Institute for Digital Business

KI und ML – mehr als ein Hype?

Oktober 21, 2019

Zu allen Artikeln

Aus dem Unterricht des CAS Mobile Business & Ecosystems mit Dr. Marcel Blattner berichtet Student Swen Klebik.

Der Unterricht begann mit der Fragestellung: Was verstehen Sie unter Künstlicher Intelligenz (KI). Begriffe wie Automatisierung, Effizienz, Intelligenz, neuronale Netzwerke wurden in den Raum gestellt. Schnell war jedem Anwesenden klar, dass unter KI jeder etwas anderes versteht.

Knowing the name of something does not mean to know something (Richard P. Feynman)

Die Meinungsmacher rund um das Thema KI und Maschinellem Lernen (ML) sind überwiegend Medien und grosse Tech-Firmen. Dabei gehen beide Gruppierungen das Thema völlig unterschiedlich an. Tech-Firmen zeigen ein überwiegend positives Bild auf, was nicht verwundern sollte, möchten diese Firmen doch ihre Produkte auch gewinnbringend verkaufen. Medien hingegen, stehen dem Thema überwiegend negativ gegenüber.

KI und ML werden momentan overhyped 

In den Augen der schreibenden Zunft werden in naher Zukunft viele Arbeitsplätze durch Automatisierung verloren gehen. In Filmen übernehmen menschliche Roboter, ausgestattet mit viel künstlicher Intelligenz, das Leben auf unserem Planeten. Es entsteht ein völlig fremdes Image von KI in der Öffentlichkeit. Bei sachlicher Betrachtung ersetzt Automatisierung keine Jobs, sondern eher einzelne Aufgaben und menschliche Roboter, welche uns regieren werden, bleiben auch in Zukunft nur ein Thema für Hollywood.

Technologie, Kultur und Wirtschaft als Treiber für KI und ML

Wahrnehmung und Angleichung neuer Technologien sind komplex und nicht einfach. Technologien sind nicht neutral. Die Entwicklungen von neuen Technologien sind eingebettet in ein komplexes Verhältnis zwischen Kultur, Wirtschaft und anderen wichtigen Treibern. Technologien müssen im Kontext des gesamten Ökosystems verstanden werden. Die Entwicklung von Technologien muss an kulturellen und gesellschaftlichen Normen ausgerichtet sein.

Der Roboter wird in Japan zum Freund der Menschen

Ein Beispiel, wie Technologie durch kulturelle Eigenschaften angenommen werden kann, ist Japan. In Japan werden Roboter in der Pflege eingesetzt, um das Ungleichgewicht zwischen der immer älter werdenden Gesellschaft und dem gleichzeitigen Mangel an Pflegepersonal auszugleichen. Die kulturelle Entwicklung der Japaner lässt dieses Verhältnis zu und sieht KI als gesellschaftliche Chance und nicht als Bedrohung. In Europa und Amerika ist diese kulturelle Prägung nicht vorhanden und Risiken durch KI werden überproportional dargestellt – siehe Video https://www.youtube.com/watch?v=fWzXjn5hHjs

Wofür steht Künstliche Intelligenz und was versteht man unter Maschinellem Lernen (ML)?

Künstliche Intelligenz ist eine sehr alte Forschungsdisziplin. Wir können die ersten Gedanken zur KI bis zu Aristoteles zurückverfolgen. Er formalisierte eine Reihe von Gesetzen, die den rationalen Teil des Geistes regeln. Philosophisch gesehen geht es bei der Erforschung der KI also um die Menschheit. Wissenschaftlich betrachtet ist KI ist ein interdisziplinäres Forschungsgebiet, welches in zwei unterschiedliche Bereiche gegliedert werden kann, der schwachen und der starken KI.

Bei der starken KI steht die Idee im Vordergrund, dass Maschinen gebaut werden, welche so handeln und denken wie Menschen. Die schwache KI beschäftigt sich mehr mit der Idee, dass Maschinen in der Lage sind, einzelne Aufgaben besser auszuführen, als der Mensch. Diese Form des «rationalen Handelns» kennen wir heute. Maschinen führen bestimmte Aufgaben auf Basis von Informationen aus. Mathematische Funktionen werden auf Basis von Informationen optimiert. Die Erledigung einzelner Aufgaben steht im Vordergrund.

Worauf basiert ML?

