Aus dem Unterricht des CAS Mobile Business mit Marcel Blattner, Chief Data Scientist bei Tamedia und Director of Studies “Disruptive Technologies” an der HWZ, berichtet Christian Jung:

Ist dein Job morgen bereits digitalisiert und dein Lieblingsfrühstück wird dir dank Alexa und Kochroboter ans Bett serviert? Oder dauert diese Fiktion noch weitere 20 Jahre?
Im Jahre 2017 sind wir noch weit weg von der totalen Übernahme durch künstliche Intelligenz und Robotern. 
Das Spannungsfeld zwischen Technologie, Ökonomie und Kultur für dessen Entwicklung dabei essenziell. Dabei können Computer dem Menschen durchaus überlegen sein. In ganz spezifischen Aufgaben wie in der Bilderkennung oder Schach. Marcel Blattner ist mit uns in die Tiefe der Trainings von künstlicher Intelligenz abgetaucht. 

Die unterschiedliche Wahrnehmung von Artificial Intelligence (AI) ist im Spannungsfeld von Technologie, Ökonomie und Kultur besonders am Beispiel der Kultur schön aufzuzeigen.

Die westliche Kultur referenziert mit AI meist apokalyptische Vernichtungsroboter à la Terminator. Solche Visionen treiben deshalb automatisch den Geldfluss in Richtung der Rüstungsindustrie. Nicht so im asiatischen Raum, wo Visionen von Hilfsrobotern bei der Krankenpflege oder in der Unterstützung von alltäglichen Arbeiten dazu führen, dass vermehrt in diese Richtung investiert wird. Es entsteht in der Kultur ein komplett anderer Technologie-Bezug.

Wo stehen wir heute?

Der aktuelle Stand der Robotik und von Artificial Intelligenz ist noch weit entfernt von der Vision wie sie uns in Filme wie “I Robot” zeigen. Roboter, welche wie Menschen im Alltag agieren wird es nicht so schnell geben. Einer der Hauptgründe dafür ist die enorme Leistung, welche die komplexen Bewegungsmuster benötigen. Während uns Menschen eine Banane für mehrere Stunden Leistung reicht, braucht ein AI-Computer mehrere 100 Watt für die anspruchsvollen Rechenaufgaben.

 

Werden wir nun morgen ersetzt?

Neuronale Netzwerke (AI) schlagen uns heute um ein vielfaches in Schach, “Go” oder anderer einfacher Aufgaben. Die Verbindung unterschiedlicher Neuronaler Netzwerke, welche solche Aufgaben übernehmen, ist jedoch bis heute nicht möglich. So werden alltägliche Herausforderungen für eine isolierte künstliche Intelligenz, die nur eine Aufgabe lösen kann, unmöglich. Denn Maschinen mit Künstlicher Intelligenz sind immer “weak” (siehe nachfolgendes Bild). Sie können nur eine anspruchsvolle Aufgabe lösen (Schach spielen, Komponieren, etc.). Der Mensch kann jederzeit alles miteinander kombinieren (“strong”).


Wie wird nun künstliche Intelligenz definiert?

“Thinking humanly” ist empathisch und menschlich fokussiert. Dies ist zurzeit ausschliesslich eine Vision und die benötigte Technik nicht vorhanden.
“Thinking rationally” denkt rational und entspricht den heutigen intelligenten Systemen. Der Ansatz ist hier “Intelligenz geht auch ohne Körper”.
“Action humanly” Roboter, welche empathisch und menschlich handeln sind leider ebenfalls noch Wunschvorstellung im Gegensatz zu:
“Action ratinally”. Rational handelnde “embodied” Intelligenz. Also Intelligenz mit Körper, welche noch am Anfang ihrer Entwicklung steht und noch nicht so durchdrungen ist.



Zwischenbilanz: 

Eine Maschine kann also nicht so einfach die menschliche Komplexität übernehmen. Einzelne Aufgaben jedoch schon.


