Nicht immer sind ein Papst und ich einer Meinung, jetzt sagt aber Papst Franziskus, dass neue Entwicklungen in der Künstlichen Intelligenz „im Zentrum des epochalen Wandels stehen, den wir erleben”.
Und auch genauso wie ich meint der Papst: Diese Technologie könne unser Leben verbessern, sie könne das Leben aber auch schlechter machen, wenn sie missbraucht wird.
Ein kluger Mann, egal wie verschiedene Weltbilder wir haben. Meiner Meinung nach sollten die Medien und wir endlich aufhören, unsere neuen fabelhaften KI-Werkzeuge “künstliche neuronale Netze” mit dem Terminator oder dem bösartigen Bordcomputer HAL9000 aus dem Science -Fiction-Film “2001: Odyssee im Weltraum” zu verwechseln, sondern die waren Chancen für uns mit KI aber auch ihre Probleme wahrzunehmen.
Dazu sagt der Entwickler von word2vec und mein (Jaromirs) tschechischer Landsmann Thomáš Mikolov:
“Es gibt diese Argumente, dass wir vielleicht keine Künstliche Intelligenz entwickeln sollten, weil sie uns zerstören würde. Was ist aber, wenn das Nichterreichen der Künstlichen Intelligenz die größte existenzielle Bedrohung für die Menschen ist?
Das Problem ist nicht, dass uns bald Künstliche-Intelligenz-Programme beherrschen. Das Problem ist, dass uns schon jetzt Firmen und Regierungen mit Hilfe von KI-Programmen manipulieren, kontrollieren und beherrschen können.
Wann nehmen wir es wahr? Wann tragen wir dazu bei, dass KI NUR zum Wohle der Menschheit eingesetzt wird? Wenn wir dafür beten? Ich glaube, mit Vernunft kommen wir hier etwas weiter: Wir werden bei KI selbst mitreden können, wenn wir uns in Sachen KI bilden. Habe ich schon erwähnt, dass ich jeden Montag um 19 Uhr einen Online-Vortrag über ein anderes KI-Thema abhalte. 🙂 Für diese Webinare kann man sich unter diesem LINK registrieren.
Wissenschaftler der Universität Tübingen haben in diesem Jahre herausgefunden, dass künstliche neuronale Netze (KNN) Objekte eher an ihren Texturen erkennen, das heißt an der Oberflächenbeschaffenheit dieser Objekte. Menschen eher an Formen der Objekte. Unseren Vorfahren musste nun mal nur ein schneller Blick ins Dunkle reichen, um den Tiger an seinen Umrissen zu erkennen. Wer den Tiger im Dunkeln nur an seinem gestreiften Fell erkennen konnte, wurde gefressen.
Dass KNN sich nicht an Gestalten orientieren, weist auch Wege, wie man sie austrickst: Vor kurzem haben Forscher an der Universität Leuven entdeckt, womit man künstliche neuronale Netze, die in der Überwachung eingesetzt werden, in die Irre führen kann: Eine Person wird von dem Überwachungsnetz nicht als Person erkannt, wenn sie am Körper ein bestimmtes farbiges Bild trägt.
So kann man für die Erkennung von Bankräubern bald wieder Menschen statt KI-Überwachungskameras einsetzen. Wenn eine Person in die Bank kommt, die am Bauch ein farbiges Bild trägt, um das KI-Überwachungssystem zu überlisten, ist es ein Räuber. 🙂
Der beste Datenschutz heutzutage ist wohl, so viele Lügen über sich zu verbreiten, dass darin niemand die Wahrheit fischen kann. Deswegen müsste man jede Google-Suche mit einigen parallel dazu laufenden Tarnsuchen nach Unsinn begleiten. Ansonsten hat man den fleißigen Datensammlern schon durch das Stöbern im Netz ein lückenloses Persönlichkeitsprofil geliefert: Was man kauft, was man isst, was man liest, welche Krankheiten man hat, welche sexuellen Vorleiben und den ganzen Rest.
Auch wo und wie man sich bewegt, wird gern erfasst. Zum Beispiel bei der automatischen Kennzeichen-Erfassung, und das nicht nur in den USA, sondern auch in Bayern.
