21.04.2017 Digitalisierung 2.0

Künstliche Intelligenz: Das Hype-Thema des Jahres

Von: Ingo Steinhaus

Artificial Intelligence (AI) oder Künstliche Intelligenz (KI) ist im Moment ein großer Hype, doch viele Anwendungen funktionieren wirklich.

Künstliche Intelligenz nicht kein reines Hype-Thema, viele der Anwendungen haben durchaus Erfolgspotential.

Auf der Webseite der Berliner EyeEm Mobile GmbH kann jeder nachprüfen, wie leistungsfähig eine Künstliche Intelligenz (KI) wirklich ist. In der Rubrik „Technology“ gibt es einen automatischen Bildbeschreiber, der Fotos mit Stichworten („Tags“) und einer kleinen Beschreibungszeile ausstattet. Dort kann jeder die Anwendung mit eigenen Fotos auf die Probe stellen. Sie erkennt viele Bilder anstandslos und kennzeichnet sich korrekt, vor allem solche mit deutlich sichtbaren Motiven. Fehler passieren zwar, aber vorwiegend bei eher langweiligen und kontrastarmen Fotos. Die Leistung der KI ist beeindruckend, vor einigen Jahren wäre eine solche Anwendung noch nicht möglich gewesen.

Die App des Start-ups EyeEm bietet alle wichtigen Buzzwords, die heute die Techies in Aufregung versetzen: Künstliche Intelligenz, Deep Learning und neuronales Netz. Dahinter verbergen sich Technologien, mit denen Computerprogramme deutlich geschickter und intelligenter agieren können. Eine einfache Definition von KI lautet ganz schlicht: Algorithmen für Künstliche Intelligenz erlauben einem Computer, Aufgaben zu übernehmen, die bis vor kurzem noch von Menschen besser erfüllt wurden – etwa das korrekte Beschriften von Bildern.

Die Anwendung dafür wird nicht mehr auf herkömmliche Weise programmiert und genau vorgegeben, wie sie zu agieren hat. Stattdessen wird ein neuronales Netz trainiert, das die Verknüpfung der Nervenzellen im menschlichen Gehirn nachbildet. Das Verfahren für das Training heißt Deep Learning, in Absetzung zu anderen Methoden für das maschinelle Lernen. Denn das Thema ist schon seit langem im Gespräch und hat auch nicht immer mit künstlicher Intelligenz zu tun.

So arbeiten beispielsweise die Spamfilter der großen Mail-Dienste mit solchen Machine-Learning-Algorithmen und erkennen anhand von Beispielen, wie typischer Spam strukturiert ist. Wenn die Anwender nicht erkannten Spam kennzeichnen, wird der Algorithmus im Laufe der Zeit immer besser. Doch viele Aufgaben wie beispielsweise die Erkennung von Objekten oder von natürlicher Sprache sind mit diesen vergleichsweise einfachen Verfahren nicht lösbar. Dafür werden Neuronetze eingesetzt, die aus Beispielen Regeln ableiten, mit denen sie Muster in Daten erkennen.

Boom der KI-Start-ups

Ein wichtiges Anwendungsgebiet ist „Computer Vision“, der Bereich, in dem EyeEm erfolgreich ist, aber auch Facebook und Google. Der Grund: Die beiden US-Unternehmen haben Zugriff auf gigantische Bildersammlungen, die als Rohmaterial für die neuronalen Netzwerke dienen und das Training erleichtern. Hinzu kommt, dass erst seit wenigen Jahren die notwendige Rechenleistung vorhanden ist – in Form von NVIDIA-Grafikprozessoren. Denn die Mathematik der neuronalen Netze ist vergleichsweise einfach. Das Problem ist lediglich die hohe Anzahl der notwendigen Berechnungen und die enormen Datenmengen, die für die Lernverfahren benutzt werden. Herkömmliche Allzweck-Prozessoren besitzen nicht genügend Leistung, die Grafikprozessoren dagegen sind auf solche einfachen Berechnungen spezialisiert.

Bilderkennung ist also ein heißes Thema und da ist es nicht verwunderlich, dass auch in Deutschland noch weitere Start-ups in diesem Bereich aktiv sind. Einige Beispiele: Das TwentyBN aus Berlin arbeitet an einer Videobilderkennung, TerraLoupe aus München hat sich auf die Auswertung von Luftbildern spezialisiert und Planet aus Raben Steinfeld bei Schwerin erforscht die automatische Analyse von Verkehrsüberwachungsvideos. Der Berliner Investor Fabian Westerheide kommt auf über 80 neu gegründete Unternehmen, die KI-Verfahren einsetzen. „Seit 2014 gibt es in Deutschland, vor allem in Berlin, eine Welle an Gründungen“, betont Westerheide. Dabei haben die KI-Firmen gegenüber anderen Start-ups einige Besonderheiten, wie Westerheide weiß: „Sie werden häufig von Software-Entwicklern und nicht von BWLern gegründet, da sie ein besseres Verständnis der Deep-Learning-Technologie besitzen.“

