KI-Projekte mit Python E-Book

Michael Weigend

• Herausgeber: MITP
• Kategorie: Wissenschaft und neue Technologien
• Serie: mitp Professional
• Sprache: Deutsch

Seitenzahl: 331

Veröffentlichungsjahr: 2025

Beschreibung

• KI-Programmierung leicht gemacht - praktische Projekte ohne überflüssige Mathematik
• Einsatz mächtiger Bibliotheken wie TensorFlow, SpaCy und music21 - auch ohne Vorkenntnisse in Python
• Mit Programmieraufgaben, Bildern zur Veranschaulichung, Übungsfragen und vielen Anregungen zum Ausprobieren

Starte direkt mit echten KI-Projekten

Mit diesem Buch startest du direkt durch: Du lernst künstliche Intelligenz, indem du selbst programmierst - praxisnah, kreativ und verständlich. Schritt für Schritt entwickelst du spannende KI-Anwendungen mit wenigen Codezeilen: vom Chatbot über Bilderkennung bis hin zur Musik- und Bildgenerierung. Du experimentierst mit maschinellem Lernen und verstehst, wie lernende Systeme wirklich funktionieren. Alles, was du brauchst, sind grundlegende Programmierkenntnisse.

Alles dabei - von den Python-Grundlagen bis zu modernen KI-Bibliotheken

Dank klarer Erklärungen und anschaulicher Beispiele findest du dich auch als Einsteiger schnell zurecht. Du lernst alle wichtigen Techniken kennen und setzt sie direkt um - von einfachen Klassifikationsmodellen bis hin zu generativer KI mit GANs, RNNs und Diffusionsmodellen. Dabei nutzt du professionelle Bibliotheken wie NumPy, TensorFlow, Matplotlib, SpaCy und music21.

Programmieren, verstehen, experimentieren

Jedes Kapitel lädt zum Mitmachen ein - mit abwechslungsreichen Aufgaben, anschaulichen Abbildungen und vielen Ideen zum Ausprobieren. Du lernst, wie du KIs mit eigenen Daten trainierst oder Daten aus dem Internet nutzt, um spannende Anwendungen zu entwickeln. Die Programme kannst du entweder lokal auf deinem Rechner umsetzen oder du arbeitest im Browser mit Google Colab.

Aus dem Inhalt:

• Grundlagen der künstlichen Intelligenz
• Generative und diskriminierende KI
• KI programmieren mit Python-Bibliotheken:
  • NumPy
  • Matplotlib
  • TensorFlow
  • SpaCy
  • music21
• Sprachmodelle und Natural Language Processing
• Überwachtes, unüberwachtes und Verstärkungslernen
• Künstliche neuronale Netze
• Bildgenerierung mit GAN und CNN
• Text erzeugen mit RNN und LSTM
• Musik komponieren mit music21
• Zahlreiche Aufgaben mit Lösungen

Leseprobe

Inhaltsverzeichnis

KI-Projekte programmieren mit Python

Impressum

Einleitung

Wie ist das Buch aufgebaut?

Programmbeispiele zum Download und Colab Notebooks

Kapitel 1: Denkende Maschinen

1.1 Was ist Intelligenz‌?

1.1.1 Rechnen mit Zahlen

1.1.2 Gedächtnis

1.1.3 Räumliches Vorstellungsvermögen

1.1.4 Sprachverständnis

1.1.5 Schlussfolgerndes Denken

1.1.6 Wortflüssigkeit

1.1.7 Wahrnehmungsgeschwindigkeit

1.1.8 Starke und schwache KI

1.2 Projekt: Wie schnell kann ein Computer rechnen?‌

Vorbereitung

Schritt 1: Funktionen importieren

Schritt 2: Eine Liste mit Zufallszahlen erzeugen

Schritt 3: Summe bilden und Zeitmessung

Schritt 4: Das Messergebnis ausgeben

Schritt 5: Das Programm testen

1.3 Maschinen als Ersatzmenschen – Der Turing-Test‌

1.4 Projekt: Eine freundliche Maschine‌

1.4.1 Den Computer sprechen lassen

1.5 Projekt: Ein Stichwort-Chatbot‌

Schritt 1: Antwort auf eine Frage

Schritt 2: Mehr »Intelligenz« durch verschachtelte if-else-Anweisungen

Schritt 3: Mit elif die technische Qualität verbessern

Schritt 4: Zusammengesetzte Bedingungen verwenden

Schritt 5: Von der einfachen Reaktion zum Gespräch

1.6 Projekt: Eine KI als Spielgegner‌

1.6.1 Das Nim-Spiel

1.6.2 Die Programmierung der Basisversion

Schritt 1: Ein Modell für Streichhölzer

Schritt 2: Eine Funktion definieren

Schritt 3: Spielzüge von Mensch und KI

Schritt 4: Das Hauptprogramm

1.7 Rückblick

1.8 Lösungen

Aufgabe 1: Ein Streichholzproblem

Aufgabe 2: Was sieht der Roboter?