 

Was müsste denn AI leisten können um uns zu ersetzen? Gehen wir tiefer und schauen uns der Hirn an.
Im menschlichen Hirn finden wir gleich viele Neuronen wie es Sterne in unserer Galaxie hat: 100 Milliarden. Und im Gegensatz zu einem Computer ist im menschlichen Hirn der Prozessor nicht vom Speicher getrennt. Obwohl das Hirn-Gesamtkonzept bis heute noch nicht bis ins Detail geklärt ist, wissen wir dass es nur 5 Signale pro Sekunde verarbeiten kann. Die enorme Leistung, um beispielsweise die Schuhe zu binden, wird nur dank paralleler Abarbeitung dieser Signale gewährleistet

Damit die Künstliche Intelligenz “intelligent” wird, muss sie ebenfalls lernen und trainieren. Dies funktioniert durch unterschiedlichen Methoden.
Methode Supervised: Eine spezifische “Grundwahrheit” ist dafür die Basis. Dem System werden Daten mit entsprechenden Labeln vorgelegt. Die Maschine versucht dann die Verbindung zwischen einem Datensatz und dessen Label herzustellen, um dies zu trainieren. Aufgrund dieses Trainingssets wird danach ein neuer Datensatz ohne Label vorgelegt, welcher die Maschine beherrschen muss.
Methode Unsupervised: Die Maschine erhält eine Menge an Daten welche sie gruppieren muss. Die Kriterien für die Gruppierung muss sie dabei selber erarbeiten. So können Segmente entstehen, welche man eventuell gar nicht bedacht hat.
Methode Reinforcement: Hier sind wir nicht im Detail darauf eingegangen, da dies uns alle in das grosse schwarze Loch der künstlichen Intelligenz gezogen hätte. Der Grundansatz der Reinforcement Methode ist aber der, dass die Maschinen mittels eigenem experimentellem Verhalten neue Trainingswege erschliessen.


Tauchen wir kurz ab und schauen uns an wie ein neurales Netzwerk funktioniert:
Ich bin mir sicher, Marcel Blattner gibt hier gerne im Detail weitere Auskünfte 😉

 

 

Gefahren von AI und big data

Einer der Grundgefahren von AI besteht darin, dass AI immer voreingenommen ist. Voreingenommen deshalb, da Menschen die Trainings führen und die Trainings-Daten vorgeben. Menschen sind immer voreingenommen. Dies führt dazu, dass die Systeme unbewusst “falsch” trainieren. Gefährlich wird es, wenn Systeme, welche zum Beispiel Kriminelle oder Schwule aufgrund eines Bildes “erkennen”, vom Staat eingesetzt und nicht genügend hinterfragt werden.

 

Big data

Was sind Daten? -> Daten sind das Ergebnis einer Messung. Zur Wiederholung: Daten sind dabei nie neutral und immer subjektiv/verzerrt.
Um aus Daten einen Wert zu schaffen, muss man als erstes Klarheit schaffen, was mit den Daten erreichen werden soll. Eine Zielsetzung muss her!
Die aus der Messung entstandenen Daten werden dann ausgewertet, und für neue weitere Messungen adaptiert.

Der Erfolg bei Daten-Projekten liegt immer deren Kultur. Nehmt Daten ernst und gebt Ihnen einen hohen Stellenwert! Wenn möglich sollte man immer einen Mehrwert aufgrund von Daten etablieren. (z.B. neue Bedürfnisse von Kunden)
Lebt das ganze Datenhandling im Unternehmen top-down, um ein firmenübergreifendes, gesundes Bewusstsein für den Umgang mit Daten zu schaffen.


Zusammenfassend

Man ist immer Maschinen ausgesetzt.
Die Technik ist jedoch noch sehr eingeschränkt.
Daten sind immer voreingenommen und Kultur, Technologie und Ökonomie sind die wichtigsten Treibern von AI und big data.