Folgender Blogbeitrag wurde von Sebastiano Paù-Lessi im Rahmen eines Leistungsnachweises des CAS Legal Tech verfasst und enthält subjektive Färbungen. Bewertet wurde der Beitrag von Studiengangsleiter Ioannis Martinis und redigiert von der Redaktion des Institute for Digital Business.
Bild von Gerd Altmann auf Pixabay

Erik Nygren und die künstliche Intelligenz 

Erik Nygren ist kein Jurist und das ist auch gut so. Denn die Themen, die er in seinem Vortrag behandelte, sind nicht juristisch, sondern technologisch. Auf höchstem Niveau. Künstliche Intelligenz, Deep Learning, neuronale Netzwerke. Die Zukunft. Eine grossartige Übung in geistiger Elastizität für einen starren Juristen wie mich.

Eriks Hintergrund gibt die fachliche Richtung des Vortrags vor: Theoretische Physik und Doktorat in theoretischer Neurowissenschaft. Er hat daran gearbeitet, das Gehirn durch mathematische Modelle zu beobachten. Von dort aus arbeitete er an der Konstruktion eines künstlichen Gehirns und ging dabei in Richtung maschinelles Lernen und künstliche Intelligenz. Durch Zufall kam er dann zur SBB, wo er heute als Produktmanager Künstliche Intelligenz-Systeme rund um das Thema Verkehrslenkung analysiert. Sein sehr zusammengesetzter und multidisziplinärer Hintergrund lässt mich fragen: Führen alle Wege zur künstlichen Intelligenz? Heute und in Zukunft scheint es so zu sein! Wir sprachen darüber im CAS Legal Tech der HWZ.

Die Takeaways

Der Begriff “künstliche Intelligenz” ist in aller Munde, aber ist das wirklich Teil der Zukunft, oder ist es nur einer der vielen Hypes, mit denen sich unsere Gesellschaft gerne unterhält?

In Anlehnung an den Hype Cycle für Künstliche Intelligenz lässt sich festhalten, dass:

  • Mehrere Anwendungen von künstlicher Intelligenz die Erwartungen nicht erfüllt haben und nicht wie versprochen funktionieren.
  • Wir uns in einer Phase der “Early Adopters” befinden und eine Konsolidierung in den nächsten Jahren kommt.
  • Im Bereich Legal Tech es interessante Anwendungen gibt, die in den nächsten 2/5 Jahren umgesetzt werden.

Was ist eigentlich Künstliche Intelligenz?

Der Begriff ist schwer definierbar, da es bereits an einer genauen Definition von „Intelligenz“ mangelt. Dennoch wird er in Forschung und Entwicklung verwendet.Meist bezeichnet künstliche Intelligenz den Versuch, bestimmte Entscheidungsstrukturen des Menschen nachzubilden, indem z. B. ein Computer so gebaut und programmiert wird, dass er relativ eigenständig Probleme bearbeiten kann. Oftmals wird damit aber auch eine nachgeahmte Intelligenz bezeichnet, wobei durch meist einfache Algorithmen ein „intelligentes Verhalten“ simuliert werden soll, etwa bei Computergegnern in Computerspielen.

Die Verschiedene Lernmethoden

Die im Bereich des maschinellen Lernens verwendeten Methoden werden wie folgt unterteilt:

  • Supervised learning

    Das ist das Mitteilen des Wissens aus gelabelten Daten. Man zeigt dem System zum Beispiel eine Katze und die Maschine sagt „Katze“. Wir teilen der Maschine mit, das es richtig ist.

    • Voraussentzungen
      Riesige Menge an Daten.
      Klare Aufgabe mitteilen.
    • Merkmale
      Wenn die Daten falsch oder verfälscht sind, lernen die Systeme falsch und das bedeutet, dass eine Person noch die Zuverlässigkeit der Daten prüfen muss.
  • Unsupervised learning

    Die Maschine lernt aus umstrukturierten Daten. Wir geben dem System z. B. viele Bilder von Hunden und Katzen und sagen ihm, es soll sie in Gruppen sortieren. Die Maschine untersucht die statistischen Daten und versteht, wie die Daten aufgeteilt sind Dann fährt sie mit der Klassifizierung fort. Dieses System ist z. B. bei der Vorhersage von Naturkatastrophen oder im Bereich der Erkennung von Kreditkartenbetrug sehr nützlich.