Aufgabe 3: Wortbeziehungen erkennen

Aufgabe 4: Fortsetzung einer Folge

Aufgabe 5: Zahlensuche

Aufgabe 6: Bilderkennung

Aufgabe 7: Mehr Zufälligkeit

Aufgabe 8: Sichere Eingabe

Aufgabe 9: Mehr Menschenähnlichkeit

Kapitel 2: Sprache und Denken – Natural Language Processing (NLP)

2.1 Trainingscamp: Strings

2.1.1 Station 1: Strings erstellen

2.1.2 Station 2: Unicode-Zeichen

2.1.3 Station 3: Strings durchsuchen

2.1.4 Station 4: Neue Strings aus alten Strings

2.1.5 Station 5: Formatierung

2.2 Projekt: Storytelling ‌

2.2.1 Mad Libs

2.2.2 Eine digitale Version

2.3 Sprachmodelle nutzen – Natural Language Processing (NLP)

2.3.1 spaCy in einer virtuellen Umgebung installieren

Schritt 1: Python installieren

Schritt 2: In den Projektordner wechseln

Schritt 3: Pfad finden

Schritt 4: Virtuelle Umgebung einrichten

Schritt 5: Aktivieren

Schritt 6: spaCy installieren

2.4 NLP mit spaCy ausprobieren

2.4.1 Tokenisierung

2.4.2 Stoppwörter‌

2.4.3 Einen Text‌ in Sätze zerlegen

2.5 Projekt: Mit NLP einen Text automatisch zusammenfassen‌

2.5.1 Vorüberlegung: Wie erkennt man, was wichtig ist?

2.5.2 Programmierung

Schritt 1: Text tokenisieren und Schlüsselwörter finden

Schritt 2: Sätze gewichten

Schritt 3: Schwellenwert für Satzgewichte finden

Schritt 4: Text zusammenfassen und ausgeben

2.6 Was ist ein Apfel? Die Bedeutung von Wörtern

2.6.1 Semantisches Netz‌‌

2.6.2 Embeddings und Ähnlichkeit – Experimente mit spaCy

2.6.3 Ähnlichkeit

2.7 Projekt: Schlag nach bei Goethe! Ähnliche Wörter finden‌

Schritt 1: Den »Faust« lesen und eine Menge von Wörtern vorbereiten

Schritt 2: Suche nach Wörtern

2.8 Projekt: Fitness-Chatbot ‌für Reisende

Schritt 1: Fragen und Antworten

Schritt 2: Zu einer Frage die beste Antwort finden

Schritt 3: Der Dialog

2.9 Rückblick

2.10 Lösungen

Aufgabe 1: Zeichenkunst

Aufgabe 2: Unicode-Zeichen finden

Aufgabe 3: Strings durchsuchen

Aufgabe 4: Strings verarbeiten

Aufgabe 5: Neue Features

Aufgabe 6: Was ähnelt »hurz«?