Zumindest, was Überwachung angeht, kann man aber künstliche neuronale Netze (KNN) in der Bilderkennung austricksen. Wohl orientieren sich KNN bei ihrer Erkennung an den Texturen, also an der Oberflächenbeschaffenheit der Objekte. Nicht an ihren Formen wie wir Menschen.
Gern verwechseln KNN dreidimensionale mit zweidimensionalen Bildern. So wurde eine berühmte chinesische Managerin auf einem öffentlichen Bildschirm angeprangert, weil sie verbotenerweise über eine Straße gegangen sei. Dabei hat sie die Kamera auf dem Plakat eines vorbeifahrenden Busses gefilmt. Die Statue des berühmten tschechischen Marathonläufers und Olympiasiegers Emil Zatopek könnte ein Bilderkennungsprogreamm somit folgend beschreiben: “Ein Mann, der auf der Straße läuft.”
Auf der diesjährigen DefCon (August 2019), der Cybersicherheitskonferenz in Las Vegas, hat die Designerin und Hackerin Kate Rose ihre “Adversial Fashion Line” vorgestellt: Mit verschiedenen Autokennzeichen bedruckte Kleidungsstücke.
Selbstverständlich würden gut trainierte neuronale Netze auf diesen Trick nicht hereinfallen. Um die gängigen Modelle für die Autokennzeichen-Überwachung zu verwirren, dürften sie aber reichen. Momentan. Die künstlichen neuronalen Netze werden immer besser. Bald wird es sehr schwierig sein, sie auszutricksen. Deswegen sollten wir schauen, dass KNN nicht dazu missbraucht werden, uns zu überwachen.
Ein künstliches neuronales Netz ist eine Ansammlung von zusammenverbundenen Punkten in einem Computerprogramm. Egal wie viel Magie wir einem künstlichen neuronalen Netz (KNN) andichten, lernt ein KNN bei seinem Training seine Aufgabe nach einem mathematischen Optimierungsprozess lösen: dabei werden die Verbindungen zwischen den Punkten des Netzes mit Hilfe von Mathematik schrittweise gestärkt oder geschwächt, bis das Netz eine optimale Antwort auf seine Aufgabe liefert. Wenn man ein Programm mit Hilfe von Mathematik schrittweise anpasst, also optimiert, so dass es „optimal“ seine Aufgabe löst, ist es nun mal keine Magie, sondern ein mathematisches Optimierungsverfahren.
So wie es sich beim Kochen einer Kartoffelsuppe mit Steinpilzen auch um ein Optimierungsverfahren handelt, nur kein mathematisches: dabei tue ich Kartoffel in die Suppe, Steinpilze, etwas Salz, etwas Pfeffer, Majoran, Butter, wieder Pfeffer und Salz … Wenn die Suppe plötzlich zu salzig ist, schmeiße ich noch zwei Kartoffeln hinein. Und dann wieder Pfeffer. Auch Wasser gieße ich nach. Gebe Knoblauch dazu … So lange schütte ich Zutaten in die Suppe und koste die Suppe nach jedem solchen Schritt, bis die Suppe super schmeckt. Mit dem Kosten der Suppe ermittle ich schrittweise ihren Fehler und verbessere diesen. Immer wenn ich nach dem Kosten neue Zutaten hinzufüge, ist das Backpropagation of Error. Wie beim Training eines künstlichen neuronalen Netzes eben.
Die naheliegende Erklärung dafür ist: Die Foto-Datenbanken für das Training der Gesichtserkennungsprogramme stammen aus dem Internet und enthalten bis zu 80 % Gesichter von Weißen.
Die generell schlechtere Gesichtserkennung von Frauen erklärt man mit der Verwendung von Makup. Ich glaube aber, Frauen haben eine viele reichere Gefühlswelt als Männer und zeigen das dementsprechend in viel mehr Gesichtsausdrücken als Männer. Das bringt die Maschinen durcheinander. 🙂 Nicht ihr Makeup macht Frauen so schwer fassbar, sondern ihre Gefühle.
Wohl werden dunkelhäutige Menschen aber auch schlechter von den KI-Programmen erkannt, da die Digitalfotografie eher auf die Aufnahme von weißen Gesichtern hin entwickelt wurde. Also könnte das auch ein technisches Problem sein. Sicher spielen beide Ursachen eine Rolle: zu wenige Fotos von dunkelhäutigen Menschen in den Datenbanken und eine schlechtere Qualität ihrer Fotos.