Auf maschinellem Lernen basierende Systeme erstellen ihre eigenen Regeln, um Daten zu verarbeiten und ein bestimmtes Problem zu lösen.  Ein Algorithmus ist ein geordneter Satz von Regeln, die nacheinander von einer Maschine verarbeitet werden. Dabei gibt es zwei verschiedene Ansätze, den symbolischen oder konnektionistischen Ansatz. Beim symbolischen Ansatz werden die Regeln vom Menschen vorgegeben und somit sind diese auch transparent. Diese Regeln definieren den Algorithmus, wie etwas abgearbeitet wird.

Beim konnektionistischen Ansatz hingegen, versucht die Maschine aus Daten Muster zu erkennen und eigene Regeln (Pattern) daraus zu erstellen. Diese Regeln sind äusserst kompliziert und der Mensch hat keine Möglichkeit mehr diese Regeln zu verstehen. Dieser Ansatz wird benutzt, wenn sehr grosse Datenmengen vorhanden sind. Bei diesem Ansatz wird auch von neuronalen Netzwerken gesprochen. Eine Kombination aus beiden Ansätzen wäre sicherlich ein sehr guter und wünschenswerter Ansatz.

Anwendungsbereiche Maschinen Learning

Auf maschinellem Lernen basierende Systeme gibt es in vielen Industriezweigen. Es gibt ein breites Spektrum möglicher Anwendungen, wobei jede Industrie über seine eigenen Regeln verfügt. Daher ist es fast nicht möglich, auf ML basierende Systeme von einer Branche zu einer anderen Branche zu transferieren.

Latent Bias

Wo es Chancen für AI und ML gibt, hat es aus Risiken. Vortrainierte Modelle sind sehr gefährlich und können Algorithmen unterstützen, welche voreingenommen hinsichtlich Rasse, Sexualität oder Einkommen sind. In Amerika wird eine Software eingesetzt, um zukünftige Kriminelle vorherzusagen und diese Software ist gegen Schwarze voreingenommen. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

“Komplexe Systeme sind schwierig zu trainieren. Fehlerquoten sind hoch und es braucht am Ende immer noch den Menschen, um Entscheidungen zu treffen. Systeme haben keine Selbstreflexion. Wir Menschen sind voreingenommen. Algorithmische Voreingenommenheit zu verhindern, wird die grösste Herausforderung für KI in den nächsten Jahren sein”.

Ausblick – die Annäherung Mensch und Maschine 

Im Laufe des nächsten Jahrzehnts wird die Menschheit ihre „transhumane“ Ära beginnen: Die Biologie kann dann gehackt werden, je nach Lebensstil, Interessen und Gesundheitsbedürfnissen. Biohacking lässt sich in vier Kategorien einteilen: Technologieerweiterung, Nutrigenomik, experimentelle Biologie und Grinder-Biohacking. Es bleibt jedoch die Frage offen, inwieweit die Gesellschaft bereit ist, solche Anträge anzunehmen, und welche ethischen Fragen sie aufwerfen. https://www.wired.com/beyond-the-beyond/2018/08/gartner-getting-transhuman-2018/

 

Entdecken Sie unsere Kurse zum Thema

Start Herbst 2024

CAS AI Management HWZ

  • Afke Schouten
  • 1 Semester (16 Tage)
  • Zürich; Sihlhof (direkt beim HB)
Mehr erfahren
Start August 2024

CAS AI Transformation HWZ

  • Afke Schouten
  • 1 Semester (16 Tage inkl. 5 Tage Studienwoche off-site)
  • Zürich; Sihlhof (direkt beim HB)
Mehr erfahren
Start Februar 2025

CAS Digital Ethics HWZ

  • Cornelia Diethelm
  • 1 Semester (16 Tage, davon 5 Tage Online)
  • Zürich; Sihlhof (direkt beim HB)
Mehr erfahren
Start August 2024

CAS Digital Leadership HWZ

  • Sven Ruoss
  • 1 Semester (16 Tage, davon 5 Tage Studienreise)
  • Zürich; Sihlhof (direkt beim HB)
Mehr erfahren

Dein Persönliches Digital Update

Bleibe auf dem Laufenden über die neuesten Entwicklungen der digitalen Welt und informiere dich über aktuelle Neuigkeiten zu Studiengängen und Projekten.