Aufgabe 7: Glück und Unglück

Aufgabe 8: Ein Schwellenwert für die Ähnlichkeit

Kapitel 3: Lernende Programme

3.1 Wie Computer »intelligent« werden

3.1.1 Überwachtes Lernen: Regression‌

3.1.2 Überwachtes Lernen‌‌: Klassifizieren

3.1.3 Unüberwachtes Lernen

3.1.4 Verstärkungslernen‌

3.2 Projekt: Lernen durch Versuch und Irrtum‌‌ – Wegesuche auf dem Mond

3.2.1 Turtle-Grafik

3.2.2 Das Simulationsprogramm

Schritt 1: Die Mondlandschaft

Schritt 2: Den Roboter steuern

Schritt 3: Das gelernte Wissen anwenden: Zweiter Lauf vom Start zum Ziel

Schritt 4: Besser werden

3.2.3 Fazit

3.3 Rückblick

3.4 Lösungen

Aufgabe 1: Lernrate

Aufgabe 2: Nadelbäume erkennen

Aufgabe 3: Blätter bestimmen

Aufgabe 4: Eine Birne ist anders

Aufgabe 5: Verdächtige Nachricht

Aufgabe 6: Mehr Zufälligkeit

Kapitel 4: Inspiriert durch das Gehirn – Künstliche neuronale Netze

4.1 Das Gehirn – Ein natürliches neuronales Netz

4.2 Künstliches neuronales Netz

4.2.1 Aktive Knoten

4.2.2 Aktivierungsfunktionen

4.3 Ein neuronales Netz‌ entwerfen und trainieren

4.3.1 Uneinigkeit erkennen

4.3.2 Vorhersagen berechnen

4.3.3 Trainingsprozess und Batchgröße

4.3.4 Verlustfunktion (Loss‌)

4.3.5 Gradientenabstieg

4.3.6 Klassischer Gradientenabstieg und Stochastischer Gradientenabstieg

4.3.7 Adam-Optimierer

4.4 Trainingscamp: Arrays verarbeiten mit NumPy

4.4.1 Vorbereitung

4.4.2 Station 1: Arrays erzeugen

4.4.3 Station 2: Rechnen mit Arrays

4.4.4 Station 3: Arrays in Form bringen

4.5 Projekt: Uneinigkeit erkennen‌

4.5.1 Vorbereitung

4.5.2 Google Colab‌ verwenden

4.5.3 Programmierung

Schritt 1: Die Trainingsdaten vorbereiten

Schritt 2: Das neuronale Netz (Modell) definieren

Schritt 3: Das Modell trainieren und testen

4.6 Projekt: Ziffern erkennen‌

4.6.1 Programmierung

Schritt 1: Vorbereitung der Trainingsdaten

Schritt 2: Definition des neuronalen Netzes

Schritt 3: Das Modell trainieren und testen

4.7 Rückblick

4.8 Lösungen

Aufgabe 1: Gehirnquiz

Aufgabe 2: Arrays erzeugen

Aufgabe 3: Rechnen mit Arrays

Aufgabe 4: Arrays in Form bringen

Aufgabe 5: Experimente mit dem Uneinigkeits-Detektor

Aufgabe 6: Experimente zur Erkennung handgeschriebener Ziffern

Kapitel 5: Der Computer als Künstler – Bilder generieren mit einem GAN

5.1 Was ist generative KI?

5.2 Wie funktioniert ein GAN?

5.3 Trainingscamp: Tensoren

5.3.1 Station 1: Eigenschaften eines Tensors

5.3.2 Station 2: Tensoren erzeugen

5.3.3 Station 3: Tensoren in Form bringen

5.3.4 Station 4: Zugriff auf Teile eines Tensors

5.3.5 Station 5: Tensoren als Bilder anzeigen

5.4 Projekt: Kreative Ziffern‌

5.4.1 Programmierung

Schritt 1: Daten laden und vorbereiten

Schritt 2: Tensoren erstellen

Schritt 3: Der Generator

Schritt 4: Der Diskriminator

Schritt 5: Das GAN

Schritt 6: Das Training

Schritt 7: Bilder ausgeben

5.4.2 Weiterentwicklung: Modelle speichern und trainierte Modelle nutzen

5.5 Projekt: Künstliche Gesichter‌

5.5.1 Vorbereitung

5.5.2 Programmierung

5.6 Rückblick

5.7 Lösungen

Aufgabe 1: Echt oder Fake?

Aufgabe 2: Auf die Form kommt es an

Aufgabe 3: Tensoren erzeugen

Aufgabe 4: Zugriff auf Ausschnitte eines Tensors

Aufgabe 5: Tensorbilder

Aufgabe 6: Experimente mit dem GAN

Kapitel 6: Textproduktion mit rekurrenten neuronalen Netzen (RNN)

