Rezension: Künstliche Intelligenz verstehen

Über das Buch

Das Autorenteam kommt aus der Vermittlung: Pit Noack ist Soundkünstler, Kulturmanager und Dozent, der in Tutorials und Workshops Jugendlichen wie Erwachsenen die Grundlagen von Programmierung und künstlicher Intelligenz beibringt; Sophia Sanner ist freiberufliche Künstlerin und Illustratorin, deren Cartoons und Infografiken das ganze Buch durchziehen und einen wesentlichen Teil seiner Erklärkraft ausmachen. Die Leitfrage lautet: Wie funktionieren KI-Verfahren eigentlich — nicht als Blackbox, sondern Schritt für Schritt nachvollziehbar? Einen enzyklopädischen Anspruch verfolgt das Buch dabei bewusst nicht; es vergleicht das Erkunden des Themas mit dem Kennenlernen einer fremden Stadt, in der man nicht jede Straße systematisch abläuft, sondern sich an markanten Orientierungspunkten entlanghangelt.

„Wir erheben nicht den Anspruch, eine systematische oder gar vollständige Darstellung zu liefern. Vielmehr haben wir einige Verfahren herausgepickt, die wir besonders lehrreich, interessant oder unterhaltsam finden." (S. 18)

Die Zielgruppe ist außergewöhnlich breit gefasst — das Vorwort adressiert ausdrücklich Menschen, die noch nie programmiert haben und es vielleicht auch nicht lernen wollen, ebenso wie Hobby-Coder, Studienanfänger, Berufstätige mit Programmiererfahrung ohne KI-Wissen und Lehrende, die anschauliche Beispiele für den eigenen Unterricht suchen. Vorausgesetzt wird nichts: Ein Anhang führt von Grund auf in JavaScript und die Grafikbibliothek p5.js ein.

Aufbau

Das Buch umfasst dreizehn Kapitel, lose nach Verfahrensfamilien geordnet, plus einen vierteiligen Anhang.

Die ersten Kapitel widmen sich klassischen, nicht-neuronalen Verfahren: Markov-Ketten zur Texterzeugung (Kap. 2), die Levenshtein-Distanz zur automatischen Schreibkorrektur (Kap. 3) und die Assoziationsanalyse zur Gruppierung von Begriffen (Kap. 4). Es folgen zwei Kapitel zur Spielbaum-Suche — Ein-Personen-Puzzles per Breitensuche (Kap. 5) und Zwei-Personen-Spiele mit dem Minimax-Algorithmus und Alpha-Beta-Pruning am Beispiel Reversi (Kap. 6) — sowie eine Einführung ins verstärkende Lernen mit Q-Learning (Kap. 7).

Die Kapitel 8 und 9 behandeln zwei distanzbasierte Verfahren im Kontrast: die k-nächsten Nachbarn als überwachtes Klassifikationsverfahren und das k-means-Clustering als unüberwachtes Gruppierungsverfahren. Den größten zusammenhängenden Block bilden die vier Kapitel zu neuronalen Netzen (Kap. 10–13): vom einzelnen künstlichen Neuron über den Gradientenabstieg und die Backpropagation bis zu fortgeschrittenen Architekturen — Faltungsnetzen, Autoencodern, GANs und Deep Q-Learning.

Der Anhang liefert eine kompakte Einführung in JavaScript und p5.js, ein Glossar, Quellen- und Literaturhinweise sowie ein Abbildungsverzeichnis. Zu jedem Kapitel gehört ein interaktives Beispielprogramm, das ohne Installation direkt im Browser läuft.

Meine Bewertung

Was die breite Zielgruppe angeht, löst das Buch sein Versprechen ein — und das ist keine Selbstverständlichkeit. Der Einstieg gelingt tatsächlich ohne jede Hürde: Alle Beispielprogramme lassen sich ohne Download, ohne Installation und ohne Anmeldung mit einem Mausklick im Browser starten. Diese Niedrigschwelligkeit, kombiniert mit der durchgehend liebevollen visuellen Gestaltung — den vielen Grafiken und Cartoons —, macht das Buch zu einer der zugänglichsten KI-Einführungen, die ich kenne.

Auffällig ist dabei, dass sich das Buch von seiner ganzen Anmutung her an eine eher junge Leserschaft richtet — der Schreibstil und die comichaften Illustrationen legen das nahe, auch wenn das Vorwort eine deutlich breitere Zielgruppe angibt.

Didaktisch überzeugt mich vor allem die konsequente Methode, jedes Verfahren über eine anschauliche Alltagsanalogie einzuführen, bevor Code oder Mathematik ins Spiel kommen. Das Q-Learning beginnt mit einem vergesslichen Eichhörnchen, der Gradientenabstieg mit einer Bergwanderung ins Tal. Eine im Vorwort zitierte Informatikstudentin bringt den Reiz dieses Ansatzes auf den Punkt:

„An der Uni sind wir in das Thema Q-Learning mit einem Haufen mathematischer Definitionen eingestiegen – euer Buch startet mit einem Eichhörnchen, das seinen Nussvorrat verbummelt hat." (S. 19)

Bei aller Anschaulichkeit verschweigt das Buch seine Vereinfachungen nicht: Wo etwas grob vereinfacht ist, weisen die Autoren ausdrücklich darauf hin — das ist intellektuell ehrlich und nimmt den intuitiven Erklärungen nichts.