Der Gesichtserkennungsexperte Patrick Grother stellte eine etwas politisch unkorrekte Hypothese auf: dunkelhäutige Menschen seien statistisch gesehen schlechter unterscheidbar als Weiße. Das wäre eine phänotypische Erklärung, für die es jedoch keine wissenschaftliche Begründung gibt. Auf jeden Fall kann ich dafür als ursprünglich theoretischer Molekularbiologe keinen molekularbiologischen Grund erkennen.
Israelische Wissenschaftler haben ein künstliches neuronales Netz trainiert, das aus einem Kochrezept das Bild der entsprechenden Speise kreieren kann. Diese virtuellen Speisen sehen recht lecker aus. Die Idee bekam einer der Forscher, Ori Bar El, als seine Oma sich an das Rezept ihrer “legendären Fischfilets in Tomatensoße” nicht mehr erinnern konnte. Hier gibt es ein ausführliches Zitat dazu.
Wohl hatte die Familie ein Bild der Speise, und so überlegte Ori Bar El, ob man einer Maschine beibringen könne, die Bestandteile einer Speise aus ihrem Bild zu folgern. Wegen vieler löslicher Zutaten wie Salz un Butter ist das unmöglich. Doch könne man nicht umgekehrt aus den Bestandteilen der Speise, ihrem Rezept also, das Bild der Speise schöpfen? Erzeugende gegnerische Netze (GANs – generative adversarial networks) konnten das.
GANs sind übrigens auch für Deep Fakes verantwortlich (gefälschte Fotos und Videos). Sie setzen sich aus einem Erzeuger-Netz, das bei seinem Training Bilder erzeugt und diese von seinem gegnerischen Netzwerk bewerten lässt, und das so lange, bis der Erzeuger gute Bilder liefert. Dann sind GANs fertig trainiert. Jetzt können sie auch Bilder von nicht gekochten Speisen liefern.
Bei tnw – thenextweb schreibt man dazu: “Diese talentierten (israelischen Forscher) haben vielleicht die verfluchten Feinschmecker auf Instagram in eine Welt gestürzt, in der wir uns nicht ganz sicher sein können, ob das echt ist, was uns das Wasser im Mund zusammenlaufen lässt, oder ob’s die Vorstellung eines Roboters von einem Souffle ist.”
So sollten Speisebilder-Fetischisten wohl verinnerlichen:
Traue keinem Bild einer Speise, die du nicht selbst gekocht hast.
Mir fällt dabei wieder mal der Spruch eines japanischen KI-Forschers ein, dessen Namen ich mir nicht merken konnte:
Die Grenzen der Anwendbarkeit von künstlichen neuronalen Netzen liegen nur in unserer Vorstellungskraft.
Chinesische StartUps SenseTime und Face++ sind weltführend in der Gesichtserkennung mit Künstliche-Intelligenz-Programmen (künstlichen neuronalen Netzen). Das chinesische Sky Net kann in China auf 170 Millionen Kameras zugreifen, in 3 Sekunden kann es jedes Gesicht identifizieren, und das viel besser, als es Gesichtserkennungs-Programme von Google und Facebook bewerkstelligen können. Bis 2020 werden in China 400 Millionen Kameras installiert sein.
Die chinesischen Apps SenseTime und Face++ scheinen sehr effizient zu arbeiten. Sie sind für “rassistische” Bias nicht so anfällig, wie das Gesichtserkennungs-System von Google zum Beispiel, das mal ein schwarzes Pärchen als Gorillas bezeichnete. Deswegen fangen jetzt auch Organisationen und Firmen im Westen die chinesischen Überwachungssysteme zu installieren, zum Beispiel die New Yorker Polizei.
Zwingt jetzt China dem westlichen Turbo-Kapitalismus ihre Ethik auf? Und ihre Art des Datenschutzes? Durch ihre führend Rolle in der Anwendung von künstlicher Intelligenz? So wie Facebook und andere US-Plattformen uns in Europa die amerikanische Prüderie aufzwingen? Hollywood den Kitsch und McDonalds diese unsäglich weichen Brötchen ohne Geschmack?
Wie schon in einem anderen Blog-Beitrag hier erwähnt: Als ich einmal einen chinesischen KI-Forscher fragte, warum denn China langsam weltführend in künstlicher Intelligenz wird, hat er gelächelt und gesagt: “Wir haben die Daten!”