6.1 »Es war einmal« – Ein Sprachmodell mit Bleistift und Papier

Schritt 1: Das Sprachmodell nutzen

Schritt 2: Das Sprachmodell trainieren

Schritt 3: Neue Sätze bilden

6.2 Wie funktioniert ein RNN?

6.2.1 Hat ein künstliches neuronales Netz ein Gedächtnis‌?

6.2.2 Neuronen mit Gedächtnis – Rekurrente neuronale Netze (RNNs)

6.2.3 Gradientenverschwinden und Gradientenexplosionen

6.2.4 Die Arbeitsweise von LSTM-Zellen

6.3 Projekt: In sechs Schritten zum Textgenerator‌

6.3.1 Die Grundidee

6.3.2 Die Programmierung

Schritt 1: Daten sammeln

Schritt 2: Preprocessing

Schritt 3: Sequenzen für das Modell vorbereiten

Schritt 4: Ein generatives Modell einrichten

Schritt 5: Das Modell trainieren

Schritt 6: Text generieren

6.4 Das Projekt weiterentwickeln

6.4.1 Mehr Zufall‌

6.4.2 Mehr Komplexität‌ durch zusätzliche Schichten

6.4.3 Eine moderne Weiterentwicklung: Gated Recurrent Unit (GRU‌)

6.4.4 Preprocessing: Satzzeichen verarbeiten

6.5 Eine Alternative zu RNN: Transformer

6.5.1 Programmierung

6.6 Rückblick

6.7 Lösungen

Übung: Es war einmal

Aufgabe 1: Reflexion »Es war einmal«

Aufgabe 2: Trainierbare Parameter

Aufgabe 3: Ein Vergleich

Aufgabe 4: Mehr Tracing

Aufgabe 5: Experimente

Aufgabe 6: Postprocessing

Kapitel 7: Musik komponieren mit KI

7.1 Trainingscamp: Noten verarbeiten mit music21

7.1.1 Station 1: Vorbereitung

7.1.2 Station 2: Melodien mit Streams

7.1.3 Station 3: Eine Melodie definieren und abspielen

7.1.4 Station 4: Mehrstimmige‌ Partituren mit Scores

7.1.5 Station 5: Aus einer MIDI-Datei die Melodie gewinnen

7.1.6 Station 6: Eine Melodie transponieren

7.2 Projekt: Melodien komponieren ‌

Schritt 1: Aus einer MIDI-Datei Noten gewinnen

Schritt 2: Nummern für die Noten

Schritt 3: Sequenzen für das Training bilden

Schritt 4: Das Modell definieren und trainieren

Schritt 5: Eine Melodie generieren

7.2.1 Erweiterung: Mehr Trainingsdaten

7.2.2 Anregungen für Experimente und Entwicklungen

7.3 Rückblick

7.4 Lösungen

Aufgabe 1: Noten und Pausen

Aufgabe 2: Eine Partitur mit zwei Stimmen

Aufgabe 3: Noten-Tupel weiterverarbeiten

Aufgabe 4: Ein schöner Abschluss

Aufgabe 5: Trainingsmelodien in einheitlicher Tonart

Kapitel 8: Diffusionsmodelle – Bilder aus Rauschen

8.1 Die Grundidee

8.2 Faltung‌ (Konvolution‌) – Ein Bild durch Features beschreiben

8.2.1 Features im Alltag

8.2.2 Mit Filtern Features erkennen

8.2.3 Padding und Stride

8.2.4 Lernende Filter in einem Convolutional Neural Network (CNN)

8.2.5 Faltung als neuronales Netz

8.3 Wie entrauscht man ein verrauschtes Bild‌?

8.3.1 Das U-Net und Bildsegmentierung in der Medizin

8.3.2 Faltung, Pooling und Skip-Connections – Die Magie der U-Nets

8.3.3 Veranschaulichung: Ein beschädigtes Bild rekonstruieren

8.4 Projekt: Künstliche Ziffern‌

Schritt 1: Vorbereitung

Schritt 2: Die Trainingsdaten vorbereiten

Schritt 3: Eine Pipeline mit Trainingsdaten aufbauen

Schritt 4: Ein U-Net-Modell erstellen

Schritt 5: Das Modell trainieren

Schritt 6: Das U-Net testen

Schritt 7: Künstliche Ziffern

8.5 Rückblick

8.6 Lösungen

Aufgabe 1: Japanische Schriftzeichen

Aufgabe 2: Farbige Fantasieblumen

Michael Weigend

KI-Projekte programmieren mit Python

Dein einfacher Einstieg

Generative KI, Chatbots, Objekterkennung und Co.

Impressum

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über https://portal.dnb.de/opac.htm abrufbar.

ISBN 978-3-7475-0997-5 1. Auflage 2025

www.mitp.de E-Mail: [email protected] Telefon: +49 7953 / 7189 - 079 Telefax: +49 7953 / 7189 - 082

© 2025 mitp Verlags GmbH & Co. KG, Augustinusstr. 9a, DE 50226 Frechen

Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften.

