{"id":828,"date":"2018-09-29T12:33:21","date_gmt":"2018-09-29T10:33:21","guid":{"rendered":"http:\/\/www.dahms-projekt.de\/wordpress\/?p=828"},"modified":"2018-09-29T12:35:20","modified_gmt":"2018-09-29T10:35:20","slug":"machine-learning","status":"publish","type":"post","link":"https:\/\/www.dahms-projekt.de\/wordpress\/2018\/09\/29\/machine-learning\/","title":{"rendered":"Machine Learning"},"content":{"rendered":"

Medien, Infrastrukturen
\nund Technologien der K\u00fcnstlichen Intelligenz<\/em><\/p>\n

von Christoph Engemann, Andreas Sudmann (Hg.)\u00a0 –
\n<\/em><\/p>\n

im September 2018, 392 S., kart., zahlr. z.T. farb. Abb.-ISBN 978-3-8376-3530-0\u00a0 Aus der Reihe \u201aDigitale Gesellschaft\u2018 vom [transcript-verlag] REZENSION:<\/b><\/p>\n

Der vorliegende Sammelband befasst sich mit dem zurzeit alles beherrschenden Thema, der \u201eK\u00fcnstlichen Intelligenz\u201c (KI), dem \u201eML\u201c (Machine Learning) und dem mit gro\u00dfen Hoffnungen auf einen Leistungssprung versehenen \u201eDL\u201c = Deep Learning. Die Themen der Beitr\u00e4ge sind weit gestreut und umfassen, in vier Sektionen nicht ganz trennscharf, die Entwicklungsgeschichte der Ideen und deren Entwickler*innen, den Hoffnungen, die man in die praktische Ausf\u00fchrung und Anwendung setzt, ebenso mit den Bef\u00fcrchtungen, die man bei der Umsetzung und dem Einsatz dieser Ideen und Techniken hegt.<\/p>\n

Um den thematischen Umfang des Bandes wenigstens Stichpunkartig zu erl\u00e4utern, soll hier in verk\u00fcrzter Form auf die Intentionen der Herausgeber in kurzen Hinweisen nachgegangen werden:<\/p>\n

In der Einf\u00fchrung werden die Medien, die Infrastrukturen und die Technologien des Maschinellen Lernens zusammengefasst (9) und darauf hingewiesen, dass \u201ein der noch jungen Geschichte der Erforschung K\u00fcnstlicher Intelligenz(en) (fielen) Anspruch und Wirklichkeit oft weit auseinander fielen (9). Und dass aber auch \u201ewie so oft in der j\u00fcngeren Vergangenheit basiert auch dieser Innovationssprung auf einem ganz bestimmten Ansatz der KI: den maschinellen Lernverfahren K\u00fcnstlicher Neuronaler Netzwerke (kurz: KNN, seit ungef\u00e4hr 2006 auch \u201eDeep Learning\u201c genannt, kurz \u201eDL\u201c.(10) Die Definition f\u00fcr diese Verfahren ist die Aussage, dass das \u201ePrim\u00e4re\u201c Merkmal maschineller Lernverfahren ist, dass sie einen Computer in die Lage versetzen, aus Erfahrungen zu lernen, um bestimmte Aufgaben zu l\u00f6sen und Vorhersagen zu treffen, ohne f\u00fcr diese Funktion explizit programmiert worden zu sein.(10) Deshalb, wie die Herausgeber vorgeben, \u201eAuch aus diesem Grund m\u00f6chte der vorliegende Band sich nicht darauf beschr\u00e4nken, den Fokus allein auf die Chancen, Risiken und Grenzen von KI-\/ML-\/DL-Technologien richten, auch wenn deren sorgf\u00e4ltige Er\u00f6rterung ein Projekt darstellt, das weiterhin inter- bzw. transdisziplin\u00e4r verfolgt werden sollte.(13)
\nBis vor etwa 2015 stellten in zahlreichen anderen F\u00e4chern der Geistes-, Sozial- und Kulturwissenschaften sowohl Betrachtungen zu maschinellen Lernverfahren insgesamt als auch zu KNN ein Desiderat dar, mit einigen wenigen Ausnahmen (14), weil \u201eInnerhalb des Faches Medienwissenschaft sind bis dato in erster Linie die historischen Anf\u00e4nge der KI als Beitrag zur Entstehung moderner Computer und im Kontext der Kybernetik genealogisch rekonstruiert wurden.\u201c (14) und \u201eHistorische Abhandlungen zum Machine Learning gibt es nach wie vor kaum, erst recht nicht aus einer medienhistorischen Perspektive. Und tats\u00e4chlich ist ein solches historiographisches Projekt eine nicht unbetr\u00e4chtliche Herausforderung, gerade wenn man Verfahren des ML im Kontext der \u00fcbergeordneten Geschichte der KI stellt.\u201c (14) zur \u201eMediengenese und -genealogien des maschinellen Lernens und der K\u00fcnstlichen Neuronalen Netzwerke.\u201c (18).
\n\u201eImmerhin beginnt, wie u.a. Pamela McCorduck (2004 [1979]) gezeigt hat, die Vorgeschichte der KI und damit auch der maschinellen Lernverfahren bereits in der Antike. Zu denken w\u00e4re an die Mythen artifizieller Wesen, seien es die mechanischen goldenen Dienerinnen von Hephaistos, dem Gott des Feuers und des Handwerks in der griechischen Mythologie, oder Pygmalions Galatea. Seitdem hat sich die Vorstellung artifizieller Wesen mal mehr, mal weniger sichtbar in die kulturellen Erz\u00e4hlungen und Bilder der westlichen Welt eingeschrieben.\u201c (18)
\n\u201eIndes sind all diese fr\u00fchen Vorstellungen weit entfernt von dem, was man im 20. Jahrhundert als KI diskutieren wird: Mit der Heraufkunft des modernen Digitalcomputers \u00e4nderte sich das Konzept der Maschine allerdings nochmals grundlegend.\u201c<\/p>\n