    • Voraussetzungen
      Rieseige Menge an unstrukturierten Daten (sehr leicht zu finden).
    • Merkmale
      Wenn die Daten falsch oder verfälscht sind, lernen die Systeme falsch und das bedeutet, dass eine Person noch die Zuverlässigkeit der Daten prüfen muss.
  • Reinforcement learning

    System auf Basis von Belohnung/Bestrafung in einem Simulationsmodus. Wir erstellen eine Spielumgebung und sagen der Maschine, dass sie mit dem System interagieren soll. Sie beobachtet dann das System und verfeinert die Werkzeuge, um ein bestimmtes Ziel zu erreichen.

    • Voraussetzungen
      Riesige Menge an unstrukturierten Daten (sehr leicht zu finden).
      Verfügbarkeit von enormer Rechenleistung.
    • Merkmale
      Der Mensch muss nicht jede einzelne Aufgabe bewerten, die die Maschine ausführt, sondern muss ihr einfach ein Ziel zuweisen, so dass die Maschine den besten Weg finden kann, um dieses Ziel zu erreichen.

Deep Learning

Deep Learning ist das am weitesten entwickelte maschinelle Lernsystem und basiert auf der Nachahmung des menschlichen Gehirns, seiner Neuronen und Synapsen.

Die Neurone machen grundsätzlich folgendes: sammeln, gewichten und weiterleiten von Informationen.

In Anlehnung an die Neuronen können wir ein künstliches neuronales Netzwerk erstellen:

  • Wir geben dem neuronalen Netz den Input und den Output und die Maschine führt viele Tests mit mehreren Schichten von Neuronen durch, um die beste Lösung zu finden.
  • Je mehr Schichten es gibt, desto präziser kann die Maschine sein.
  • Eine grosse Menge an Daten muss wiederholt getestet werden.
  • Neuronale Netze sind viele und unterschiedlich voneinander. Die richtige Integration der verschiedenen neuronalen Netze führt zu immer besseren Ergebnissen.

Nach einem theoretischen Abriss haben wir unter https://playground.tensorflow.org/ ein neuronales Netz gebaut und in der Praxis getestet.

Mit jedem Test lernte das Netzwerk und verbesserte sich.

Stand der Technik

Einige Branchen drängen mehr als andere auf die konkrete Anwendung von künstlicher Intelligenz. Was ich besonders interessant finde ist Sprachverständnis durch die Anwendung von unsupervised learning. OpenAI’s GPT-3 ist hier führend und kann sogar neue, originelle Bilder aus Text erzeugen, wie es auf https://openai.com/blog/dall-e/#summary gezeigt wird.

Bei meinen leidenschaftlichen Recherchen habe ich auch ein ganzes Musikalbum entdeckt, das von einer künstlichen Intelligenz geschrieben wurde (https://open.spotify.com/playlist/0lnA59FBn6RvxJwOwIaZTe?si=sycLPohnRb-zb_GgXpp61Q). Es ist wie Bach zu hören! Aber ich frage mich: Welchen Wert wird die menschliche Kreativität in der Zukunft haben, wenn GPT-3 in der Lage ist, in wenigen Sekunden einen schönen Stuhl mit einem raffinierten Design zu schaffen oder ein musikalisches Werk besser zu komponieren als ein Mensch?

Fazit

Erik war in der Lage, ein komplexes Thema mit Präzision und grosser Begeisterung zu erklären. Dank ihm wurde ich im Laufe eines sehr intensiven Unterrichtstages in eine neue Galaxie projiziert, was meinen Realitätssinn durcheinander gebracht und meiner Forschung und meinen Interessen neue Impulse gegeben hat. Eines ist sicher: Dank dieses Vortrags fühle ich mich jetzt vielleicht weniger intelligent als vorher, aber auf jeden Fall viel, viel neugieriger. Herzlichen Dank, Erik.