Dieses E-Book verwendet das EPUB-Format und ist optimiert für die Nutzung mit Apple Books auf dem iPad von Apple. Bei der Verwendung von anderen Readern kann es zu Darstellungsproblemen kommen.

Der Verlag räumt Ihnen mit dem Kauf des E-Books das Recht ein, die Inhalte im Rahmen des geltenden Urheberrechts zu nutzen. Dieses Werk, einschließlich aller seiner Teile, ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Dies gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen.

Der Verlag schützt seine E-Books vor Missbrauch des Urheberrechts durch ein digitales Rechtemanagement. Bei Kauf im Webshop des Verlages werden die E-Books mit einem nicht sichtbaren digitalen Wasserzeichen individuell pro Nutzer signiert. Bei Kauf in anderen E-Book-Webshops erfolgt die Signatur durch die Shopbetreiber. Angaben zu diesem DRM finden Sie auf den Seiten der jeweiligen Anbieter.

Lektorat: Janina Vervost Sprachkorrektorat: Franziska Kaltenberger Fachkorrektorat: Petra Heubach-Erdmann Covergestaltung: Christian Kalkert Coverbild: © Slowlifetrader / stock.adobe.com Satz: III-satz, Kiel, www.drei-satz.deelectronic publication: III-satz, Kiel, www.drei-satz.de

Einleitung

Wenn Menschen heute über künstliche Intelligenz (KI) reden oder schreiben, denken sie meist an Systeme wie ChatGPT. Tatsächlich gibt es aber viele Formen von KI, und einige davon sind schon seit vielen Jahren in Betrieb, ohne von der breiten Öffentlichkeit bemerkt worden zu sein.

Eine generative künstliche Intelligenz (generative KI) ist ein Computerprogramm, das Medienprodukte (z.B. Bilder, Texte) erstellen kann, die aussehen, als wären sie von einem Menschen erschaffen worden. Generative KI ist also schöpferisch und produktiv. Im Unterschied dazu steht diskriminierende KI. Das sind Programme, die z.B. Verkehrszeichen oder Gesichter auf Bildern erkennen können.

Dieses Buch möchte dich inspirieren, selbst aktiv und kreativ zu werden. In vielen kleinen Projekten, die du am Computer ausprobieren und weiterentwickeln kannst, näherst du dich den wichtigsten Prinzipien der KI. Es werden keine speziellen Vorkenntnisse vorausgesetzt.

Wie ist das Buch aufgebaut?

Wir beginnen einfach. Die ersten Projekte nutzen Standardtechniken der Programmiersprache Python, insbesondere Strings, Listen und Dictionaries. Später kommen dann umfangreiche, kostenlos verfügbare Programmbibliotheken hinzu, die du installieren musst: NumPy, Matplotlib, SpaCy, TensorFlow und music21.

In jedem Kapitel gibt es:

Fragen zum Verständnis

Beobachtungsaufgaben

Programmierprojekte

Kästen mit praktischen Tipps und Hintergrundwissen

am Ende einen Rückblick auf die wichtigsten Dinge

Darüber hinaus enthalten einige Kapitel:

Rätsel oder Übungen mit Bleistift und Papier

ein Trainingscamp, um neue Programmiertechniken zu lernen und zu üben

Experimente, z.B. um komplexe Datenstrukturen besser zu verstehen

Programmbeispiele zum Download und Colab Notebooks

Alle Programmbeispiele kannst du von der Webpräsenz des mitp-Verlags herunterladen. Besuche die Adresse https://www.mitp.de/0995, wähle die Registerkarte Downloads und klicke auf den Link Programmbeispiele. Nach dem Entpacken hast du einen Ordner mit allen Programmen, die im Buch erklärt werden. Die Ordner für die Kapitel 4 bis Kapitel 8 sind in einem Ordner namens tensorflow zusammengefasst. Sie enthalten Programme, die man sinnvollerweise in einer virtuellen Umgebung ausführt.

Auf der Website des mitp-Verlags findest du auch einen Link zu einem Google-Drive-Ordner mit Jupyter-Notebooks (für Google Colab). Der direkte Link ist: https://drive.google.com/drive/folders/1RwzldzzQ5EauBPZ0N3dj6PowYHfxHB6z

Dort kannst du die meisten Programmbeispiele direkt im Browser ausprobieren und weiterentwickeln – ganz ohne Installation auf deinem eigenen Computer.

