Die künstliche Intelligenz des menschlichen Verstehens

Dies ist eine gekürzte Arbeitsfassung. Der vollständige Text kann in der Maiausgabe der Zeitschrift Hohe Luft gelesen werden.

Das ist ein subjektiver Text, denn es geht um das Verstehen. Um zu verstehen, schaffen wir Bezüge zwischen uns und der Welt, und deswegen auch zwischen den Dingen der Welt. Dadurch erkennen wir wirkungsvolle Zusammenhänge und steigern unsere Entscheidungs- und Handlungsfähigkeit. Als Anleitung dafür schaffen wir uns Selbst-Verständlichkeiten als direkte oder indirekte Bezüge zwischen unseren Bedürfnissen, Zielen, Werten und der Welt, die durch Unverstandenes immer wieder hinterfragt werden können. In diesem Sinn kann Verstehen als ein flüchtiger Seinszustand betrachtet werden, der als Selbstverständliches im Umgang mit der Welt herausgefordert werden kann. Als Resultat ziehen wir die Welt an uns heran, anstatt uns von ihr zu entfremden.

Das Selbstverständliche zu hinterfragen kann wiederrum Verständnis herbeiführen, umso mehr im  Versuch es nachzubilden. Erst dann sind wir gezwungen, implizites Wissen explizit zu formieren. Besonders deutlich wird das, wenn wir unsere Verstehensvorgänge im Computer abbilden und sie dadurch operationalisieren wollen. Ist es nicht auch das, was das Projekt der Künstlichen Intelligenz (KI) erreichen möchte? Und kann dadurch unser Verstehen unterstützt werden, auch indem es für uns nachvollziehbarer wird?

Mit dem Menschen als Vorbild von KI, fangen auch wir in diesem Text beim Menschen an und übersetzen seine Verstehensvorgänge in Methoden der KI. Indem wir der ontogenetischen Entwicklung des Menschen folgen, können die unterschiedlichen Ausmaße des Verstehens und seine Abhängigkeiten deutlich werden.  Und weil das ein subjektiver Text ist, beginnen wir mit meinem Weg des Verstehens.

… Kapitel  1-3 ….

  1. Verstehens in Zukunft bedeutet auch Mensch-KI-Kooperation

Wann verstehen wir nun zB. Tische? Reicht es, sie anhand ihrer Struktur – einer waagerechten Platte und mehr oder weniger Beinen – zu erkennen, oder ist zusätzlich ein Selbstbezug zu ihren Funktionen nötig – ein Ding ist ein Tisch, wenn es von mir zum Essen oder Schreiben verwendet werden kann? Wann muss der Zusammenhang zwischen Struktur und Funktion erkannt werden? Ist ein solches tiefergehende Verstehen erst nötig, wenn wir selbst Tisch-Funktionen herstellen wollen oder müssen? Vielleicht weil uns das bisher Selbstverständliche an konventionellen Tischen nicht mehr zur Verfügung steht oder nicht mehr funktioniert, wenn wir mit neuen Situationen konfrontiert werden? Oder vielleicht wollen wir es einfach verstehen, weil wir damit unsere selbstgesteckten Ziele erreichen können? Möglicherweise werden wir erst dann gezwungen, ursächliche von zufälligen Zusammenhängen zwischen Struktur und Funktion von Tischen zu trennen. Unabhängig von den Ursachen des Verstehens wird jedoch klar: Je tiefer das Verstehen, desto größer wird unser gedanklicher und weltlicher Handlungsspielraum.

Wie kann uns nun KI beim Verstehen helfen? Aktuell dominante KI-Methoden, wie SML, RL oder Bayes‘sche-Modelle (s. o.), sollen Probleme – zB. das Erkennen von Tischen – lösen, ohne die dafür vom Menschen verwendeten kognitiven Prozesse nachbilden zu müssen. Das hat den Abstieg von top-down bzw. wissensbasierten Ansätzen zur Folge, auch aufgrund des mangelnden Problemverständnisses und analytischen Zugriffs auf die nachzubildenden kognitiven Prozesse. Alternative bottom-up bzw. datengetriebene Ansätze können auch dann eingesetzt werden, wenn Menschen ihre kognitiven Methoden zur Problemlösung ungenügend verstehen. In diesem Fall wird bloß das Ziel, zB. das Erkennen von Tischen, und mögliche Probleminstanzen, also Beispielbilder von Tischen, vorgegeben, um das KI-System eine Lösung lernen zu lassen. Die von diesen KI-Methoden verwendeten statistischen Methoden entsprechen zwar nicht unserer Denkweise (das haben bereits Kahnemann und Tversky gezeigt), wenn jedoch KI-Systeme Menschen ihr Wirken passend beschreiben, können diese Beschreibungen durch weitergehendes menschliches Verstehen zu Erklärungen werden, auf denen KI-Systeme wiederrum aufbauen können – ähnlich der Ableitung von Kausalitäten aus Korrelationen bei für den Menschen schwer übersehbaren großen Datenmengen. Die Grundlagen dafür sind vorhanden, wenn die wichtigste Voraussetzung des Verstehens erfüllt ist und passende Bezüge gesetzt werden, um den Zusammenhang zwischen einem Problem und dessen Lösung aufzeigen zu können.  Das fängt schon bei der Zielsetzung an, indem zB. einer KI statt dem Erkennen von Tischen das Erkennen von Schreibflächen vorgegeben wird. Um verständliche Antworten zu erlangen, müssen also auch KI-Systemen richtige Fragen gestellt werden. Durch eine verständnisvolle Kooperation zwischen Mensch und KI können einerseits Ergebnisse von KI-Systemen langfristig zu Selbstverständlichkeiten des Menschen werden, zB.  indem sie ihre Ergebnisse klar auf dessen Ziele beziehen, und andererseits können diese nun explizit darstellbaren Selbstverständlichkeiten KI-Systemen als Anleitung dienen und dadurch den nächsten Zyklus eines Mensch-KI-Verstehen starten.

Eine solche Mensch-KI-Kooperation nachvollziehbaren Verstehens entspräche der Verknüpfung von datengetriebenen und wissensbasierten KI-Systemen. Dabei werden Menschen durch KI-Systeme unterstützt, aus Daten Wissen zu erzeugen, um es wiederrum in KI-Systeme weiterverwenden zu können. Solche Systeme nehmen Menschen Verstehen nicht ab,  sondern regen sie vielmehr dazu an. Um deren Ergebnisse für ihr weitergehendes Verstehen verwenden zu können, müssen Menschen KI-Systeme verstehen. Denn Verstehen kann kein Vorgang sein, der von potentiell subjektiven Bedürfnissen, Zielen und Werten der Menschen losgelöst ist. Nur so kann das Wirken von KI-Systemen an den Nutzen für Menschen gekoppelt und menschliches Handeln in der Welt verankert bleiben.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.