Die Maschine denkt schneller – aber wir sind schlauer


Von Karsten Pohl

Der 2. Tec­Talk Digi­ta­le Trans­for­ma­ti­on nahm Künst­li­che Intel­li­genz und maschi­nel­les Ler­nen ins Visier

Siri und Ale­xa hei­ßen die ers­ten Pro­mis der Sze­ne. Eini­ger­ma­ßen geräusch­los sind sie in vie­le Haus­hal­te ein­ge­zo­gen und unter­stüt­zen mit klei­nen Online-Dienst­leis­tun­gen den All­tag der Bewoh­ner. Dass mit den bei­den Sprach­as­sis­ten­tin­nen von Apple und Ama­zon gleich­zei­tig auch Künst­li­che Intel­li­genz (KI) und maschi­nel­les Ler­nen (ML) Teil des Fami­li­en­le­bens wur­den, rea­li­sie­ren die meis­ten eher noch nicht. „ KI“, das hört sich für vie­le bei uns wohl auch immer noch eher nach Sci­ence Fic­tion als nach All­tag an. Das passt ins Bild, gilt Deutsch­land doch auch nicht gera­de als Pio­nier auf die­sem Gebiet. Mitt­ler­wei­le aber ver­geht kaum ein Tag, ohne dass von KI die Rede ist. Intel­li­gen­te Autos, intel­li­gen­te Tele­fo­ne, intel­li­gen­te Com­pu­ter und intel­li­gen­te Über­wa­chungs­sys­te­me - sie bestim­men zuneh­mend unser täg­li­ches Leben. Die Fähig­kei­ten von Maschi­nen und Sys­te­men, mensch­li­ches Ver­hal­ten nach­zu­ah­men, nimmt rasant Fahrt auf und dringt in immer neue Berei­che vor. Ob in der Medi­zin, im Han­del, im Haus­halt oder im Ver­kehr - über­all ist die KI auf dem Vor­marsch. Der Sie­ges­zug intel­li­gen­ter Gerä­te scheint heu­te unauf­halt­bar.

Auf­re­gen­de neue Tech­no­lo­gi­en und deren Bedeu­tung für die Kom­mu­ni­ka­ti­ons­pra­xis, das mach­ten KI und ML denn auch zu einem span­nen­den The­men­feld für die zwei­te Aus­ga­be des „Tec­Talk Digi­ta­le Trans­for­ma­ti­on“. cross­re­la­ti­ons und der Indus­trie 4.0-Spezialist ITQ hat­ten für den 19. Sep­tem­ber Unter­neh­mer, Wis­sen­schaft­ler und Füh­rungs­kräf­te ins Duis­bur­ger Tec-Cen­ter ein­ge­la­den, um sich mit­ein­an­der in schon ein­ge­spielt locke­rer Atmo­sphä­re von zwei aus­ge­wie­se­nen Exper­ten „auf­schlau­en“ zu las­sen. Dabei war zu erwar­ten, dass auch die Gäs­te schon eini­ges an eige­nem Know-how ein­zu­brin­gen hat­ten.

Fre­de­rik Ber­nard von der 40° GmbH, einem Labor für Inno­va­ti­on, eröff­ne­te die Ver­an­stal­tung mit einem kurz­wei­li­gen Bericht zum Stand der Ent­wick­lung bei „Micro­ser­vices und KI zur effi­zi­en­ten Umset­zung von Ser­vice-Inno­va­tio­nen am Bei­spiel eines auf Wat­son basie­ren­den Chat­bots“. Ber­nard ist Öko­nom und Bera­ter und beschäf­tigt sich mit der Ent­wick­lung von Inno­va­ti­ons­stra­te­gi­en ins­be­son­de­re vor dem Hin­ter­grund von Ver­än­de­rungs­pro­zes­sen und Iden­ti­täts­stra­te­gi­en. Anschlie­ßend zeig­te André Rei­ne­cke von der tecRacer Con­sul­ting GmbH auf, wie mit Ama­zon Web Ser­vices neue Dimen­sio­nen bei Machi­ne Lear­ning und KI im Maschi­nen- und Anla­gen­bau erschlos­sen wer­den. Der Soft­ware­spe­zia­list und Cloud Con­sul­tant beschäf­tigt sich mit ser­ver­lo­sen Tech­no­lo­gi­en zur Umset­zung kom­ple­xer, viel­schich­ti­ger und ver­teil­ter Sys­te­me.

