KI ist reif für Un­ter­neh­men

Lang hat‘s ge­dau­ert – doch jetzt hat künst­li­che In­tel­li­genz die La­bors ver­las­sen.

Computerwoche - - Vorderseite - Von Mar­tin Bay­er, De­pu­ty Edi­to­ri­al Di­rec­tor

1997: Der IBM-Com­pu­ter „De­ep Blue“schlägt den am­tie­ren­den Schach­welt­meis­ter Ga­ry Kas­pa­row +++ 2011: Zwei mensch­li­che Quiz-Cham­pi­ons un­ter­lie­gen dem IBM-Su­per­rech­ner „Wat­son“in der USame­ri­ka­ni­schen Quiz­sen­dung Jeo­par­dy +++ 2016: Das von Goog­le Dee­pMind ent­wi­ckel­te Com­pu­ter­pro­gramm „Al­phaGo“be­siegt den süd­ko­rea­ni­schen Go-Welt­meis­ter Lee Se­dol mit 4:1 +++ 2017: Li­bra­tus zockt Po­ker-Pro­fis ab. Die­se und an­de­re Mel­dun­gen be­feu­er­ten in den zu­rück­lie­gen­den Jahr­zehn­ten im­mer wie­der hef­ti­ge Dis­kus­sio­nen über künst­li­che In­tel­li­genz und die Kon­se­quen­zen für die Mensch­heit. Meis­tens schwang da­bei die Sor­ge mit, Ma­schi­nen und Com­pu­ter könn­ten sich ver­selb­stän­di­gen und über im­mer mehr Le­bens­be­rei­che die Kon­trol­le ge­win­nen. Zu den pro­mi­nen­ten War­nern ge­hö­ren seit Jah­ren Mi­cro­soft-Grün­der Bill Ga­tes und der bri­ti­sche Phy­si­ker Ste­phen Haw­king. An­de­re Ex­per­ten set­zen da­ge­gen gro­ße Hoff­nun­gen in KI. Im Zu­sam­men­spiel mit Ro­bo­tik und Au­to­ma­ti­sie­rung sei­en gro­ße Ent­wick­lungs­sprün­ge in Sa­chen Pro­duk­ti­vi­tät und Ar­beits­er­leich­te­rung mög­lich. Vie­le glo­ba­le Pro­ble­me vom Kli­ma­wan­del bis hin zur Be­wäl­ti­gung von Hun­ge­rund Flücht­lings­kri­sen lie­ßen sich mit Hil­fe von KI-Tech­ni­ken lö­sen, so die Hoff­nung der Be­für­wor­ter und Op­ti­mis­ten.

Ist KI der Ret­ter oder der Un­ter­gang der Mensch­heit? Sol­che Dis­kus­sio­nen wer­den tat­säch­lich ge­führt. Kei­ne an­de­re Tech­nik po­la­ri­siert stär­ker. Da­bei ist das The­ma al­les an­de­re als neu. Be­reits in den 50er Jah­ren des 20. Jahr­hun­derts ha­ben Wis­sen­schaft­ler den Be­griff der künst­li­chen In­tel­li­genz ge­prägt. Die Ar­bei­ten von For­schern un­ter­schied­lichs­ter Dis­zi­pli­nen dreh­ten sich um die zen­tra­le Fra­ge, wie sich ei­ne Ma­schi­ne bau­en lie­ße, die mensch­li­che In­tel­li­genz imi­tie­ren kann. Doch die KI-Ent­wick­lung hat­te ih­re Hö­hen und Tie­fen. Auf Er­folgs­mel­dun­gen, die teil­wei­se eu­pho­ri­sche Sci­ence-Fic­tion-Phan­ta­si­en an­sta­chel­ten, folg­ten im­mer wie­der Ent­täu­schun­gen, weil die Tech­nik noch nicht reif war und die Re­chen­ka­pa­zi­tä­ten fehl­ten. Ex­per­ten spre­chen in die­sem Zu­sam­men­hang von „KI-Win­tern“.