\u201eIm Rahmen der vorliegenden Publikation wird es schwerpunktm\u00e4\u00dfig um eine Auseinandersetzung mit dem letztgenannten Paradigma gehen. Dabei soll versucht werden, die Engf\u00fchrungen und Tautologien der bisherigen Debatte zur Mensch-Maschine-Di?erenz zu vermeiden (zu den Gr\u00fcnden s.u.a. Dotzler 1989: 130). Entsprechend geht es im vorliegenden Band in erster Linie darum, die existierenden Praktiken des maschinellen Lernens gleichsam als f\u00fcr sich stehend zu begreifen sowie ihre medialen Voraussetzungen und Umgebungen theoretisch-historisch angemessen zu beschreiben.\u201c (19)<\/p>\n

Der vorliegende Band gliedert sich in einer Struktur von insgesamt f\u00fcnf Rubriken, welche \u2013 nicht immer ganz trennscharf \u2013 die hier versammelten theoretisch-historischen Zugri?e auf die Medien, Infrastrukturen und Technologien maschineller Lernverfahren erl\u00e4utern.<\/p>\n

Die erste Gruppe der Beitr\u00e4ge l\u00e4sst sich unter der Rubrik \u00bbEpistemologien und Genealogien des maschinellen Lernens\u00ab zusammenfassen. Ihr erster Beitrag, verfasst von Bernhard Dotzler, zieht in Zweifel, inwiefern die mit dem Machine Learning einhergehende Rhetorik einer epistemisch-technischen Z\u00e4sur gerechtfertigt ist. Mit Verweis auf die von Alan Turing beschriebenen, nicht weiter zerlegbaren Grundoperationen der \u00bbmachine computability\u00ab, argumentiert er, dass diese bis heute Basis jeglicher K\u00fcnstlicher Intelligenz sei. An diese Debatte ankn\u00fcpfend und tendenziell eine Gegenposition beziehend, stellt Andreas Sudmann die Grundlagen k\u00fcnstlicher neuronaler Netzwerke in ihrer historischen Entwicklung und aktuellen Fortentwicklung dar. Die Revolutionsrhetorik des Machine-Learning-Diskurses aufnehmend, erweitert er auf dieser Basis die Fragestellung nach dem Verh\u00e4ltnis von Medien und Revolutionen und zeigt, dass g\u00e4ngige Mediengeschichtsschreibungen des Computers hier revisionsbed\u00fcrftig werden. Das Maschinen und Lernen bereits lange vor der aktuellen Konjunktur eine enge Beziehung aufwiesen, verdeutlicht Herman Rotermund in seinem Beitrag. Anhand der von Charles Babbage bereits in der ersten H\u00e4lfte des 19. Jahrhunderts entwickelten Mechanical Notation, zeigt er, dass mit der industriellen Revolution und ihrer Proliferation von Maschinen, das Problem ihrer Vereinheitlichung kritisch wurde. Eine kritische Re?exion der Epistemologien maschineller Lernverfahren ist Gegenstand des Beitrags von Luciana Parisi. Zu den Feinheiten maschinellen Lernens geh\u00f6rt ihrer Ansicht nach, dass in sie die historische Artikulation der Spannung zwischen Information und Energie, Muster und Zuf\u00e4lligkeit, Signal und Rauschen, logischen Prozeduren und Unberechenbarkeiten eingeschrieben ist.<\/p>\n