Maschi­nel­les Ler­nen heißt immer wie­der Daten ver­glei­chen

© cross­re­la­ti­ons brand­works

Gleich zum Ein­stieg gibt Fre­de­rik Ber­nard Ent­war­nung: „Der Mensch denkt zwar wesent­lich lang­sa­mer als ein Com­pu­ter rech­net, doch er ist trotz­dem viel schlau­er.“ Und erklärt auch gleich war­um. „Der Unter­schied besteht im Ler­nen“, sagt der Inno­va­ti­ons­ex­per­te. „Der Mensch lernt aus Erfah­run­gen.“ Die Maschi­ne braucht – wie auch das mensch­li­che Hirn – Daten, um zu ler­nen. Je mehr des­to bes­ser. Doch der Lern­pro­zess ist ein ande­rer. „Die Daten, zum Bei­spiel Bil­der, wer­den in der Maschi­ne klas­si­fi­ziert, um dar­aus Mus­ter ablei­ten zu kön­nen“, erläu­tert Ber­nard. Dafür nutzt sie Algo­rith­men, die – noch – von Men­schen geschrie­ben wer­den. Je mehr Bil­der von Gesich­tern bei­spiels­wei­se einer Maschi­ne ein­ge­ge­ben wer­den, des­to bes­ser wird die Vor­aus­sa­ge bei einer Abfra­ge nach einem bestimm­ten Merk­mal. Bis zu 13 Stim­mun­gen kön­nen moder­ne Sprach­er­ken­nungs­sys­te­me heu­te unter­schei­den. Und hier­in besteht der gro­ße Vor­teil: Ver­fügt die Maschi­ne erst ein­mal über eine extrem gro­ße Daten­men­ge, kann sie, da sie die­se schnel­ler aus­wer­tet, auch schnel­ler Unter­schie­de erken­nen. Das ist gut, wenn es zum Bei­spiel um das Auf­fin­den von Pro­duk­ti­ons­feh­lern von Bau­tei­len geht. Oder um die vor­aus­schau­en­de War­tung von Anla­gen (pre­dic­tive main­ten­an­ce). Oder auch um das früh­zei­ti­ge Ent­de­cken von Krank­heits­sym­pto­men. Ver­ste­hen kann die Maschi­ne damit aller­dings – noch – nicht, was auf den Bil­dern zu sehen ist.

Mög­lich ist das heu­te alles, weil sowohl die Rechen­leis­tung von Com­pu­tern als auch kos­ten­güns­ti­ge Daten­spei­cher­ka­pa­zi­tä­ten für die für maschi­nel­les Ler­nen benö­tig­te Ver­ar­bei­tungs­ge­schwin­dig­keit inzwi­schen vor­han­den sind“, weiß Ber­nard, war­um KI auf ein­mal über­all so ein gro­ßes Ding ist. Für die extre­men Daten­men­gen sind übri­gens kei­ne Rie­sen­ser­ver mehr nötig. Sie wer­den auf vie­le Ser­ver ver­teilt in der Cloud gespei­chert. Abschlie­ßend demons­trier­te Ber­nard am Bei­spiel eines Chat­bot des Bar­Camp Kiel, der in der IBM-Cloud ange­legt ist, wie Trai­nings­ar­beit und Anwen­dung beim maschi­nel­len Ler­nen in der Pra­xis aus­se­hen.