„Wir bau­en kei­ne mensch­li­chen Ge­hir­ne nach oder ver­su­chen sie zu ko­pie­ren, aber wir bau­en Ma­schi­nen, die aus Er­fah­run­gen ler­nen und Er­geb­nis­se er­zie­len, die ih­re De­si­gner nicht un­be­dingt vor­her­ge­se­hen ha­ben.“Pe­ter Son­der­gaard, Re­se­arch-Chef von Gart­ner, glaubt, dass KI jetzt den lan­ge vor­be­rei­te­ten Durch­bruch schafft.

Das könn­te sich nun al­ler­dings än­dern. Die tech­ni­schen Vor­aus­set­zun­gen ha­ben sich deut­lich wei­ter­ent­wi­ckelt – es gibt Re­chen­power, Spei­cher und Da­ten oh­ne En­de. Auch die Me­tho­dik, wie Ma­schi­nen und Com­pu­ter ler­nen und da­mit „in­tel­li­gen­ter“wer­den, hat sich grund­le­gend ge­wan­delt. Vor 20 Jah­ren pro­fi­tier­te De­ep Blue in sei­nem Schach-Du­ell ge­gen Kas­pa­row vor al­lem von sei­ner im­men­sen Re­chen­power: 200 Mil­lio­nen Stel­lun­gen pro Se­kun­de konn­te das Sys­tem be­rech­nen. Al­ler­dings han­del­te es sich da­bei nicht um ein selbst­ler­nen­des Sys­tem, wie auch IBM ein­räum­te. De­ep Blues Soft­ware wur­de im Vor­feld mit Tau­sen­den Par­ti­en und Schach­wis­sen ge­füt­tert, die der Rech­ner für sei­ne Zü­ge durch­such­te und be­wer­te­te.

Im Lauf der Jah­re wur­den die KI-Me­tho­den im­mer wei­ter ver­fei­nert. IBMs Wat­son warf zwar im­mer noch ex­trem viel Re­chen­power in die Waag­scha­le, aus­schlag­ge­bend für den Jeo­par­dy-Sieg war aber die Dee­pQA-Soft­ware. Sie konn­te den Sinn von Fra­gen er­fas­sen, die in na­tür­li­cher Spra­che ge­stellt wur­den, und in­ner­halb kür­zes­ter Zeit auf Ba­sis ei­ner text­ba­sier­ten Da­ten­bank­re­cher­che die not­wen­di­gen Fak­ten für die rich­ti­ge Ant­wort fin­den.

Das mensch­li­che Ge­dächt­nis si­mu­lie­ren

Goog­le, das im Jahr 2014 das bri­ti­sche Star­t­up Dee­pMind über­nahm und da­mit sei­ne KI-An­stren­gun­gen deut­lich for­cier­te, ver­folgt das Ziel, sei­ne KI-Sys­te­me fle­xi­bel ein­setz­bar zu ma­chen. Die Struk­tur ba­siert auf ei­nem neu­ro­na­len Netz und be­inhal­tet dar­über hin­aus ei­ne Art Kurz­zeitspei­cher, mit dem sich die Fä­hig­kei­ten ei­nes mensch­li­chen Ge­dächt­nis­ses si­mu­lie­ren las­sen.

Für Auf­se­hen sorg­te Dee­pMinds Pro­gramm Al­phaGo, das im März 2016 den Pro­fi­spie­ler Lee Se­dol im Go-Spiel be­sie­gen konn­te. Go galt ver­gli­chen mit Schach als weit hö­he­re Hür­de für die KI. Auf­grund des grö­ße­ren Spiel­felds (19 mal 19 Fel­der) so­wie der ho­hen Zahl an Zug­mög­lich­kei­ten ist das Spiel we­sent­lich kom­ple­xer als Schach und da­mit auch nicht mit den klas­si­schen Re­chen­op­tio­nen ei­nes De­ep Blue zu be­wäl­ti­gen.

