Aus dem Unterricht des CAS ​Multichannel Management​ ​mit ​Dr. Marcel Blattner berichtet ​Maria Paula Marxer

Maschinen können mittlerweile Gedanken von Menschen lesen und diese in einem Bild darstellen.

Film oder Realität?

Die Antwort ist Realität. Maschinen sind in der Lage die Hirnströme zu messen und diese in Bilder zu rekonstruieren, dank Künstlicher Intelligenz (KI).

Wie neu ist Künstliche Intelligenz?


KI ist keine neue Technologie, wie der aktuelle Hype deuten könnte. Bereits in den fünfziger Jahren hat man in diesem Bereich recherchiert und die Medien berichteten darüber. Grundsätzliche Fragen beschäftigten die Menschen damals: Werden Maschinen unsere Jobs machen? Werden Maschinen in der Zukunft auch denken können? Es gibt keine richtige und keine falsche Antwort dazu.
Die Entwicklung der Technologien wird von kulturellen und wirtschaftlichen Aspekten stark beeinflusst, denn diese werden entwickelt und programmiert um Bedürfnisse der Gesellschaft zu erfüllen. Man kann somit nicht von neutralen Technologien sprechen.

Wie wird KI wahrgenommen?


Die Wahrnehmung wird in der Regel von Leuten beeinflusst die keine fundierten Kenntnisse über das Thema haben, und dies führt zu polarisierenden Meinungen: Die Künstliche Intelligenz wird die Welt retten oder vernichten! Aber auch die Kultur und die Herkunft spielen eine grosse Rolle: Westliche Länder gehören zu den Pessimisten und assoziieren KI mit Krieg, Robotern die unsere Jobs übernehmen und irgendwann sich gegen uns stellen und eliminieren. In asiatischen Ländern hingegen, besonders in Japan, haben damit keine Hemmungen, sie fühlen sich wohl und betrachten den Einsatz von Robotern als positiv. Der Unterschied kann im Animismus, ein Bestandteil des Shinto-Glaubens, begründet sein. Animismus ist die Vorstellung, dass alle Objekte einen Geist haben. Fakt ist, dass wir seit mehr als 50 Jahren umgeben von KI betriebenen Maschinen leben.

Wie kann man Künstliche Intelligenz definieren?

Eine strenge und einzige Definition gibt es nicht. Wir sprechen von einem interdisziplinären  Forschungsgebiets welches das Ziel hat Maschinen zu erstellen die Arbeiten sinnvoll lösen. Die Recherche will Fragen beantworten wie:

  • Philosophie: Wie entsteht Wissen in unserem Gehirn? Was löst eine Aktion aus?
  • Mathematik: Wie verarbeiten wir ungenaue Informationen?
  • Ökonomie: Wie können wir Maschinen nutzen um Geld zu verdienen?
  • Neurowissenschaft: Wie bearbeitet unser Gehirn Informationen?
  • Psychologie: Wie denken und handeln Menschen und Tiere?
  • Computer Engineering: Wie können wir einen effizienten Computer bauen?

Die vier Kategorien nach Russel & Norvig

  1. Menschliches Denken → Die Maschinen sollen wie Menschen denken: Kognitives System des Gehirns
  2. Menschliches Handeln → Die Maschinen sollen wie Menschen handeln: Turing-Test Approach
  3. Rationales Denken → Die Maschinen sollen logisch und intelligent denken: Logische Schlussfolgerungen zu erzielen.
  4. Rationales Handeln → Die Maschinen sollen logisch und intelligent handeln: Das beste Ergebnis erzielen.
Klassifizierung der Künstlichen Intelligenz
  • Starke Künstliche Intelligenz: Maschinen haben die gleichen kognitiven Fähigkeiten wie Menschen. (Unter Umständen auch
ein Bewusstsein.)
  • Schwache Künstliche Intelligenz: Maschinen können ganz
 bestimmte Aufgaben in einem
 klar abgegrenzten Umfeld lösen.
(Unter Umständen besser
als Menschen.)

Methodik – Spezialisierung

AI – Artificial Intelligence: Jede Technik, die es einem Computer erlaubt, menschliches Verhalten nachzuahmen.

ML – Machine Learning: Untergruppe von KI-Techniken, die statistische Methoden verwenden, um Maschinen zu ermöglichen, sich durch Erfahrungen zu verbessern.

DL – Deep Learning: Untergruppe von ML-Techniken, die die Berechnung von Zwischenlagen zwischen Eingabe und Ausgabe ermöglichen. Dies führt zu einem stabileren Lernerfolg der Maschine.

Wie lernt eine Maschine?


