Künstliche Intelligenz menschlicher machen

Die Ermittlung Ihrer Netflix-Vorlieben, die Erkennung von betrügerischen Transaktionsmustern, die Identifizierung eines weit entfernten Sonnensystems mit acht Planeten – solche Aufgaben wären aufwendig, ungenau oder sogar unmöglich, wenn es nicht künstliche Intelligenz (KI) gäbe. Sie hat sich bereits als eine der maßgeblichen Technologien für die Industrie 4.0 etabliert und wird ebenso wie ihr Teilgebiet, das maschinelle Lernen (ML), in allen Branchen für unzählige komplexe Aufgaben eingesetzt. Doch wie bei der Entwicklung jeder bedeutenden Technologie gibt es auch hier immer noch Barrieren. Was heute weitgehend als der Heilige Gral des KI-Markts gilt, ist die Frage, wie man eine Maschine schaffen kann, die in ungewohnten Umgebungen dazulernen kann – so wie ein Mensch.

Laut McKinsey hat der KI-Markt das Potenzial, bis zum Jahr 2030 zusätzliche globale Wertschöpfung in Höhe von rund 13 Billionen USD zu generieren.¹ Jüngste Fortschritte in der KI, insbesondere bei tiefen neuronalen Netzen, auch Deep Neural Networks (DNNs) genannt, haben das Tempo beschleunigt, mit dem sie die Fähigkeiten eines menschlichen Gehirns präziser nachahmen. Zum Beispiel entsprachen die Ergebnisse bei einem IQ-Test, der 2015 mit einer KI-Maschine durchgeführt wurde, gerade mal denen eines Vierjährigen.² Nur ein Jahr später, in 2016, schlug AlphaGo mit einem bahnbrechenden Ergebnis den Go-Weltmeister in diesem komplizierten Spiel und katapultierte sich damit in die Position des wohl stärksten Go-Spielers der Geschichte.³ Dies ist schon deshalb bedeutsam, weil AlphaGo mehrere Ebenen des strategischen Denkens durchlaufen oder 10 hoch 170 mögliche Brettkonfigurationen in Betracht ziehen musste. Und es ist umso bemerkenswerter, als der Computer die Fähigkeit entwickelte, aus seinen Fehlern zu lernen, indem er gegen sich selbst spielte. Dies weist auf die Entwicklung einer Wahrnehmung der Maschine hin, die der menschlichen ähnelt.

Was bedeutet das für die Industrie?

Neuronale Netze, mit denen ein Computer aus Beobachtungsdaten lernen kann, sind inspiriert von der Funktionsweise des menschlichen Gehirns. Deep Learning kombiniert leistungsstarke Lerntechniken für neuronale Netze. DNNs kombinieren beides, was zu besonders effektiven Anwendungen bei der Bilderkennung führt. Obwohl viele DNNs die menschlichen Fähigkeiten bei visuellen Klassifizierungsaufgaben weit übertreffen, können sie immer noch durch einfache Tricks überlistet werden – z. B. durch das Anbringen von Klebeband an einem Tempolimit-Schild, was dazu führen kann, dass ein Tesla 85 mph (ca. 135 km/h) statt der (in den USA) erlaubten Geschwindigkeit von 35 mph (ca. 55 km/h) fährt.⁴ Das bedeutet, dass DNN-Systeme immer noch riesige Datenmengen verarbeiten müssen, um zuverlässig genaue Schlussfolgerungen zu ziehen. Der erste Schritt in diese Richtung ist eine höhere Rechenleistung. Der nächste? Die Weiterentwicklung von KI-Programmen, damit sie das menschliche Gehirn besser imitieren können.

In der Sicherheitsindustrie greift die Advanced Security Analytics Platform von Finally Safe und secunet auf KI zurück, um Datendiebstähle oder Manipulationsversuche aufzudecken, bevor ein Schaden entstehen kann. Die Plattform nutzt modernste Entwicklungen, um Anomalien durch ein selbstlernendes System zu erkennen. In der Transportbranche bahnen die Fortschritte im Bereich der KI den Weg für selbstfahrende Fahrzeuge. KI-Algorithmen, die Multi-Sensor-Datenfusion (MSDF) – eine angeborene menschliche Funktion – verwenden, fügen die Daten von Sensoren, Radaren und Kameras des Fahrzeugs zusammen, bevor sie Entscheidungen treffen. Dank dieser ganzheitlichen Sicht auf Umgebungsgefahren sind sichere, genauere Entscheidungen möglich⁵. Durch den Einsatz von DNNs in Kombination mit MSDF können Autos aus Situationen lernen und zukünftige Anforderungen erfüllen – so wie sich AlphaGo auf unterschiedliche Gegner einstellen kann.

All diese Daten führen unweigerlich zu der Frage, wie sie genutzt werden können, ohne gegen Datenschutzgesetze zu verstoßen. Doch mit KI sind Unternehmen in der Lage, öffentlich aufgezeichnete Kameradaten zu analysieren und dabei die jeweiligen Datenschutzbestimmungen weltweit einzuhalten. Das in Berlin ansässige Unternehmen, Brighter AI, an dem G+D beteiligt ist, nutzt beispielsweise KI, um Bilder, die von Video- und CCTV-Kameras gesammelt wurden, zu anonymisieren. Dabei werden wichtige Merkmale wie menschliche Emotionen beibehalten, sodass die Daten datenschutzkonform genutzt werden können und dennoch brauchbar sind.

Michael Khomut, Business Development Manager bei G+D, ist überzeugt, dass eine höhere Präzision erst der Anfang ist. „Die breitere Anwendung dieser Technologien und die Weiterentwicklung der Deep-Fusion-Funktion werden künftig unzählige neue Möglichkeiten eröffnen“, erklärt er. „KI-gesteuerte Maschinen sind bereits in der Lage, technologisch phänomenale Aufgaben zu erledigen. Der nächste Schritt ist die Entwicklung ihrer menschlichen Wahrnehmung.“

Damit Maschinen die ausgeklügelte Funktionsweise des menschlichen Gehirns besser nachahmen können, sind mehr Forschung und Investitionen im Bereich der DNNs und MSDF erforderlich. So wird sichergestellt, dass eine Maschine ein vollständiges und umfassendes Abbild ihrer Umgebung erstellen kann. Ehe wir uns versehen, werden KI-basierte Maschinen in der Lage sein, in neuen Umgebungen intelligent zu handeln und neue, bisher ungeahnte Fähigkeiten zu erreichen.

Veröffentlicht: 25.08.2020