Für das Training von künstlichen neronalen Netzen (KNN) braucht man nun mal große Datensätze – die gibt es in China. Je weniger Datenschutz, umso größer die Datensätze, die der Regierung und den Firmen zur Verfügung stehen.
Uns bleibt nichts anderes übrig, als möglichst schnell die Erforschung und Entwicklung der künstlichen neuronalen Netze voranzutreiben und uns Gedanken zu machen, damit diese Systeme nicht missbraucht werden. Sonst wird diese Entwicklung von autoritären Systemen vorangetrieben. Wie absurd es auch ist, sogar Putin warnt davor: Wer bei künstlicher Intelligenz in Führung gehe, werde die Welt beherrschen.
KNN könnten uns helfen, die Erde besser zu machen, unsere Krankheiten zu besiegen, das Klima zu retten. Wenn wir aber wegschauen, wenn wir künstliche Intelligenz Menschen überlassen, die nur Geld und Macht häufen wollen, oder autoritären Regimes, können wir bald auf einer voll überwachten Erde hocken, von einem Überwachungssystem kontrolliert, von dem Orwell nicht einmal alpträumen konnte. Dann hilft das Wegschauen nicht mehr. Die Kameras sind überall – an Maschinen angeschlossen, die Dich auch erkennen, wenn du deinen Kopf in einen Kürbis steckst – an deinem Körper, an deinem Gang, an der Bewegung deiner Arme. Die KI-Programme können das.
Vielleicht würde dieses allgegenwärtige System die Alltagskriminalität abschaffen, doch auch das Tor breit öffnen für einen nie dagewesenen Machtmissbrauch. Wollen wir das?
Ich habe keine Angst vor HAL 9000 oder Terminator. Künstliche neuronale Netze können uns nicht versklaven. Nur Menschen können das – mit Hilfe der künstlichen neuronalen Netze.
Im Frühjahr hat eine Lektorin ein Kinderbuchprojekt von mir abgelehnt, in dem künstliche Intelligenz (KI) thematisiert wurde. KI sei kein Thema, meinte sie. Wirklich! In diesem Hype-Jahr der KI!
Indem KI jetzt auch das Allerheiligste des Feuilletons in Frage stellt – die Kunst -, wie man in diesem SZ-Artikel lesen kann, ist KI, hoffentlich, auch bei den Verlagen angekommen: Bei Christies ist ein Bild für 400.000 Euro verkauft worden, das von einem künstlichen neuronalen Netz gemalt wurde.
Übrigens hatte ich im Sommer 2018 die gleiche Idee: ein KNN mit Bestsellern zu trainieren, damit es dann Besteller wie ein Jagdhund den Fuchs riechen kann. Habe über die Idee auch ein paar Freunden geschrieben, sie dann aber wieder fallen lassen, da ich kein StartUp gründen will.
Für Bücher kannst du Ideen zu künstlicher Intelligenz und künstlichen neuronalen Netzen nicht mehr verwenden. Denn bis es zu der Veröffentlichung des Buches kommt, hatte unsere schöne neue KI-Wirklichkeit diese Idee längst überholt.
Ein japanischer KI-Forscher sagte: Die Möglichkeiten der Anwendung der tief lernenden neuronalen Netzen sind nur durch unsere Vorstellungskraft begrenzt. Recht hatte er!
Ich verrate Ihnen ein großes Geheimnis über künstliche Intelligenz: Die gibt es nicht! Allgemein wird zwischen starker und schwacher künstlicher Intelligenz unterschieden. Starke künstliche Intelligenz müsste menschliche bis übermenschliche Intelligenz haben. Alles darunter zählt zu schwacher künstlicher Intelligenz. Doch auch die gibt es nicht, höchstens die erste Stufe auf der Treppe dahin – künstliche neuronale Netze.
Ob gerade diese Treppe aus heutigen künstlichen neuronalen Netzen zu starker künstlicher Intelligenz hinführt, weiß aber niemand. Künstliche neuronale Netze sind zwar dem Gehirn nachgebildet, ein Flugzeug ist aber auch einem Vogel nachgebildet – trotzdem bleibt es eine Maschine: Ein Flugzeug kann sich im Herbst nicht plötzlich selbst entscheiden, nach Afrika zu fliegen, um dort zu überwintern .
