Aus dem Unterricht des CAS Digital Finance, zum Thema Artificial und Biological Intelligence mit Dr. Marcel Blattner, Chief Data Scientist bei Tamedia, berichtet Alex Kloeppel.

Artificial Intelligence und Machine Learning in den Medien

Horrorszenarien gibt es genug. Wird künstliche Intelligenz bald einmal die menschliche Intelligenz überflügeln? Führen Robotik und andere Entwicklungen zu einer erbarmungslosen Flurbereinigung auf dem Arbeitsmarkt? Werden Roboter einst über die Menschheit herrschen?

Als Chief Data Scientist bei Tamedia weiss Dr. Marcel Blattner, dass vieles in den Medien über AI geschriebene falsch ist. Science Fiction Movies unterstützen das verzerrte Meinungsbild von AI in der Öffentlichkeit. Aufgrund der falschen und irreführenden Berichterstattung ist kein nützlicher Diskurs über das Thema möglich. Sehr viele Leute sind aufgrund der falschen Erwartungshaltung enttäuscht.

Verzerrtes Bild aufgrund Science-Fiction Movies und Medienberichterstattung

Technologie ist nicht neutral. Technologie wird aus wirtschaftlichen bzw. kulturellen Gründen entwickelt. Technologieentwicklung ist somit ein Produkt des wirtschaftlichen Umfelds und des kulturellen Hintergrunds. Auch dies wirkt sich auf die öffentliche Meinungsbildung aus und kann ein verzerrtes Bild geben. Beispielsweise geben Japaner dem Roboter eine Seele, Europäer und die USA sehen hingegen primär Risiken, was in der Filmindustrie nicht haltmacht.

Unterschiedliche Haltungen gegenüber Technologien: Japan vs. Europa

Ein weiteres Problem ist die Sprache, welche in Zusammenhang mit AI verwendet wird. Um präziser zu sein und keine falschen Erwartungen zu erwecken, könnte diese auch technisch formuliert werden:

Sprache in Zusammenhang mit Artificial Intelligence

Fazit: Dr. Marcel Blattner fordert eine kritische Würdigung, wenn es um Artificial Intelligence und Machine Learning geht. Doch was ist nun in der Realität machbar und was Bullshit-Bingo?

Was AI und Machine Learning wirklich sind

Maschinelles Lernen ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heisst, es werden nicht einfach die Beispiele auswendig gelernt, sondern es erkennt Muster und Gesetzmässigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung).

Maschinelles Lernen heute

  • Algorithmen für maschinelles Lernen lassen sich grob in drei Kategorien unterteilen:Beim Supervised Learning (überwachtes Lernen) wird der Algorithmus mit einem Datensatz von Eingaben (Inputs) und Ausgaben (Outputs) trainiert. Die Aufgabe des Algorithmus besteht drin, ein „Mapping“ – also eine Zuordnung der Eingangs- und Ausgangspaare – zu finden. Ist ein solcher Algorithmus entsprechend trainiert, kann er auf einen Eingangsdatensatz, für den noch keine Ausgaben existieren, angewandt werden. Solche Algorithmen werden oft zur Klassifizierung von Inhalten, zum Beispiel zur Bilderkennung, verwendet. Ein weiteres Anwendungsbeispiel ist die Handschrifterkennung.
  • Beim Unsupervised Learning (unüberwachtes Lernen) wird nur ein Eingangsdatensatz verwendet. Der Algorithmus hat dann die Aufgabe, Muster und Kategorien zu identifizieren. Der Algorithmus erzeugt für eine gegebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen ermöglicht. Dabei gibt es Clustering-Verfahren, die die Daten in mehrere Kategorien einteilen, die sich durch charakteristische Muster voneinander unterscheiden. Das Netz erstellt somit selbständig Klassifikatoren, nach denen es die Eingabemuster einteilt.
  • Reinforcement Learning” ist eine Methode, die dem menschlichen Lernprozess am nächsten kommt. Hier hat der Algorithmus eine bestimmte Aufgabe und erhält durch die Interaktion mit seiner Umwelt Feedback – konkret eine Belohnung oder eine Bestrafung. Je länger der Algorithmus mitm¨ der Umwelt interagiert, desto besser kann er seine Aufgabe erfüllen. Solche Arten von Algorithmen werden zum Beispiel für das autonome Fahren eingesetzt, um reale Verkehrssituationen einzuschätzen. Auch in der Robotik kann diese Art von maschinellem Lernen eingesetzt werden.