Al­phaGo ver­wen­de­te ver­schie­de­ne Ka­te­go­ri­en von künst­li­chen neu­ro­na­len Net­zen: ein Re­gel­netz mit ei­ner Viel­zahl von Par­ti­en, um al­le mög­li­chen Zug­va­ri­an­ten zu be­stim­men, so­wie ein Be­wer­tungs­netz, um be­stimm­te Po­si­tio­nen rich­tig ein­schät­zen zu kön­nen. In bei­den Net­zen kom­men Me­tho­den des „be­stär­ken­den Ler­nens“zum Ein­satz. Da­bei er­lernt ein so­ge­nann­ter Agent in­ner­halb der Soft­ware selb­stän­dig ei­ne Stra­te­gie. Es wird nicht vor­ge­ge­ben, wel­che Ak­ti­on in wel­cher Si­tua­ti­on die bes­te ist, son­dern das Sys­tem er­hält zu be­stimm­ten Zeit­punk­ten in der Lern­pha­se ein Feed­back. An­hand des­sen er­mit­telt der Agent den Nut­zen, den ein Zu­stand oder ei­ne Ak­ti­on hat. Die Soft­ware lernt – ähn­lich wie ein Mensch – durch po­si­ti­ve und ne­ga­ti­ve Be­stä­ti­gung für be­stimm­te Hand­lun­gen.

Im Grun­de ge­nom­men hat die KI-Tech­nik da­mit ei­nen neu­en Le­vel er­reicht. Es geht nicht mehr dar­um, ei­nen Rech­ner mit mög­lichst viel In­for­ma­tio­nen und Da­ten zu füt­tern, aus de­nen die­ser dann mit Hil­fe spe­zi­el­ler Al­go­rith­men, die in al­ler Re­gel auf­wen­dig pro­gram­miert wer­den müs­sen, und mit pu­rer Re­chen­power die Lö­sung für ein Pro­blem, ei­ne Auf­ga­be oder Fra­ge er­rech­net. Heu­te sind ler­nen­de KI-Sys­te­me in der La­ge, selb­stän­dig Lö­sun­gen und Ant­wor­ten zu fin­den. Das hat zu­dem den Vor­teil, dass die­se Art der KI nicht mehr auf­wen­dig für ei­ne be­stimm­te Auf­ga­be ent­wi­ckelt wer­den muss, son­dern fle­xi­bel für ver­schie­de­ne Auf­ga­ben trai­niert wer­den kann. Den Be­weis, dass die neue Ge­ne­ra­ti­on von KI im­mer in­no­va­ti­ver und leis­tungs­stär­ker funk­tio­niert und ar­bei­tet, hat die­ser Ta­ge „Li­bra­tus“an­ge­tre­ten. Li­bra­tus wur­de von Wis­sen­schaft­lern der Car­ne­gie-Mel­lon-Uni­ver­si­ty ent­wi­ckelt und trat in dem Wett­be­werb „Brains vs Ar­ti­fi­ci­al In­tel­li­gence: Up­ping the An­te“ge­gen vier Pro­fi-Po­ker-Spie­ler an.

Vom 11. bis 30. Ja­nu­ar 2017 wur­den im Ri­vers Ca­si­no im US-ame­ri­ka­ni­schen Pitts­burgh 120.000 Hän­de Te­xas-Hold’em-Po­ker­blät­ter ge­spielt. Am En­de wa­ren Jim­my Chou, Dong Kim, Ja­son Les und Da­ni­el McAu­ley be­siegt. Li­bra­tus hat­te die Pro­fi-Spie­ler nach al­len Re­geln der Kunst ab­ge­zockt. 1.766.250 Dol­lar hät­te die KI ge­won­nen, wenn es bei dem Spiel um rea­le Dol­lars ge­gan­gen wä­re.