Vielleicht führt die Treppe aus künstlichen neuronalen Netzen nirgendwohin, was die Entwicklung der starken künstlichen Intelligenz angeht, doch das Laufen darauf bringt uns sehr viel: Künstliche neuronale Netze sind die besten Optimierungsverfahren, die es je gegeben hat. Sie leisten Erstaunliches.
Trotzdem müssen künstliche neuronale Netz in den Medien für künstliche Intelligenz herhalten: Für das große rote Auge des bösartigen Bordcomputers Hal 9000 zum Beispiel. Mit diesem bösen Auge werden viele Medienartikel über künstliche Intelligenz bebildert. Vielleicht weil künstliche neuronale Netze zwar nur Computerprogramme sind, jedoch mit viel mehr Magie als ein Flugzeug: Sie können mit Hilfe von einer Menge Mathematik und viel Training mit sehr großen Datensätzen Muster in anderen großen Datensätzen finden und Sachen bestimmen:
Die Art von Krebs zum Beispiel, wenn ein Mensch dem künstlichem neuronalen Netz Unmengen von Tumorfotos zeigt. So wird nämlich ein solches Netz “überwacht” trainiert: „Das ist ein Tumor“, muss der Mensch dem Netz sagen. „Der Kranke mit diesem Tumor hatte diese oder diese Krebsart, und das hier ist die DNA dieses Krebskranken.“ Wenn man das künstliche neuronale Netz mit Millionen solcher Daten und den richtigen mathematischen Algorithmen trainiert, kann das Netz dann anhand eines nie gesehenen Tumorfotos tatsächlich bestimmen, was für ein Krebs das ist und welche DNA-Sequenzen zu genau dieser Art von Krebs führen.
Für uns ist ein DNA-Strang dagegen eine Kette aus Millionen von scheinbar willkürlich aneinander gereihten Buchstaben, an der kein Mensch etwas erkennen kann. Weil der Mensch nun mal in seinem intelligenten Gehirn nur 8 Informationseinheiten auf einmal bearbeiten kann: Acht nicht zusammenhängende Buchstaben zum Beispiel. Nicht Millionen! Ein künstliches neuronales Netz kann nach seinem Training in diesen kilometerlangen Buchstabenketten jedoch Muster erkennen und sagen: „Diese Buchstabenfolge führt zu diesem und diesem Krebs.“
Ist das aber intelligent? Nein! Wenn man dem Netz ein Foto mit dem Hintern eines Pavians zeigst, würde das Netz den Hintern auch wie ein Tumor behandeln und die dazugehörige Krebsart bestimmen. Ein künstliches neuronales Netz kann auf keine anderen Kenntnisse zurückgreifen, als auf die Daten, mit denen es trainiert wurde. Es hat keinen gesunden Menschenverstand, keine Erkenntnis, kein Gefühl, keine Intuition. Ein Kind würde sofort wissen, dass es sich um einen Hintern handelt, auch wenn es noch nie einen Pavian gesehen hat. Ein künstliches neuronales Netz kann nur in sehr großen Datensätzen Muster erkennen, wenn es mit Tausenden großen Datensätzen gefüttert wurde.
Von so vielen Daten kann ein Mensch höchstens einen Nervenzusammenbruch bekommen. Wenn der Mensch zum Beispiel das Telefonbuch von München auswendig lernen müsste. Je mehr Daten dagegen ein künstliches Neuronales Netz während seines Trainings bekommt, um so bessere Entscheidungen trifft es später. Sollte man aber seine Aufgabe nur etwas ändern, an der das Netz trainiert wurde, liefert es absurde Ergebnisse.
Nach einem Training mit Zehntausenden Bildern aus Porzellanläden würde ein künstliches Neuronales Netz sicher wunderbar jedes Sammelobjekt aus Porzellan seinem Stil zuordnen können und bestimmen, in welcher Epoche das Porzellan hergestellt wurde, doch wenn man dem Netz nach dem Training ein Bild eines Elefanten im Porzellanladen zeigt, würde es ziemlich durcheinander kommen und falsche Ergebnisse liefern. (Auch wenn ein Elefant zumindest dem Sprichwort nach eine Menge gemeinsam mit einem Prozellanladen hat.) Nur wenn man das Netz mit vielen Bildern trainieren würde, auf denen Elefanten in Porzellanladen stünden, würde das Netz sich auch nach dem Training von einem Elefanten auf einem solchen Bild nicht mehr irritieren lassen.
