Künstliche Intelligenz (KI) ermöglicht autonomes Fahren, automatisiert und optimiert Arbeitsprozesse und vereinfacht den Alltag der Menschen – soweit die Theorie. Was allerdings in den meisten Medien und auf Kongressen gehypt und wie eine fertig entwickelte, erfolgreiche Technologie dargestellt wird, steckt in Wahrheit noch in den Kinderschuhen und kämpft mit diversen Herausforderungen.
Bevor eine Maschine intelligent agieren und richtige Zusammenhänge "Richtig eingesetzt, birgt KI bereits enormes Potenzial zur Verbesserung von Services und Produkten" erkennen kann, muss sie lernen. Dazu bedarf es großer Mengen von Trainingsdaten und unzähliger Wiederholungen. Die dafür aktuell meistgenutzte Lernmethode ist das sogenannte Supervised Learning. Dabei werden dem System wiederholt und massenhaft Eingaben und dazu passende korrekte Ausgaben präsentiert. So lernt die Maschine, Zusammenhänge zu erkennen, um später auch für unbekannte Daten die richtigen Ergebnisse zu liefern. Für viele Anwendungen sind aber gar keine ausreichenden Trainingsdaten inklusive Ergebnissen verfügbar, was die Einsatzmöglichkeiten erheblich einschränkt.
Effizientere Lernmodelle, die ohne oder mit nur sehr wenigen Beispielen auskommen, werden als Unsupervised Learning bezeichnet und stehen noch ganz am Anfang. Das gleiche gilt für Methoden, die statt der richtigen Ergebnisse eine Art Qualitätsfeedback benutzen (Reinforcement Learning) und bisher nur für sehr spezielle Anwendungsfälle wie einfache Computerspiele funktionieren.
Liegt eine ausreichende Menge an Trainingsdaten in der benötigten Qualität vor, bedeutet dies noch immer nicht, dass das System die gewünschten Zusammenhänge auch wirklich erlernt. Dafür braucht es zusätzlich erfahrene Spezialisten, die KI-Anwendungen auf ihrem „Ausbildungsweg“ begleiten und durch die Auswahl und Einstellung zahlreicher Parameter, etwa Lernrate, Batchsize oder Netzarchitektur, über Erfolg oder Misserfolg des Lernprozesses entscheiden. Das ist häufig immer noch ein Prozess von Versuch und Irrtum.
Liefert ein KI-System nach Eingabe der Trainingsdaten schließlich richtige Ergebnisse, heißt das erst einmal nur, dass es einen Zusammenhang zwischen Eingabe und Ergebnis erkannt hat - aber nicht, welchen. So kann es sein, dass in einer Trainingsdatenmenge mit Fotos von Autos und Fahrrädern zufällig die Autos immer vor blauem Himmel standen und das System nur den Unterschied zwischen blauem und bewölktem Himmel erlernt hat - obwohl es die Autos scheinbar korrekt klassifiziert.
Ein anderes Problem besteht darin, dass Eingaben gezielt so manipuliert werden können, dass ein neuronales Netz sie plötzlich in eine andere Kategorie einordnet. So demonstrierte ein Forscherteam, dass man ein autonomes Fahrzeug nicht nur durch ein gezielt präpariertes Verkehrszeichen durcheinanderbringen kann, sondern dass dafür sogar ein paar einfache Klebestreifen auf einem echten Stopp-Schild ausreichen. Wie KI-Systeme gegen solche Fehldeutungen und Manipulationen abgesichert werden können, wird zurzeit intensiv erforscht.
Künstliche Intelligenz und Machine Learning stehen noch am Anfang ihrer Entwicklung. Bis auf verhältnismäßig einfache Fälle werden Maschinen Menschen erst einmal nicht ersetzen können. Eher werden sie assistieren - und den Menschen sehr spezifische Aufgaben abnehmen. Gerade deshalb aber lohnt es sich für Unternehmen, die Möglichkeiten dieses neuen Werkzeugs für sich und ihre Ziele schon jetzt genau zu prüfen: Richtig eingesetzt, birgt diese Technologie bereits enormes Potenzial zur Verbesserung von Services und Produkten, etwa durch den Einsatz völlig neuer sprach- oder bildbasierter Benutzerschnittstellen. Und die Entwicklung geht in großen Schritten voran. Schon in wenigen Jahren werden KI-Anwendungen wesentlich stabiler und vielseitiger sein, als wir es heute für möglich halten.
Lr sich gelassen und lässt sich in jedermanns Hosentasche herumtragen. Digitale und analoge Realität verschmelzen zunehmend zu einer, was auch eine langfristige “Technisierung” unserer Lebenwelt bedeutet.
Bildrecht: Pinterest / joshchilders.com