Zahlreiche Start-ups nutzen Neuronetze vorwiegend in den Bereichen Support, Vertrieb, Marketing und Kommunikation. So will das Start-up Parlamind die Bearbeitung von Kundenanfragen beschleunigen. Andere Start-ups arbeiten an Chatbots (Twyla), Sprachassistenten für Autos (German Autolabs) oder der Optimierung von Prozessen (Micropsi Industries). Die Szene besitzt eine große Vielfalt, doch Start-ups mit industriellen KI-Anwendungen sind eher selten. Das liegt nach Ansicht von Fabian Westerheide an zwei Gründen. „Zum einen sind Daten aus dem Marketing leichter bei den Unternehmen zu erheben und zum anderen fehlen den Entwicklern häufig die Einblicke in die Wertschöpfungsketten der Industrie.“ Er konstatiert allerdings einen großen Bedarf an KI-Lösungen, beispielsweise im Bereich der vorausschauenden Wartung, der Überwachung von Anlagen und Gebäuden oder in der Qualitätssicherung.

Der enorme KI-Boom in der Start-up-Szene liegt unter anderem auch daran, dass die deutschen Universitäten zur Spitzengruppe der KI-Forschung gehören. Unter den zehn wichtigsten Computer-Science-Universitäten in Europa finden sich die TU München, das Karlsruhe Institut vor Technology KIT und die RWTH Aachen. Darüber hinaus gibt es mit dem DFKI (Deutsches Forschungszentrum für Künstliche Intelligenz) einen weltweit führenden KI-Thinktank. An drei Standorten in Kaiserslautern, Saarbrücken und Bremen entwickeln Wissenschaftler alle möglichen KI-Technologien: Roboter, Industrie-4.0-Systeme, KI-Übersetzer, Spracherkennung und vieles mehr. Die Erfolge der Forscher haben ein kalifornisches Unternehmen aufmerksam gemacht, das direkt als Gesellschafter in das Institut eingetreten ist: Google.

16 Milliarden Dollar potentielles Marktvolumen

Doch auch abseits der prominenten Standorte leisten deutsche Forscher gute Arbeit. So hat das Institut für Künstliche Intelligenz der Hochschule Ravensburg-Weingarten einen Assistenzroboter entwickelt, der das Leben von Behinderten erleichtern soll. Der Roboter heißt Marvin, verständigt sich über eine Audio-Schnittstelle mit Sprachverarbeitung und kann beispielsweise Getränkeflaschen aus einem Kühlschrank holen, den Drehverschluss öffnen, das Getränk in ein Glas gießen und die verschlossene Flasche wieder wegstellen. Ein erfolgreiches, aber leider inzwischen abgeschlossenes Projekt. „Unser Ziel ist nicht die Produktentwicklung“, betont Professor Dr. Wolfgang Ertl. „Wir wollen nur aufzeigen, was möglich ist, was geht und machbar ist.“

Beendete Projekte mit erfolgreichen Prototypen aus Software oder Hardware finden sich an den deutschen KI-Forschungsstellen dutzendfach. Bestes Start-up-Material, könnte man meinen. Doch es gibt noch viel zu wenige Übergänge von den Uniprototypen zu einem „Minimum Viable Product“, das sich auch verkaufen lässt. Dabei ist auf dem bislang noch winzigen KI-Markt sehr viel Platz. Die Analysten von Accenture heben hervor, dass Künstliche Intelligenz das Potential hat, in den nächsten zwei Jahrzehnten das Wirtschaftswachstum zu verdoppeln. Das indische Beratungsunternehmen MarketsAndMarkets schätzt das Marktvolumen von KI-Anwendungen auf etwa 16 Milliarden US-Dollar im Jahr 2022. Diese Aussichten haben auch das verfügbare Kapital explodieren lassen, so wurden allein 2016 rund 2,5 Milliarden Dollar in KI-Start-ups gesteckt.

Diese 8 deutschen Start-ups setzen auf Künstliche Intelligenz >>>

Angesichts dieser Zahlen ist es naheliegend, wie Accenture KI-Verfahren als neuartigen Produktionsfaktor mit dem Zeug zum Wirtschaftswunder zu interpretieren. Die besten kurzfristigen Chancen haben Sprachverarbeitung im Kundenservice, medizinische Diagnostik und Robotik. Deep Learning ist der größte Technologiesektor, der auch vollkommen neue Anwendungsbereiche ermöglicht. Zwar werden nach Ansicht von Accenture dadurch sowohl traditionelle Arbeitsplätze als auch Geschäftsmodelle in Teilen überflüssig, doch die Analysten schätzen den Zugewinn an Wirtschaftskraft weitaus größer ein.