Das haben Wissenschaftler der Universität in Toronto gezeigt: Ein künstliches neuronales Netz hat gelernt, wunderbar Gegenstände auf Fotos diverser Wohnzimmern zu erkennen. Als die Wissenschaftler dann in ein solches Wohnzimmerfoto das Bild eines Elefanten hineinkopierten, verwirrten sie damit das Netz maßlos. Ein kleines Kind würde einen Elefanten als Elefanten erkennen, auch wenn der Elefant im Wohnzimmer fernsehen würde, ein künstliches neuronales Netz ließ sich durch das Ungewöhnliche (Elefant im Wohnzimmer) so durcheinander bringen, dass es den Elefanten für einen Stuhl hielt, und einen Stuhl für ein Sofa.
Bei meinem KI-Vortrag in der Evangelischen Akademie in Tutzing war ein chinesischer KI-Forscher. Ich habe ihn gefragt, wie es möglich ist, dass China langsam an die Spitze in künstlicher Intelligenz kommt. Er hat mich angelächelt und gesagt: “Wir haben die Daten!”
Nicht einmal dem chinesischen Staat helfen aber die vielen Daten, die er über seine Bürger überall sammelt, wenn etwas Unvorhersehbares dem künstlichen neuronalen Netz passiert, das die Daten auswerten soll:
Eine berühmte chinesische Managerin bekam eine Strafanzeige, weil sie auf Rot über einen Zebrastreifen gegangen sei. Dann hat sich aber herausgestellt, sie sei gar nicht in der Stadt gewesen. Die Künstliche-Intelligenz Kamera hat sie auf einem Plakat über der Kreuzung gefilmt. Und schwupp – eine Strafanzeige. Wenn die Kreuzung ein chinesischer Polizist überwacht hätte, statt einer Kamera, hätte er sofort gewusst, dass die Chinesin auf dem Plakat keine Fußgängerin ist.
Wenn Sie also in den Medien den Begriff künstliche Intelligenz hören oder lesen, können Sie sich gemütlich zurücklehnen: Künstliche Intelligenz ist Science Fiction. Unter dem Begriff künstliche Intelligenz will man ihnen künstliche neuronale Netze verkaufen. Sie sind jedoch kein Terminator, sondern Modelle des Maschinenlernens. Das Maschinenlernen ist wiederum eine Abteilung der Künstliche-Intelligenz-Forschung. Der Terminator muss noch eine Menge Jahre auf sich warten lassen:
Auch “nicht ganz intelligent” werden künstliche neuronale Netze aber unser Leben und die Erde grundlegend ändern: als Werkzeug. Zum positiven hoffe ich. Künstliche neuronale Netze können uns helfen, Krankheiten zu besiegen, den Klimawandel zu stoppen, gefährliche oder stupide Arbeiten zu verrichten, Ungerechtigkeiten und Vorurteile abzuschaffen, da sie im Grunde viel neutralere Entscheidungen als Menschen treffen können, wenn sie mit neutralen und großen Datensätzen trainiert werden.
Bei einer Studie in Israel hat man festgestellt, dass Richter vor dem Essen viel härtere Urteile fielen als nach dem Essen. Das könnte einem künstlichen neuronalen Netz nie passieren. Ein künstliches neuronales Netz richtet seine Entscheidungen nicht nach seinem Blutzuckerspiegel. Einem solchen Programm ist es egal, ob man schwarz oder weiß sei, Frau oder Mann, hetero- oder homosexuell.
Mit Hilfe von künstlichen neuronalen Netzen könnten wir eine Welt bekommen, die wir uns wünschen. Wenn wir versuchen zu verstehen, wie sie arbeiten, und uns darum kümmern, dass sie nicht missbraucht werden. Als autonome Waffen, oder als Systeme, die eine absolute Überwachung ermöglichen. Oder dazu, dass einige wenige Milliardäre noch milliardärer werden. Deswegen müssen wir viel lernen. Wenn wir’s richtig angehen, wird es uns auch Spaß machen. Das kann ich versprechen.
Neueste Kommentare