Einfuehrung in KI

Was ist KI?

Kuenstliche Intelligenz beschaeftigt sich mit der Erstellung von Agenten, die intelligent handeln. Ein Agent ist etwas, das:

• Seine Umgebung durch Sensoren wahrnimmt
• Auf diese Umgebung durch Aktuatoren einwirkt
• Ein Ziel hat, das es zu erreichen versucht

Beispiele fuer KI-Agenten:

• Staubsaugerroboter: Sensoren (Schmutz-Erkennung, Stossstangen), Aktuatoren (Raeder, Sauger), Ziel (Boden reinigen)
• Schachprogramm: Sensoren (Brett-Zustand), Aktuatoren (Zuege ausfuehren), Ziel (Matt setzen)
• Selbstfahrendes Auto: Sensoren (Kameras, Lidar), Aktuatoren (Lenkung, Beschleunigung), Ziel (Ziel sicher erreichen)

[HINWEIS: Diagramm der Agent-Umgebung-Interaktionsschleife einfuegen]

Arten von AI-Agenten

Es gibt verschiedene Arten von AI-Agenten, die sich in ihrer Komplexitaet und Funktionsweise unterscheiden:

Einfacher Reflex-Agent

• Verwendet Wenn/Dann-Regeln
• Fuehrt keine Planung durch
• Handelt nach dem YOLO-Prinzip (You Only Live Once) - reagiert nur auf aktuelle Situation
• Beispiel: Ein Thermostat, der die Heizung einschaltet, wenn die Temperatur unter 20 Grad Celsius faellt

Goal-Based Agent (Zielbasierter Agent)

• Hat ein explizites Ziel
• Plant fuer Zielerreichung - ueberlegt sich Schritte im Voraus
• Hat Wissen ueber Umgebung und moegliche Aktionen
• Beispiel: Ein Navigationssystem, das den kuerzesten Weg zum Ziel plant

Nutzenbasierter Agent

• Verfolgt ein Ziel, indem er eine Nutzenfunktion maximiert
• Kann Unsicherheit in der Umgebung beruecksichtigen
• Waehlt nicht nur irgendeine Loesung, sondern die beste verfuegbare
• Beispiel: Ein Schachprogramm, das nicht nur gewinnen will, sondern die beste Position anstrebt

Lernender Agent

• Passt Verhalten durch Erfahrung an
• Kann aus vergangenen Aktionen lernen und sich verbessern
• Beispiel: Ein Spam-Filter, der lernt, welche E-Mails Spam sind

Das Argument des chinesischen Zimmers

Das Argument des chinesischen Zimmers ist ein Gedankenexperiment, das die Frage stellt, ob ein Computer wirklich "denkt" oder nur Symbole manipuliert.

Das Argument besagt: Ein System, das nur Symbole manipuliert, ohne deren Bedeutung zu verstehen, besitzt keine echte Intelligenz. Es folgt lediglich Regeln, ohne zu verstehen, was es tut.

Beispiel: Ein Computer koennte perfekt Chinesisch beantworten, indem er Regeln befolgt, aber versteht er wirklich die Bedeutung der Woerter? Oder manipuliert er nur Symbole nach vorgegebenen Regeln?

Dieses Argument wirft wichtige Fragen ueber die Natur von Intelligenz und Bewusstsein auf.

Arten von Umgebungen

Umgebungen koennen nach verschiedenen Kriterien klassifiziert werden:

Vollstaendig beobachtbar vs. Teilweise beobachtbar

• Vollstaendig beobachtbar: Der Agent kann den gesamten Zustand der Umgebung sehen (z.B. Schachbrett)
• Teilweise beobachtbar: Der Agent sieht nur einen Teil der Umgebung (z.B. Poker, wo man die Karten der Gegner nicht sieht)

Deterministisch vs. Stochastisch

• Deterministisch: Die gleiche Aktion fuehrt immer zum gleichen Ergebnis (z.B. Schach)
• Stochastisch: Aktionen haben zufaellige Ergebnisse (z.B. Wuerfelspiel)

Episodisch vs. Sequentiell

• Episodisch: Jede Episode ist unabhaengig, fruehere Aktionen beeinflussen spaetere nicht (z.B. Bilderkennung)
• Sequentiell: Fruehere Aktionen beeinflussen spaetere Entscheidungen (z.B. Schach, Labyrinth)

Statisch vs. Dynamisch

• Statisch: Die Umgebung aendert sich nicht, waehrend der Agent ueberlegt (z.B. Schach, wenn der Gegner wartet)
• Dynamisch: Die Umgebung aendert sich waehrend der Agent handelt (z.B. Verkehr, andere Autos bewegen sich)

Diskret vs. Kontinuierlich

• Diskret: Endliche Anzahl von Zustaenden und Aktionen (z.B. Schach, endliche Anzahl von Positionen)
• Kontinuierlich: Unendliche Anzahl von Zustaenden (z.B. Robotersteuerung, kontinuierliche Positionen)

Single Agent vs. Multi-Agent

• Single Agent: Nur ein Agent in der Umgebung (z.B. Labyrinth-Loesung allein)
• Multi-Agent: Mehrere Agenten interagieren (z.B. Schach, Verkehr)

Beispiel: Schach-Umgebung

• Vollstaendig beobachtbar
• Deterministisch
• Sequentiell
• Dynamisch (Gegner macht Zuege)
• Diskret
• Multi-Agent

Problemformulierung

Um Probleme mit KI zu loesen, muessen wir sie formal definieren:

Komponenten eines Suchproblems:

1. Anfangszustand - Wo wir starten
2. Aktionen - Was wir in jedem Zustand tun koennen
3. Uebergangsmodell - Was passiert, wenn wir eine Aktion ausfuehren
4. Zieltest - Wie pruefen wir, ob wir das Ziel erreicht haben
5. Pfadkosten - Wie teuer ist eine Loesung (optional)

Beispiel: Labyrinth-Navigation

• Anfangszustand: Position (0, 0) - obere linke Ecke
• Aktionen: [HOCH, RUNTER, LINKS, RECHTS]
• Uebergangsmodell: Bewege zu benachbarter Zelle, wenn nicht durch Wand blockiert
• Zieltest: Haben wir Position (5, 5) erreicht?
• Pfadkosten: Anzahl der Schritte

[HINWEIS: Einfaches Labyrinth-Diagramm mit Start und Ziel einfuegen]

Beispiel: 8-Puzzle

• Anfangszustand:

  1 2 3
  4 5 6
  7 8 _

• Aktionen: Schiebe Stein in leeres Feld (bis zu 4 moegliche Zuege)

• Uebergangsmodell: Tausche leeres Feld mit benachbartem Stein

• Zieltest: Ist das Brett in der Zielkonfiguration?

• Pfadkosten: Anzahl der Zuege

[HINWEIS: 8-Puzzle Start- und Zielzustaende-Diagramme einfuegen]

Zustandsraum-Darstellung

Ein Zustandsraum umfasst alle vom Anfangszustand aus erreichbaren Zustaende. Wir koennen dies als Graph darstellen:

• Knoten = Zustaende
• Kanten = Aktionen, die Zustaende verbinden

[HINWEIS: Kleinen Zustandsraum-Graph fuer einfaches Problem wie 4-Zellen-Labyrinth einfuegen]