Bei der didaktischen Struktur sehe ich allerdings auch Luft nach oben. Das zeigt sich exemplarisch am ersten Kapitel über neuronale Netze (Kap. 10): Es bespricht zuerst den abstrakten Aufbau ganzer Netze und erklärt erst danach, was ein einzelnes Neuron überhaupt berechnet. Ich hätte den umgekehrten Weg gewählt — beim einzelnen Neuron beginnen und von dort zum Netz aufbauen; so redet man nicht über etwas, dessen Grundbaustein noch gar nicht erklärt ist. Auch werden die Fachbegriffe — Minimax, Alpha-Beta-Pruning, Backpropagation — im Text nicht immer klar herausgestellt; wer gezielt nach ihnen sucht, muss sie sich aus dem Fließtext zusammenklauben. Für die nicht vorgebildete Zielgruppe ist das verschmerzbar, für den informierten Leser etwas mühsam.

Ein Punkt, der gerade für Python-Programmierer zählt: Die Beispiele sind nicht in Python geschrieben, sondern in JavaScript und der Grafikbibliothek p5.js. Die Autoren begründen das rein didaktisch und sind dabei angenehm offen über die Grenze ihres Ansatzes:

„Wenn Sie nach der Lektüre dieses Buchs auf den Geschmack gekommen sind und größere KI-Projekte in Angriff nehmen wollen, werden Sie an Python und Python-Umgebungen wie Keras oder PyTorch nicht vorbeikommen." (S. 23)

Wer KI-Konzepte verstehen will, ist hier also bestens bedient; wer eine Einführung speziell in die Python-KI-Welt sucht, muss die Übertragung selbst leisten — was bei den meisten Verfahren des Buchs aber gut gelingt.

Die deutlichste Einschränkung betrifft die Aktualität. Das Buch behandelt klassisches maschinelles Lernen und die Grundlagen neuronaler Netze gründlich, lässt aber genau das Thema aus, das die öffentliche KI-Diskussion seit 2023 bestimmt: große Sprachmodelle und die Transformer-Architektur. Die vermittelten Grundlagen sind die richtige Basis dafür, aber den Schritt zu ChatGPT und verwandten Systemen geht das Buch nicht mehr. Wer verstehen will, wie ein Sprachmodell funktioniert, findet die Antwort hier nicht.

Andere Stimmen

Die Fachpresse bespricht das Buch überwiegend positiv. Das Linux-Magazin (4/2024) hebt hervor, dass man die KI-Konzepte selbst ausprobieren und gerade dadurch verstehen könne — das mache Spaß und sei äußerst lehrreich. Die Zeitschrift mathematik lehren (8/2024) empfiehlt es für Interessierte mit wenig wie mit mehr Vorwissen. Eine nüchternere Stimme bei bücher.de relativiert das „spielerische" des Untertitels: nicht spielerisch und gewiss nicht einfach, aber durch die Beispiele zur Spielprogrammierung interessant. Das deckt sich mit meinem Eindruck — leicht im Zugang, stellenweise aber durchaus fordernd.

Gesamteindruck

Ein rundum gelungenes Buch — didaktisch durchdacht, gestalterisch liebevoll und durch die interaktiven Browser-Programme so praxisnah, wie man es sich für einen Einstieg nur wünschen kann. Die große Stärke ist die Anschaulichkeit: Wer wissen will, wie die klassischen KI- und Machine-Learning-Verfahren von innen arbeiten, bekommt hier eine ungewöhnlich greifbare, mit echtem Vergnügen lesbare Tour.

Zwei Einschränkungen sollte man kennen. Erstens fehlt mit den großen Sprachmodellen das derzeit prägende KI-Thema — das Buch bereitet die Grundlagen dafür, geht den letzten Schritt aber nicht. Zweitens hätte sich die didaktische Architektur an einzelnen Stellen noch stringenter staffeln lassen. Beides ändert nichts daran, dass das Buch sein selbstgesetztes Ziel — ein intuitives Verständnis der wichtigsten KI-Verfahren — überzeugend erreicht.

Empfehlen würde ich es allen, die KI nicht nur benutzen, sondern verstehen wollen und keine Scheu haben, selbst ein wenig zu programmieren — die Sprache spielt dabei kaum eine Rolle, denn die Konzepte sind übertragbar. Wer gezielt eine Python-orientierte oder eine auf Sprachmodelle fokussierte Einführung sucht, greift besser zu einem spezialisierteren Titel.