Es gibt drei verschiedene Möglichkeiten wie man einer Maschine etwas beibringen kann:

Supervised learning


Im Supervised learning ist jedes Beispiel ein Paar das aus einem Eingangsobjekt (Daten), und einem gewünschten Ausgangswert (auch Überwachungssignal genannt) besteht. Ein beaufsichtigter Algorithmus analysiert die Trainingsdaten und erzeugt eine abgeleitete Funktion, mit der neue Beispiele abgebildet werden können. 95% der Maschinen werden in dieser Form trainiert. So kann eine Maschine anhand von gelernten Bildern z.B. Objekte, Zahlen, Tiere erkennen und diese wieder bildlich darzustellen.  Die Ergebnisse erfolgen in Prozente.
Nun konnten wir an einem realen Beispiel erleben wie eine Mobile App mit seiner integrierten Kamera Objekte erkennt.  Das Bild zeigt, wie die App den Stuhl zu 57.4% identifiziert.

 

 

Unsupervised Learning


Unsupervised Learning ist eine Art maschineller Lernalgorithmen, der verwendet werden, um Rückschlüsse aus Datensätzen zu ziehen, die aus Eingangsdaten ohne beschriftete Antworten bestehen.

Reinforcement Learning (RL)

Reinforcement Learning ist ein Bereich des maschinellen Lernens, inspiriert von der Verhaltenspsychologie, die sich damit beschäftigt, wie Softwareagenten in einer Umgebung handeln sollten, um eine gewisse Vorstellung von kumulativer Belohnung zu maximieren.

Anwendung: Wo kann man Machine Learning einsetzen?


ML-basierte Systeme haben ein breites Anwendungsspektrum. Diese müssen sich an die spezifischen Regeln der eigenen Branchen anpassen. Einige wichtige Anwendungssektoren sind: Produktion, Einzelhandel, Gesundheitswesen, Finanzen, Energie. So gibt es Maschinen die musizieren, welche Friseur Termine abmachen oder einen Tisch im Restaurant reservieren.

Ein Überblick von aktuellen KI-Trends findet ihr hier.

Der Einsatz von Künstlicher Intelligenz bei der Polizei oder Regierung ist umstritten. Die Regierung von China, zum Beispiel nutzt mittlerweile die Gesichtserkennungstechnologie für die Identifikation und Kontrolle einer spezifischen Ethnie. Die Technologie funktioniert nicht reibungslos und lanciert dadurch eine internationale Debatte. Hier geht es zum Artikel der New York Times.

Herausforderungen und Risiken


Die größte Herausforderung liegt darin, dass Maschinen nicht selbständig lernen können sondern von den Menschen eingegebenen Daten lernen, trainieren und sie in Ergebnisse verarbeiten. Maschinen kennen keine Empathie, Fairness oder Ethik. Dies kann dazu führen, dass verfälschte Ergebnisse generiert werden, die sogenannten Bias, die eine Verzerrung der Realität darstellen.
Die Ergebnisse einer Google Abfrage sind ein perfektes Beispiel dafür:  Bei der Suche nach „unprofessional haircut“, werden fast ausschliesslich Bilder von  dunkelhäutigen Männern angezeigt. Bei der Eingabe von „professional haircut“ hingegen, zeigt Google jung gutaussehende Männer. Der Algorithmus beeinflusst somit unsere Betrachtung der Realität. Die ethischen und moralischen Implikationen sind ein grosses Diskussionsthema, welcher in den nächsten fünf bis acht Jahren aktuell bleiben wird.

Marketing Mix Modelling – Ein Orakel für Marketing-Experten


Was wäre, wenn eine Maschine uns Marketing-Experten sagen könnte wo wir unser Budget investieren müssen, um das bestmögliche Ergebnis zu erzielen? Eine KI-basierte Maschine kann uns dabei unterstützen. Aus einem Beispiel des Verlag-Hauses Tamedia lernen wir wie das Marketing Mix Modelling funktioniert.
Das Modell wertet Daten aus der Vergangenheit aus, anhand voraus definierten KPIs und schlägt ein Chanel-Mix für eine effizientere Werbekampagne vor.

Vorher                                                                 Nachher

Das Ergebnis dieses realen Cases war die Steigerung der Effizienz um 10%. Der wichtigste Erfolgsfaktor, damit man die besten Resultate erzielt, ist es qualitative Daten zu haben. Die Anschaffung ist in der Regel ein grosses Hindernis. Ausserdem ist zu beachten, dass nicht alle Schritte automatisierbar sind und somit ist die Erfahrung der Marketingverantwortlichen von großer Relevanz. Einen Mix aus beiden ergibt das beste Ergebnis.

What’s next? Die Zukunft der Künstlichen Intelligenz


Unser Verhältnis zu den Maschinen wird immer enger und trotz Bedenken, vertraulicher. Wir kommunizieren mittlerweile mit „Siri“ oder „Alexa“ und wären begeistert wenn wir den Roboter „Pepper“ auf Messen und Events treffen würden. Die Vorstellung, dass eine Maschine mit KI einer Person helfen kann die Hand zu bewegen, in dem sie die Hirnströme umwandelt, fasziniert uns.
Der Begriff Transhumanismus, die Verschmelzung von Mensch und Technologie, ist kein Fremdwort mehr. Werden Menschen zu Maschinen und Maschinen zu Menschen? Wie lange geht es bis wir die nächste Stufe erreichen und KI-getriebenen Maschinen unseren ganzen Tagesablauf gestalten? Wir sind gespant…