Kategorien von Machine Learning und mögliche Einsatzgebiete

Mit unterschiedlichen Analytics-Arten werden unterschiedliche Fragestellungen beantwortet. Dabei werden für die jeweiligen Fragestellungen unterschiedliche Analyse-Methoden benötigt:

Unterschiedliche Analytics-Arten je nach Fragestellung

Machine Learning zwischen descriptive und predictice

Artificial Intelligence kann in 3 Kategorien unterteilt werden. Auf diese wird nachstehend eingegangen. Die nachstehende Grafik gibt zunächst einen Überblick über konkrete Anwendungsmöglichkeiten.

Kategorien von AI und Einsatzgebiete

Artificial Intelligence

Bei AI geht es um Techniken, mit welchen der Computer menschliches Verhalten nachahmen soll. AI kann dabei in 2 Kategorien unterteilt werden:

  1. Artificial General Intelligence (in Grafik rot) ist aktuell nicht möglich. Hierbei handelt es sich um kognitive Fähigkeiten wie Menschen.
  2. Möglich hingegen ist Artificial Narrow Intelligence (in Grafik gelb), also der Einsatz für spezifische Problemlösungen.

2 Kategorien von AI, wobei heute nur Artificial Narrow Intelligence möglich ist

Machine Learning

Machine Learning ist eine Unterart von AI. Bisher wurden Computer mit Daten und Regeln gefüttert. Machine Learning bedeutet hingegen, dass die Maschine die Regeln selbst lernt, d.h. die Algorithmen werden von der Maschine zusammengesetzt. Algorithmen sind für den Mensch nicht nachvollziehbar, da die Maschine eigene Regeln zur Problemlösung aufstellt (BLACK BOX).

Unterschied alte und neue Welt

Beispiel:

  1. Daten: Bild von Katze
  2. Vorgabe Resultat: Bild = Katze
  3. Machine Learning, d.h. die Maschine lernt die REGEL

Maschinelles Lernen einer Zahlenerkennung

Deep Learning (neuronale Netze)

Deep Learning ist eine Unterart von Machine Learning. Die Besonderheit des Deep Learning besteht darin, dass der Computer sein Wissen mithilfe sogenannter neuronaler Netze strukturiert. Es erlaubt über die verfügbaren Daten hinaus zu lernen. Das beinhaltet die Fähigkeit, Informationen zu analysieren und zu bewerten, um logische Schlüsse zu ziehen, Lösungswege auszuwählen und aus Fehlern zu lernen. Je mehr Daten eine Maschine also empfängt, desto grösser ist ihre Lernfähigkeit und desto intelligenter kann sie werden. Die am meisten verbreiteten modernen Applikationen sind Stimm- und Bilderkennung.

Das Video bzw. nachstehende Bilder zeigen auf, wie die mathematische Struktur eines neuronalen Netzwerks interpretiert werden kann. D.h. das neuronale Netzwerk nimmt die Welt so nicht wahr, denn das kann es gar nicht! Weitere Infos gibt es hier.

Interpretation mathematische Struktur von Bildern in einem neuronalen Netzwerk

Doch wer setzt heute AI ein?

Die Einsatzmöglichkeiten von maschinellem Lernen sind gross. Je nach Branche sind die Einsatzgebiete aber unterschiedlich.

Anwendungsbeispiele nach Branchen

Weitere Anwendungsbeispiele

AI einzusetzen ist teuer. Der umfassende Einsatz erfolgt aktuell v.a. bei Firmen mit starker Finanzkraft (Medienhäuser, Autoindustrie, Finanzsektor). Die grossen Konzerne, insbesondere die technologieorientierten möchten die Entwicklung der AI mitbestimmen und für sich nutzen. Das grosse Interesse an Start-ups im Bereich AI unterstreicht dies; die Investitionen in Start-up Unternehmen, die sich mit dem Thema künstliche Intelligenz beschäftigen, sind in den letzten Jahren in die Höhe geschnellt. Wurden im Jahr 2012 noch knapp 590 Mio. USD investiert, hat sich das Volumen im Jahr 2016 auf 5 Mrd. USD fast verzehnfacht. Details gibt es hier.

Künstliche Intelligenz im Aufwärtstrend

Bei den Unternehmenszukäufen tut sich insbesondere Google hervor: mit 11 relevanten Übernahmen innerhalb von fünf Jahren liegt der Techkonzern klar vor Konkurrenten wie Apple und Intel, die sich mit 5 Akquisitionen den zweiten Platz teilen (Grafik). Die Aufschlüsselung der Akquisitionen zeigt, wie hoch das Thema von Technologieunternehmen und inzwischen z.B. auch von der Automobilindustrie priorisiert wird. Die Anzahl der Deals ist immer enger getaktet, die Aktivität nimmt zu und viele Unternehmen haben in den letzten beiden Jahren begonnen, sich dem Thema AI zuzuwenden (z.B. Amazon, Oracle oder Ford).