Die zweite Sektion des Buches widmet sich den historischen Imaginationen und Diskursformationen zu (autonomen) Lernmaschinen. In einer breiten historischen Analyse widmet sich Stefan Riegers Beitrag den diskursiven Auseinandersetzungen mit dem Maschinellen. Wie Rieger zeigt, f\u00fchrt deren historisch keineswegs immer gleicherma\u00dfen negativ besetzte Semantik sp\u00e4testens seit der Goethezeit zur dominanten Mechanophobie. Jeremias Herbergs Beitrag kritisiert und historisiert eine kybernetische Kontrollvorstellung in der Bildungspolitik: In einer diachronischen Perspektivierung der aktuellen Rede des maschinellen Lernens geht er der Wirkungsgeschichte kybernetischer Konzepte in der amerikanischen Bildungspolitik der sechziger Jahre nach. Der gemeinsame Beitrag von Thomas Christian B\u00e4chle, Christoph Ernst, Jens Schr\u00f6ter und Caja Thimm untersucht schlie\u00dflich das maschinelle Lernen im Zusammenhang bzw. als Voraussetzung der Zuschreibung von Autonomie an Computersystemen.<\/p>\n

In der dritten Sektion geht es um den allgegenw\u00e4rtigen Begriff \u201eBig Data“. Die herausragende Bedeutung von Big Data und Data Mining hat man in den Medien- und Kulturwissenschaften bereits zu einem Zeitpunkt re?ektiert, als man \u00fcber maschinelles Lernen noch nicht viel wusste. Insofern ist der aktuelle Boom der KI auch ein neuer Anlass, erneut \u00fcber die Rolle der Daten und die mit ihnen verbunden Praxen nachzudenken inwieweit die im Zuge des maschinellen Lernens notwendigen Datenpraktiken naive Vorstellungen von Daten als vorfindliche Informationen konterkarieren, arbeitet Daniel Cardoso Llach in seinem Beitrag auf. Dem kritisch unterbestimmten Status von Daten in einem sehr viel existenzielleren Kontext geht auch Jutta Weber in ihrem Beitrag nach. Ihre Untersuchung der medialen Infrastrukturen und Datenpraxen des \u203aWar on Terror\u2039 fokussieren den unsicheren und unscharfen Status der Daten. Dem Status der K\u00f6rperlichkeit in Machine Learning-Verfahren geht Christoph Engemann anhand der Rolle und Genese von Trainingsdatens\u00e4tzen bei \u00fcberwachten Lernverfahren nach. Dabei wird gezeigt, dass duratierte Trainingsdatens\u00e4tze eine entscheidende Voraussetzung f\u00fcr funktionierende Machine Learning-Anwendungen sind, diese aber trotz Fortschritten in der Automatisierung immer noch weitgehend auf ein h\u00e4ndisches Labeling der Daten rekurrieren (siehe auch Sudmann 2017c). Den Abschluss der Sektion \u00fcber Datenpraktiken markiert der Beitrag von Lev Manovich. Letzterer schl\u00e4gt den Begri? der \u00bbMedia Analytics\u00ab vor, um mit ihm die von gro\u00dfen Plattformanbietern wie Facebook, Google und Net?ix entwickelten Verfahren zur computerisierten Analyse sowohl von Online-Content
\nals auch von dessen Nutzerinteraktionen zu bezeichnen. Die herausragende Bedeutung von Big Data und Data Mining hat man in den Medien- und Kulturwissenschaften bereits zu einem Zeitpunkt re?ektiert, als man \u00fcber maschinelles Lernen noch nicht viel wusste. Insofern ist der aktuelle Boom der KI auch ein neuer Anlass, erneut \u00fcber die Rolle der Daten und die mit ihnen verbunden Praxen nachzudenken, bevor, nachdem und w\u00e4hrend sie von Lernalgorithmen bearbeitet werden. Genau diese Perspektive nehmen die Texte der dritten Sektion des Bandes ein.<\/p>\n