Da­bei stan­den die Chan­cen für die mensch­li­chen Spie­ler ei­gent­lich nicht schlecht. Po­ker stellt ei­ne be­son­ders kom­ple­xe Her­aus­for­de­rung für KI dar. Wäh­rend bei Spie­len wie Schach und Go mit of­fe­nen Kar­ten ge­spielt wird und den Spie­lern je­der­zeit al­le In­for­ma­tio­nen wie Stel­lung, Po­si­ti­on und Zahl der Fi­gu­ren be­zie­hungs­wei­se Spiel­stei­ne zu­gäng­lich sind, gilt es beim Po­kern mit un­voll­stän­di­gen In­for­ma­tio­nen klar­zu­kom­men. Kei­ner der Spie­ler – auch die KI nicht – weiß, wel­che der 52 Kar­ten ak­tu­ell im Spiel sind. Da­zu kom­men Bluffs, um die Geg­ner in die Ir­re zu füh­ren.

Das macht Po­ker für Ma­schi­nen ex­trem kom­plex. Vor zwei Jah­ren war die ers­te KI-Ver­si­on „Clau­di­co“noch un­ter­le­gen. Das hat sich nun ge­än­dert. Li­bra­tus hat ge­lernt, sich auf die mensch­li­che Spiel­wei­se und die da­mit ver­bun­de­nen Un­wäg­bar­kei­ten ein­zu­stel­len. Man ha­be das KI-Sys­tem an­fangs wohl et­was un­ter­schätzt, räum­te Po­ker­pro­fi Chou ein. Die Ma­schi­ne sei je­den Tag bes­ser ge­wor­den. Zwar hät­ten sich die Spie­ler aus­ge­tauscht, um ge­mein­sam Schwach­stel­len der Po­ker-KI her­aus­zu­fin­den. „Bei je­der Schwä­che, die wir fan­den, lern­te Li­bra­tus von uns“, stell­te Chou aber fest. „Und am nächs­ten Tag war sie ver­schwun­den.“Po­ker sei ei­ne gu­te Mess­grö­ße, um die Leis­tungs­fä­hig­keit von KI zu be­ur­tei­len, sagt Tuo­mas Sand­holm, Pro­fes­sor an der Car­ne­gie Mel­lon Uni­ver­si­ty und Kopf der Li­bra­tus-Ent­wick­lung, ei­ne we­sent­lich schwie­ri­ge­re Her­aus­for­de­rung als Schach oder Go. Die Ma­schi­ne müs­se ex­trem kom­ple­xe Ent­schei­dun­gen tref­fen, die noch da­zu auf un­voll­stän­di­gen In­for­ma­tio­nen ba­sie­ren, und gleich­zei­tig auf Bluffs und an­de­re Tricks re­agie­ren. Nach dem ge­won­ne­nen Po­ker­match sieht der Wis­sen­schaft­ler et­li­che Ein­satz­be­rei­che für Li­bra­tus, in de­nen eben­falls Ent­schei­dun­gen auf Ba­sis ei­ner un­si­che­ren In­for­ma­ti­ons­la­ge ge­fällt wer­den müs­sen, zum Bei­spiel beim Mi­li­tär oder im Fi­nanz­sek­tor.

Po­ker, Go und Schach sind nicht gera­de Fak­to­ren, die auf grund­le­gen­de Ver­wer­fun­gen in Öko­no­mie und Ge­sell­schaft hin­deu­ten. Doch der Ein­druck, KI er­zie­le ih­re spek­ta­ku­lä­ren Er­fol­ge nur auf Spe­zi­al­ge­bie­ten, täuscht. Längst ex­pe­ri­men­tie­ren Un­ter­neh­men aus ver­schie­de­nen Bran­chen, wie KI be­stimm­te Ar­bei­ten ef­fi­zi­en­ter, schnel­ler und kos­ten­güns­ti­ger er­le­di­gen kann – in letz­ter Kon­se­quenz auch oh­ne Zu­tun oder Mit­hil­fe des Men­schen.