Künst­li­che Intel­li­genz ist nach wie vor von Men­schen abhän­gig

© cross­re­la­ti­ons brand­works

Das Trai­ning in der Cloud dau­ert auf­grund der gro­ßen Daten­men­gen in der Regel sehr lan­ge“, sagt André Rei­ne­cke zu Beginn des zwei­ten Vor­trags.
Aber was heißt in Zei­ten der Digi­ta­li­sie­rung schon lan­ge? Und woher kom­men die Daten für das maschi­nel­le Ler­nen über­haupt? „Die Daten kom­men aus ganz unter­schied­li­chen Quel­len. Sie kön­nen von unse­ren Smart­pho­nes stam­men oder ein­fach nur von ganz simp­len Sen­so­ren, die zum Bei­spiel Tem­pe­ra­tu­ren mes­sen“, so der Cloud-Spe­zia­list. Kon­kret stell­te Rei­ne­cke Machi­ne Lear­ning am Bei­spiel einer Glas­fla­schen­pro­duk­ti­on vor. Es zeig­te ein­drucks­voll, wie kom­plex der Lern­pro­zess im „deep lear­ning“ ist, bis sich ein brauch­ba­res Ergeb­nis ein­stellt. Alles hängt an der Qua­li­tät der Algo­rith­men, die – bis­her – immer nur so gut sind, wie sie – von Men­schen – pro­gram­miert wur­den. Je mehr Schrit­te des Lern­pro­zes­ses Rei­ne­cke zeig­te, des­to deut­li­cher wur­de, dass das Trai­ning eines KI-Sys­tems nicht eben ein­fach, schnell und garan­tiert mit erfolg­rei­chem Aus­gang zu sein scheint. Spä­tes­tens als Rei­ne­cke erklär­te, wel­che Pro­zes­se beim Machi­ne Lear­ning – ob nun mit Ama­zo­ne Web Ser­vices oder einem ande­ren Cloud-Com­pu­ting-Anbie­ter – ablau­fen, war jedem klar, dass sowas höchs­te Ansprü­che an die Ent­wick­ler stellt. Doch das Prin­zip, wie und wobei die KI uns hel­fen kann, leuch­tet auch ohne IT-Exper­ten­wis­sen sofort ein.

Eine rund­um bemer­kens­wer­te Dis­kus­si­on ver­tief­te die bei­den Impuls­vor­trä­ge und gab den Teil­neh­mern die Mög­lich­keit, eige­ne Erfah­run­gen im Umgang mit KI bei­zu­steu­ern. Obwohl, oder viel­leicht auch gera­de, weil vie­le Teil­neh­mer über Exper­ten­wis­sen ver­füg­ten, rück­ten sehr schnell ethi­sche und sozia­le Aspek­te der neu­en Tech­no­lo­gi­en in den Mit­tel­punkt der Erör­te­rung. Soft­ware­spe­zia­lis­ten erin­ner­ten dar­an, dass Codes immer auch Feh­ler ent­hal­ten und die Ver­ant­wor­tungs­fra­ge sich nie ganz auf Maschi­nen über­tra­gen las­sen wird. Klar wur­de auch hier: Es geht letzt­lich immer um die klu­ge Abwä­gung von Nut­zen und Risi­ken und das eine Gesell­schaft ihre Maß­stä­be im Blick haben muss. Kom­pe­ten­te Skep­sis bleibt auch in Zukunft ange­bracht und KI darf nicht mensch­li­che Ver­ant­wor­tung erset­zen. Aber sie kann den All­tag von Men­schen in zahl­rei­chen Situa­tio­nen sinn­voll unter­stüt­zen. Dafür müs­sen aber auch Siri und Ale­xa noch eine Men­ge ler­nen.

Auch ohne Ale­xa und Siri

noch Par­ty­stim­mung

und inten­si­ve Dis­kus­sio­nen im Baba­su

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.