Tipp bei einem Einsatz: Auf die Teamzusammensetzung kommt es an, um erfolgreich zu sein. Ein interdisziplinäres Team besteht beispielsweise aus Physikern, Mathematikern, Psychologen, und Leute vom Business. Auch zu beachten ist, dass es sich am Anfang um ein Investment für die Zukunft handelt.

Risiken

Während sich herkömmliche Software durch Transparenz und nachweislich korrektes Verhalten auszeichnet, ist Machine Learning unscharf, flexibel und undurchsichtig. Modernes Machine Learning funktioniere gut, weil es komplexe Zusammenhänge aus Trainingsdaten lernen kann. Auf diese Weise erkenne es Dinge, seien es Gesichter, Betrugsmuster oder Spam, mit denen menschliche Programmierer nicht mithalten können. Aber diese Fähigkeit kann auf unerwartete Weise zum Bumerang werden. Wenn die Trainingsdaten eine falsche oder nicht existente Korrelation enthalten, kann dies unweigerlich zu Verzerrungen (Bias) des Ergebnisses führen.

Negative Beispiele:

  • Chatbot reagiert aufgrund Gelerntem mit Beschimpfungen und Diffamierungen
  • Fotos Google-Eingabe „Professional Haircut“ ergibt junge adrette Herren. Mit der Eingabe „Unprofessional Haircut“ erscheinen hauptsächlich dunkelhäutige Frauen;
  • Google erkennt dunkelhäutige Menschen als Gorillas;
  • Algorithmus verwendet falsche Korrelation (z.B. Korrelation zwischen Rasse, Geschlecht und Einkommen);
  • Word Embedding: z.B. Eingabe „Sie sind…“ wird von der Maschine positiv gewertet, „Du bist….“ hingegen negativ, Problematik: bei vielen Maschinen erfolgt trotzdem eine 1:1 Weiterverwendung, Tamedia nimmt z.B. manuelle Korrekturen vor.

Maschine versus Mensch

Die Angst des Menschen von Maschinen komplett ersetzt zu werden ist heutzutage unbegründet. Zu bedenken gilt es allerdings, das der zunehmende Einsatz von intelligenten Geräten und Maschinen Produktionsprozesse und Geschäftsabläufe weiter optimieren und effizienter machen wird. Für einen Teil der arbeitenden Bevölkerung gilt es, sich aufgrund dieser zunehmenden Automatisierung und Robotisierung neu auszurichten. Auf der anderen Seite ist der Kampf um Know-how und Manpower auf dem Gebiet der künstlichen Intelligenz voll entbrannt (was wiederum der Run auf erfolgversprechende Start-ups belegt). Inwieweit sich Servicemitarbeiter, Pflegekräfte oder Entwickler wirklich von Maschinen ersetzen lassen, wird auch von der Kundenakzeptanz und den Grenzen der Humanisierbarkeit von Programmen abhängen.

Mensch bzw. Maschine können also je nach Kompetenz gezielt eingesetzt werden. Für repetitive Arbeiten wird der Mensch zunehmend ersetzt. Es gibt aber weiterhin viele Tätigkeiten, welche eine Maschine nicht gleich gut machen kann! Doch was ist der Unterschied von Maschinen zum Mensch?

Unterschiede menschliches Hirn und Maschine:

  • Der Mensch hat Kreativität, die Maschine grundsätzlich nicht.
  • Der Mensch ist schlecht bei logischen Operationen, die Maschine hingegen ist sehr gut.
  • Das Hirn ist energieeffizienter: Dieses braucht lediglich die Energie einer Banane (ca. 60 Watt), die Maschine braucht je nachdem erheblich mehr Strom.
  • Das Hirn des Menschen kann sich selbst organisieren.

Unterschied zwischen dem menschlichen Hirn und AI basierend auf Systemen

Outlook

Menschen werden mit Maschinen näher zusammenrücken. 10 Beispiele von Menschen mit übernatürlichen Fähigkeiten (Biohacking) gehen aus dem Video hervor.

Take Aways

  • AI und Machine Learning ist keine Hexerei
  • basiert auf Daten
  • Risiko: Maschine wird gefüttert -> Pattern (Muster) -> Bias (Verzerrung)
  • Maschinen sind nicht neutral -> politische Diskussion ist gefordert und man sollte kritisch gegenüber Medienberichterstattungen sein
  • beim Einsatz von AI im Betrieb Spezialisten holen

Weiterführende Links

Machine Learning für Anfänger Teil 1: Grundlagen und Definition

Machine Learning für Anfänger Teil 2: Erklärung insbesondere Unterschied Supervised / Unsupervised

Keine Panik beim Umgang mit AI

Gesichtserkennung von Amazon mit Schlagseite

Google hat den Quellcode von Inceptionism geöffnet

How Deep Dreams (Basically) Work

Training bei GOOGLE

Wie falschen Botschaften in den Medien begegnet werden kann