Wat­son jobbt in der Ver­si­che­rungs­bran­che

So will das Ver­si­che­rungs­un­ter­neh­men Fu­ko­ku Mu­tu­al Li­fe 34 Mit­ar­bei­ter durch ein KI-Sys­tem er­set­zen. De­ren Ar­beit soll künf­tig IBMs Wat­son-Tech­nik über­neh­men. Das Sys­tem soll Un­ter­la­gen von Ho­s­pi­tä­lern so­wie Ärz­ten ana­ly­sie­ren und prü­fen, ob de­ren An­ga­ben schlüs­sig und rich­tig sind. Al­ler­dings, so be­ton­ten die Ver­ant­wort­li­chen des ja­pa­ni­schen Ver­si­che­rers, wür­de die Aus­zah­lung der Ver­si­che­rungs­prä­mie schluss­end­lich nach wie vor von ei­nem Men­schen und nicht von ei­ner Ma­schi­ne ver­an­lasst. Wat­son hel­fe le­dig­lich, Da­ten und In­for­ma­tio­nen zu prü­fen. Fu­ko­ku ver­spricht sich da­von ei­ne um 30 Pro­zent bes­se­re Pro­duk­ti­vi­tät so­wie hand­fes­te fi­nan­zi­el­le Vor­tei­le. Das IBM-Sys­tem soll 2,36 Mil­lio­nen Dol­lar so­wie wei­te­re 177.000 Dol­lar pro Jahr an War­tung kos­ten. An­ge­sichts der jähr­lich ein­ge­spar­ten Per­so­nal­kos­ten in Hö­he von 1,65 Mil­lio­nen Dol­lar ha­be sich die In­ves­ti­ti­on in­ner­halb von rund zwei Jah­ren amor­ti­siert, rech­nen die Ja­pa­ner vor.

Mit­te Ja­nu­ar be­rich­te­te das Me­di­um „Chi­na Dai­ly“, dass ein KI-Sys­tem ei­nen Ar­ti­kel über ein Fes­ti­val ge­schrie­ben hat, der in der

„Sou­thern Me­tro­po­lis Dai­ly“ver­öf­fent­licht wur­de. Die Ma­schi­ne sei in der La­ge, kur­ze wie auch län­ge­re Stü­cke zu ver­fas­sen. Der jetzt ver­öf­fent­lich­te Ar­ti­kel sei in­ner­halb ei­ner Se­kun­de ent­stan­den. Ver­gli­chen mit klas­si­schen Re­por­tern kön­ne KI mehr In­for­ma­tio­nen und Da­ten ver­ar­bei­ten und sei au­ßer­dem in der La­ge, Ar­ti­kel deut­lich schnel­ler zu schrei­ben, er­läu­ter­te Xiao­jun Wan, Pro­fes­sor an der Pe­king Uni­ver­si­ty und Lei­ter des ent­spre­chen­den Ent­wick­lungs­pro­jekts. Al­ler­dings könn­ten Jour­na­lis­ten nicht von heu­te auf mor­gen durch Ro­bo­ter er­setzt wer­den, re­la­ti­vier­te der Wis­sen­schaft­ler. Wenn es dar­um ge­he, In­ter­views zu füh­ren und be­stimm­te Aspek­te durch wei­te­re Fra­gen zu klä­ren, kön­ne KI noch nicht mit mensch­li­chen Fä­hig­kei­ten kon­kur­rie­ren.

Die vie­len Star­tups, die der­zeit mit KI ex­pe­ri­men­tie­ren, dürf­ten da­für sor­gen, dass die Lis­te mit An­wen­dungs­bei­spie­len schnell län­ger wird. Da­bei hilft auch die Tat­sa­che, dass sich die KI-Ent­wick­lung deut­lich ver­ein­facht hat. Es braucht kei­ne teu­ren Re­chen­bo­li­den und auf­wen­di­gen Spe­zi­al­ent­wick­lun­gen mehr. Heu­te rei­chen für den An­fang Work­sta­tions be­zie­hungs­wei­se die Com­pu­te-Po­wer von Gra­fik­chips. Und wer mehr Leis­tung be­nö­tigt, kann die­se re­la­tiv ein­fach in der Cloud da­zu­bu­chen. Zu­dem kön­nen die Ent­wick­ler mit zahl­rei­chen KI-Frame­works ar­bei­ten, die zum größ­ten Teil als Open Sour­ce frei ver­füg­bar sind.

