Wie der Dschinn aus der Wunderlampe

Entscheidend beim Training ist nicht nur der Aufbau eines geeigneten neuralen Netzes, sondern eine klare Definition der Aufgabe. Van der Smagt vergleicht neurale Netze mit einem Dschinn aus der Wunderlampe: Sie tun genau das, was man ihnen sagt - und zwar wortwörtlich. "Sie bekommen das, wonach Sie fragen, und das nicht, wonach Sie nicht fragen", sagt van der Smagt. Die Roboter können nur das erlernen, was in den Trainingsdaten auch vorkam.

Aus diesem Grund konnte Alpha Go, eine künstliche Intelligenz, deren neurale Netze auf das asiatische Brettspiel Go trainiert wurden, einige einfache Anfängertechniken nicht aus den Hunderttausenden Spielen der Trainingsdatenbank erlernen. Denn diese werden von menschlichen Spielern schon im Ansatz erkannt und die entsprechenden Spielzüge verhindert, so dass sie in der Datenbank nicht vorkommen. Diese Techniken mussten durch zusätzliche Algorithmen fest einprogrammiert werden.

Das Problem mit den Problemen

Aus dem gleichen Grund ist die Erkennung von Anomalien bei Robotern ein ernsthaftes Problem. Ein Roboter sollte selbst erkennen können, wenn etwas mit ihm selbst, seiner Umwelt oder seiner Aufgabe nicht stimmt. Aber während es kein Problem ist, das neurale Netz auf die Zusammenhänge zwischen Steuerungssignalen und realen Bewegungen zu trainieren, ist es fast unmöglich, ihm beizubringen, Aktionen zu erkennen, die es beschädigen würden - ohne es dabei selbst zu beschädigen. Um zuverlässige Daten zu generieren, die sagen, wie sich ein überlastetes Gelenk auf das gesamte System auswirkt, braucht der Roboter zuerst einmal ein überlastetes Gelenk. Das Gleiche gilt für unerwartete Stöße und Schläge von außen.

Manuell Grenzwerte zu setzen reicht deshalb oft nicht aus, um den gesamten Bereich möglicher Anomalien abzudecken - von der Handhabung völlig unvorhersehbarer Ereignisse ganz abgesehen. Grenzwerte in mathematischen Räumen mit Dutzenden oder Hunderten Dimensionen aufzustellen, stellt aber wiederum für den menschlichen Verstand ein großes Problem dar. Einige Konstruktionen neuraler Netze, wie etwa ein Autoencoder, sind in der Lage, solche Räume auf sehr viel weniger Dimensionen abzubilden, indem sie mit den Daten von dem Roboter trainiert werden.

Trotz aller Schwächen sind neurale Netze heute nicht mehr wegzudenken. Sie kommen in praktisch jeder Text-, Bild- oder Spracherkennung zum Einsatz, genauso wie in selbstfahrenden Autos. Natürlich können auch menschenähnliche Roboter damit gesteuert werden, die dann laufen, stolpern, Kisten stapeln und Treppen putzen können.