Kapitel 1: Denkende Maschinen

Was ist eigentlich Intelligenz? In diesem Kapitel gehen wir dieser Frage auf den Grund und schaffen gleichzeitig die Grundlage für die im Buch folgenden KI-Projekte. Falls du mit der Programmiersprache Python noch nicht vertraut bist, erhältst du ganz nebenbei eine kurze Einführung.

Zunächst werfen wir einen Blick auf ein psychologisches Modell der menschlichen Intelligenz. Die »Primärfaktoren« dieses Modells sind dir wahrscheinlich von populärwissenschaftlichen Intelligenztests und Denksportaufgaben bekannt (Gegenstände in Gedanken rotieren, Bildfolgen ergänzen, memorieren, Synonyme finden etc.). Einige dieser Fähigkeiten beherrschen Computer ganz hervorragend. Mit 3D-Editoren kann man 3D-Objekte aus beliebigen Blickwinkeln betrachten, Computer besitzen ein hervorragendes Gedächtnis etc.

Im Anschluss wird der Turing-Test (»Imitation Game«) behandelt. Demzufolge ist ein System intelligent, wenn es in seinem Verhalten nicht von einem Menschen unterschieden werden kann.

Im Rest des Kapitels werden einige Programme erläutert, die auf diesem KI-Verständnis (»KI als Ersatzmensch«) basieren: Chatbots, mit denen man sich unterhalten kann oder die von sich aus Menschen ansprechen, und ein Spiel mit einer KI als Spielgegner (»Nim«). Alle in diesem Kapitel beschriebenen Programme sind Beispiele für symbolische KI‌‌, deren Arbeitsweise durch nachvollziehbare Regeln bestimmt ist. Später schauen wir uns subsymbolische KI‌‌ an. Dazu gehören künstliche neuronale Netze. Sie lernen aus Beispielen, aber wie sie Entscheidungen treffen, ist nicht zu durchschauen.

1.3  Maschinen als Ersatzmenschen – Der Turing-Test‌

Im Jahr 1950 diskutierte der englische Wissenschaftler Alan Turing‌ in seinem Artikel »Computing Machinery and Intelligence« die Frage, ob Maschinen denken können und unter welchen Bedingungen man sie als intelligent bezeichnen könne. Seine Idee war folgende: Eine Maschine ist intelligent, wenn man ihr Verhalten nicht von dem Verhalten eines Menschen unterscheiden kann.

Abb. 1.10: »Können Maschinen alles tun, wozu wir als denkende Wesen fähig sind?«

In diesem Artikel beschrieb er eine einfache Methode, mit der man prüfen kann, ob eine Maschine intelligent ist. Er nannte sie »Imitation Game‌«; inzwischen ist sie als »Turing-Test« in die Geschichte eingegangen. Der klassische Turing-Test funktioniert so: Ein Mensch (Prüfer) unterhält sich über geschriebenen Text auf Zetteln mit zwei Gesprächspartnern A und B. Die Zettel werden von einem Vermittler weitergereicht, sodass der Prüfer nicht weiß, mit wem er sich unterhält. Der eine Gesprächspartner ist ein Computer, der andere ein Mensch. Wenn der Prüfer aufgrund der Antworten Mensch und Computer nicht unterscheiden kann, zeigt der Computer Intelligenz.

Abb. 1.11: Der Turing-Test

Beachte, dass sich Turings Konzept von Maschinenintelligenz nicht auf Gespräche beschränkt. Es geht darum, dass ganz allgemein das Verhalten einer intelligenten Maschine von menschlichem Verhalten nicht unterschieden werden kann. In der Digitaltechnik werden heute Turing-Tests zu verschiedenen Zwecken verwendet:

Web-Programmierung: Manche Webseiten enthalten einen Turing-Test, um sicherzustellen, dass der Besucher der Seite ein Mensch ist und kein Roboter. Es gibt da unterschiedliche Systeme. Häufig muss man zu einem Bild mit verzerrt dargestellten Buchstaben (siehe Abbildung 1.12) die korrekte Zeichenfolge eingeben (Capcha).

Abb. 1.12: Capcha (completely automated public Turing test to tell computers and humans apart)

Generative KI‌‌: Der Diskriminator‌ eines Generative Adversarial Network (GAN‌) versucht, zu erkennen, ob Daten maschinell erstellt worden oder (menschengemachte) Originaldaten sind. Mehr dazu in Kapitel 5.