Deut­sche Star­tups ex­pe­ri­men­tie­ren

Da­von pro­fi­tiert zum Bei­spiel Peat. Das Star­t­up aus Han­no­ver hat die App „Plan­tix“ent­wi­ckelt, mit de­ren Hil­fe Gärt­ner und Bau­ern mit­tels ei­nes Fotos au­to­ma­tisch Schäd­lin­ge und Krank­hei­ten von Pflan­zen er­ken­nen kön­nen. Da­hin­ter steckt ein KI-Sys­tem, das an­hand von Bil­der­ken­nung stän­dig da­zu­lernt und sei­ne Ge­nau­ig­keit in der Er­ken­nung kon­ti­nu­ier­lich ver­bes­sert. Die App lie­fert dar­über hin­aus Tipps, wie der be­trof­fe­nen Pflan­ze zu hel­fen und mit wel­chen vor­beu­gen­den Maß­nah­men sie zu schüt­zen ist. Doch die Vi­si­on der Peat-Grün­der reicht noch wei­ter. Mit Hil­fe von GPS-Da­ten der Fotos sol­len sich Ver­brei­tungs­we­ge von Krank­hei­ten und Schäd­lin­gen ge­nau­er ver­fol­gen las­sen, er­läu­tert Kor­bi­ni­an Hart­ber­ger, bei Peat ver­ant­wort­lich für Bu­si­ness Re­la­ti­ons. Zu­dem könn­ten Kor­re­la­tio­nen mit Geo­da­ten Auf­schlüs­se ge­ben, wie Bo­den­qua­li­tät oder Wet­ter mit der Ver­brei­tung von Pflan­zen­krank­hei­ten zu­sam­men­hän­gen.

Um Bil­der­ken­nung geht es auch bei Hell­sicht. Das Star­t­up aus Mün­chen ver­folgt da­bei al­ler­dings ei­nen eher ge­ne­ri­schen An­satz. CEO Phil­ipp Eu­len­berg spricht von De­ep Learning as a Ser­vice. Hell­sicht hat sein KI-Sys­tem dar­auf aus­ge­rich­tet, au­to­ma­tisch Ano­ma­li­en zu er­ken­nen. Das kön­nen Lack­schä­den in der Au­to­pro­duk­ti­on, Tex­tur­feh­ler auf Tep­pich­bö­den oder Auf­fäl­lig­kei­ten in Zell­kul­tu­ren sein. Eu­len­berg zu­fol­ge lässt sich das KI-Sys­tem je­weils an ver­schie­de­ne An­wen­dungs­be­rei­che an­pas­sen. Sein Un­ter­neh­men über­nimmt da­für die ge­sam­te Pro­jekt­ar­beit, die sich von der Samm­lung der Bil­der über die Im­ple­men­tie­rung der KI bis hin zur Auf­be­rei­tung der Er­geb­nis­se er­streckt. Dem Sys­tem rei­chen die Bild­da­ten,es braucht kei­ne Me­t­a­da­ten und La­bel-In­for­ma­tio­nen. Die KI lernt, wie ei­ne Ober­flä­che oder ein Ob­jekt nor­ma­ler­wei­se aus­zu­se­hen hat, und kann dann selb­stän­dig Ano­ma­li­en er­ken­nen.

Das sind nur ei­ni­ge Bei­spie­le, vie­le wei­te­re dürf­ten fol­gen und nicht nur her­kömm­li­che Ar­bei­ten re­vo­lu­tio­nie­ren, son­dern auch völ­lig neue Mög­lich­kei­ten er­öff­nen, an die heu­te noch nie­mand denkt.

Newspapers in German

Newspapers from Germany

© PressReader. All rights reserved.