wurden massentauglich. | Datenhunger: Deep Learning benötigt Millionen von Datenpunkten – nicht immer verfügbar. |
| Fortschritte in der Robotik: Autonome Fahrzeuge, Serviceroboter, Industrieroboter wurden realistisch. | Black Box-Problem: Neuronale Netze sind schwer interpretierbar. |
| Hardware-Fortschritte: GPUs und Cloud Computing machten Deep Learning erst möglich. | Energieverbrauch: Training großer Modelle (z. B. GPT-3) verbraucht enorme Mengen Strom. |
Fazit: Die Renaissance der KI
Die 1990er–2010er waren das „Goldene Zeitalter des maschinellen Lernens“:
- Reinforcement Learning (TD-Gammon) und Deep Learning (Backpropagation) revolutionierten die KI.
- Roboter wurden agiler und autonomer (ASIMO, Roomba, autonome Fahrzeuge).
- Praktische Anwendungen (Netflix Prize, IBM Watson) zeigten, dass KI im Alltag nützlich ist.
- Herausforderungen wie Datenhunger, Black Box-Problem und Energieverbrauch traten in den Vordergrund.