Eine vierte Sektion widmet sich Fragestellungen zur Materialit\u00e4t und \u00c4sthetik lernender Maschinen. Der Beitrag von Hito Steyerl, \u201eEin Meer von Daten\u201c befasst sich mit der allgemeinen Vorstellung was Daten sind und in welcher Form Daten \u201ekonfektioniert\u201c werden, um diese einem lernenden System \u201everst\u00e4ndlich\u201c zu machen, dass dann aus ihnen seine \u201eErkenntnisse\u201c gewinnen kann und soll. Welche \u201eFehler\u201c sich damit unerkannt in die Daten einschleichen und von welcher Qualit\u00e4t daraus die \u201eErkenntnisse\u201c sind, damit befasst sich der Beitrag.<\/p>\n

Ein f\u00fcnfter, abschlie\u00dfender Teil berichtet \u00fcber kurze Interviews, die der Herausgeber Andreas Sudmann zum Thema mit aktiv t\u00e4tigen und forschenden Wissenschaftlern in den angesprochenen Kategorien f\u00fchrte.<\/p>\n

Dieser Band ist ein Novum innerhalb der ver\u00f6ffentlichten \u201epapers\u201c zu diesen Themen, wegen seiner zum \u00fcberwiegenden Teil in deutscher \u00dcbersetzung vorliegenden Beitr\u00e4ge, dabei wurden aber die meisten Zitate sprachlich im Original belassen. Es gab und gibt eine un\u00fcbersehbare Anzahl von Ver\u00f6ffentlichungen zum Thema KI und den Randgebieten, aber die Kenntnisnahme der\u00a0 \u00fcberwiegend oder sogar ausschlie\u00dflich in den Originalsprachen ver\u00f6ffentlichten Arbeiten mag kein gro\u00dfes Hindernis f\u00fcr das Studium der Inhalte sein, es macht sich doch einfacher und vermeidet Missverst\u00e4ndnisse, wenn sie auch in der Sprache der Rezipienten vorliegen, Fachausdr\u00fccke und aufgenommene Zitate sind wohl davon ausgenommen. Der Band ist ohne Einschr\u00e4nkungen empfehlenswert, gerade auch f\u00fcr Interessenten aus den Randgebieten und Nachbardisziplinen, weil sich der Einfluss KI-Forschung zunehmend \u00fcber mehr und einen sehr weiten und noch wachsenden Anwendungsbereich erstreckt.<\/p>\n

Peter Dahms<\/b> [www.OpernInfo-Berlin.de\u00a0 \/ www.Dahms-Projekt.de]<\/p>\n

Zur Erg\u00e4nzung:<\/b>
\nWer sich \u00fcber die Kultur- und Medienwissenschaftliche Besch\u00e4ftigung hinaus mit dem \u201eMachine Learning\u201c auch f\u00fcr die \u201ehandgreifliche\u201c, die technische Umsetzung des Themas interessiert, dem sei die folgende Einf\u00fchrung zum Studium und eventuell auch zum Nachvollziehen der technischen Algorithmen empfohlen. (d.i. beispielhaft eines von sehr, sehr vielen aktuellen Ver\u00f6ffentlichungen zum Thema.)
\n\u201eMachine Learning kurz & gut<\/b>\u201c aus O\u2019Reillys Taschenbibliothek ISBN 978-3-96009-052-6 e1.von 2018.<\/p>\n","protected":false},"excerpt":{"rendered":"

Medien, Infrastrukturen und Technologien der K\u00fcnstlichen Intelligenz von Christoph Engemann, Andreas Sudmann (Hg.)\u00a0 – im September 2018, 392 S., kart., zahlr. z.T. farb. Abb.-ISBN 978-3-8376-3530-0\u00a0 Aus der Reihe \u201aDigitale Gesellschaft\u2018 vom [transcript-verlag]<\/p>\n","protected":false},"author":1,"featured_media":829,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-828","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-rezliteratur"],"_links":{"self":[{"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/posts\/828","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/comments?post=828"}],"version-history":[{"count":5,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/posts\/828\/revisions"}],"predecessor-version":[{"id":834,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/posts\/828\/revisions\/834"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/media\/829"}],"wp:attachment":[{"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/media?parent=828"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/categories?post=828"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.dahms-projekt.de\/wordpress\/wp-json\/wp\/v2\/tags?post=828"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}