Die Wirtschaft steht allerdings erst am Beginn dieser Entwicklung. KI hat noch lange nicht den Status erreicht, den beispielsweise mobile Geräte besitzen – sie bildet noch keinen zusammenhängenden Markt. Die einzelnen Lösungen passen im Moment lediglich auf bestimmte, häufig bereits vorhandene Anwendungsfälle. Ein typisches Beispiel sind die beliebten Chatbots: Sie ersetzen bestimmte Elemente des Customer-Supports, mehr nicht.

KI erschließt der Automatisierung bisher unzugängliche Bereiche

KI wird also vorwiegend zur Optimierung bestehender Geschäftsmodelle eingesetzt und hat eher Werkzeugcharakter. So konkurriert die künstliche Intelligenz in zahlreichen Anwendungsgebieten auch mit traditionellen Lösungen, beispielsweise für die Betrugserkennung bei Versicherungen. In diesem Gebiet werden Regressionsanalysen eingesetzt, aber auch Fuzzy Logic und neuronale Netzwerke. Welches Verfahren besser ist, lässt sich nur im jeweils spezifischen Anwendungsbereich entscheiden. Deep Learning hat jedoch immer den großen Nachteil, dass eine große Rechenkapazität und enorme Mengen Trainingsmaterial notwendig sind.

Trotzdem sind die Erwartungen groß. Künstliche Intelligenz hat ein hohes Potential bei Automatisierungsaufgaben, die mit den bisherigen Verfahren entweder gar nicht oder nur sehr unzureichend erledigt werden können. So setzen bereits erste Versicherungen KI-Verfahren zur Fallbearbeitung ein. Die Algorithmen analysieren die vorhandenen Dokumente und treffen dann entweder selbst eine Entscheidung oder legen den Fall einem menschlichen Sachbearbeiter vor.

Besonders viel erwarten Experten durch die Vermählung von KI mit dem Internet der Dinge, dem zweiten Hype der Stunde. Automatische Auswertung von Daten aus Maschinen und Anlagen, autonome Fahrzeuge, mit Menschen zusammenarbeitende Roboter in Industrie und Haushalt sowie intelligente Sprachassistenten, die eine neuartige Schnittstelle zur Arbeit mit Computern und Maschinen bieten – solche Anwendungsgebiete wurden zur diesjährigen Cebit von zahlreichen Unternehmen angekündigt.

Die KI-Euphorie trägt alle Züge eines Hypes, bei dem wir uns gerade kurz vor dem Gipfel der überzogenen Erwartungen befinden. Das Thema wird im Moment noch so diskutiert, als gebe es grenzenlose Anwendungsgebiete und es werde jede andere Art von Problemlösung überflüssig machen. Die Erfahrung zeigt, dass es dann nicht mehr lange dauert, bis etwas mehr Realismus aufkommt. Aber immerhin könnte es gelingen, einem schon etwas älteren Buzzword eine Versionsnummer zu verpassen: Vor der Tür steht die Digitalisierung 2.0. 



KI mit Risiko – wenn künstliche Dummheit entsteht

Basis aller modernen KI-Anwendungen ist das Deep Learning. Dabei werden neuronale Netze mit Beispieldaten trainiert, sie können dann eigene Aktionen daraus ableiten. Zum Beispiel bei der Bilderkennung: Aus Fotos von Autos leitete es eine Generalisierung ab. Anschließend erkennt es auch auf anderen Bildern Autos, selbst wenn sie nicht so aussehen wie in den Beispielen.

Doch Deep Learning ist in höchstem Maße von der Auswahl des Rohmaterials abhängig, von dem der Algorithmus etwas lernen soll. Hier kommt es manchmal zu spezifischen Fehlern, die auf die Fehler und Unzulänglichkeiten der Menschen verweisen, die den Algorithmus entwickelt und ihm Lehrmaterial zur Verfügung gestellt haben. Das hat Google in seinen Experimenten mit dem DeepDream-Algorithmus gemerkt, der für das menschliche Auge verborgene Muster in Fotos erkennt und verstärkt. Eine Zeit lang waren die Ergebnisse lediglich Fraktale mit sehr vielen Hundeköpfen. Der Grund: Der Algorithmus wurde mit einer Bilddatenbank trainiert, die ungewöhnlich viele Hundefotos enthält.

Ähnlich seltsame Ergebnisse gab es bei einem KI-gestützten Schönheitswettbewerb, bei dem lediglich Weiße als schön identifiziert wurden. Was war passiert? Das Bildmaterial für das Training enthielt nicht genug und ausreichend korrekt vorkategorisierte Bilder von Afroamerikanern. Diese Fehler zeigen, dass Deep-Learning-Algorithmen nicht besser oder smarter als menschliche Intelligenz sind. Sie ist immer anfällig für menschliches Versagen bei der Entwicklung und beim Training des neuronalen Netzwerkes. Bis auf weiteres ragt die künstliche Intelligenz nicht über die menschliche hinaus – sie wird genauso dumm wie wir Menschen bereits sind.


Bildquelle: Thinkstock/ iStock

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH