Nach Jahren des Dahindämmerns in den Universitäten und Forschungslaboren erlebt die künstliche Intelligenz eine Zeitenwende und schafft mit atemberaubender Geschwindigkeit den Sprung in immer mehr Anwendungen. Die erste Generation von KI-Systemen war noch auf Anreicherung und Sortierung von Wissen und die Erfüllung ganz spezieller Aufgaben ausgerichtet. Kennzeichnend für die KI-Systeme dieser Generation ist, dass sie Aufgaben lösen, für die es feste Rechenregeln gibt.

Auch die moderneren KI-Systeme, die gegenwärtig zur Anwendung kommen, sind noch auf eng umgrenzte Aufgabenstellungen beschränkt: Erkennung von bestimmten Mustern oder Abweichungen in Bildern, Erkennung von Sprache, Extrahieren von Informationen, Suchen von Datenmustern. Das Charakteristikum dieser Systeme ist aber bereits, dass es keine festen Regeln und unter Umständen keine eindeutigen Ergebnisse mehr gibt. Beispiel Bilderkennung in der Medizin: Die Organe eines jeden Menschen sehen anders aus und bei der Analyse von Röntgenbildern gibt es wiederkehrende Prinzipien, aber niemals genaue Wiederholungen. Ebenso können Abweichungen von der Norm auf einen Tumor hindeuten, müssen aber nicht zwangsläufig einer sein. Die Bilderkennung entlastet von ermüdender Routine. Das Ergebnis hat Toleranzen, die der Arzt als letzte Instanz interpretieren muss. Vermeintlich anders verhält es sich mit der Bilderkennung im fahrenden Auto: Ein rundes Verkehrsschild mit rotem Rand und der „60“ auf weißem Grund lässt keinen Interpretations-spielraum – aber steht es wirklich am Straßenrand, oder ist es vielleicht auf einem Werbeplakat abgebildet?

Forum Künstliche Intelligenz am 17. Mai 2018

Am 17. Mai veranstalten die WEKA-Fachmedien in Stuttgart das Forum Künstliche Intelligenz. Die Veranstaltung richtet sich an Entwickler und Manager elektronischer Systeme, die jetzt oder in Zukunft Techniken des Maschinellen Lernens, Deep Learnings oder mit Neuronalen Netzen entwickeln.
Nach drei Keynote-Vorträgen von hochrangigen Industrievertretern gibt es drei parallele Sessions:

• KI in Embedded Systemen behandelt branchenübergreifende Grundlagen-Techniken der Künstlichen Intelligenz.
• KI in Automobil und Telematik widmet sich dem autonomen Fahren, den damit verbundenen Sicherheitsfragen sowie intelligenten Fahrzeugen.
• KI in der Fabrik zeigt, wie sich Automatisierung und Maschinensteuerung mit KI-Techniken verbessern lassen.

Bild 1. Gartner Hype Cycle for Emerging Technologies, 2017. Maschinelles Lernen soll in zwei bis fünf Jahren das Produktivitätsplateau erreicht haben, universelle KI-Systeme und autonomes Fahren ´sind weiter davon entfernt.

© Gartner – Juli 2017

Diese Beispiele sollen zeigen: Aktuelle KI-Systeme treffen keine streng algorithmischen Entscheidungen, sondern werden auf das Prinzip einer Problemlösung trainiert, um die Dateneingaben zu klassifizieren und daraus eine Entscheidung abzuleiten.

Zukünftige KI-Systeme werden immer universeller werden und dem menschlichen Denken immer ähnlicher. Man spricht von „General Artificial Intelligence“. Die Marktforscher von Gartner sehen diese Systeme noch in einiger zeitlicher Distanz, während sich maschinelles Lernen und Deep Learning gegenwärtig auf dem Gipfel der überzogenen Erwartungen befinden (Bild 1).

Mythos menschlicher Roboter

Die Entwicklung der Computertechnik war seit Erfindung der integrierten Schaltkreise von einer stetigen, ja exponentiellen Zunahme der Rechenleistung gekennzeichnet. Computer können in unvorstellbar schneller Geschwindigkeit rechnen und unvorstellbar viele Daten speichern. Wenn nun noch künstliche Intelligenz ins Spiel kommt, assoziieren viele Menschen damit, dass Computer nun immer menschenähnlicher werden und haben Angst davor, dass Maschinen einmal die Weltherrschaft übernehmen könnten. Befeuert wird dieser Mythos noch dadurch, dass Roboter in menschlicher Gestalt z.B. Getränke servieren oder Fragen beantworten. Allerdings wird ein Roboter oder eine irgendwie autonom arbeitende Maschine immer mit elektrischer Energie angetrieben werden, sodass man jederzeit abschalten oder die Batterie herausnehmen kann.

Oder doch nicht? – Theoretisch könnte man auch beim Internet sofort den Stecker ziehen. In der Praxis sind wir aber so auf das Netz angewiesen, dass damit auch sämtliche Kommunikationsverbindungen gekappt würden, Informationen wären nicht mehr zugänglich, Transaktionen könnten nicht mehr ausgeführt werden, und Geschäftsprozesse würden ins Stocken geraten. In einer zunehmend digitalisierten Wirtschaft wären nicht nur Amazon, Ebay und Google betroffen, sondern alle Branchen, von der Bahn bis zur Krankenkasse, vom Software-Entwickler bis zur Fabrik. Mit der künstlichen Intelligenz dürfte es sich mit der Zeit ähnlich verhalten: Sie wird, ohne dass wir es merken, in immer mehr Bereiche unseres Lebens eindringen und eines Tages werden wir nicht mehr darauf verzichten können.

Auch wenn die künstliche Intelligenz sehr schnell Fortschritte macht und immer mehr Anwendungen erobert, ja sogar disruptive Entwicklungen hervorbringt, eine Revolution von einem Tag auf den anderen wird es nicht sein. Das lässt sich am Beispiel des autonomen Fahrens recht gut darstellen.

Es ist erstaunlich, was Fahrerassistenzsysteme heute schon können: Verkehrszeichen erkennen, die Spur halten, einparken. Angenehme Komfortfunktionen, auf die kein Mensch mehr verzichten möchte, der je von ihrem Nutzen profitiert hat. Gleichzeitig sind diese Assistenzsysteme aber noch auf eng umgrenzte Standardsituationen beschränkt. Das vollständig autonome Fahren wird zwar kommen, aber wahrscheinlich ebenfalls zunächst in einer normierten Umgebung wie der Autobahn und erst später auch auf Landstraßen und in der Stadt.

Denn sie wissen nicht, was sie tun

Fazit: Stecker ziehen oder Abschalten ist keine Alternative. Aber auch, wenn die Systeme immer leistungsfähiger werden, die Intelligenz wird künstlich bleiben und die Systeme werden niemals ein eigenes Bewusstsein entwickeln, werden niemals wirklich verstehen, was sie tun und niemals eigene Ziele oder Interessen haben.

Dennoch ist Skepsis angebracht, denn der Übergang vom prozeduralen zum kognitiven Computing geht mit einem paradigmatischen Bruch einher. Traditionelle Softwareentwicklung beruht auf Algorithmen, also auf einem festen Regelwerk, das aus mathematischen Operationen und Wenn-dann-Entscheidungen beruht. Die künstliche Intelligenz greift auf andere Prinzipien zurück. Kerntechnologie ist in diesem Fall das maschinelle Lernen: Der Computer erhält Beispieldaten aus denen er statistische Regelmäßigkeiten ableitet, daraus ein Modell bildet und ein Ergebnis errechnet. In einer Trainingsphase wird die Berechnung mit vorliegenden Trainingsdaten verglichen. Die Differenz zum gewünschten Ergebnis wird als Feedback wieder zurückgeführt, um die Parameter der Berechnung anzupassen. So wird das Berechnungsverfahren stetig verbessert und der Computer lernt umso mehr dazu, je mehr er mit Trainingsdaten gefüttert wird.
Dabei kann aber auch einiges schief gehen: Microsoft musste seinen Chatbot Tai nach Stunden von Twitter zurückziehen, weil er von anderen Benutzern rassistisches Verhalten gelernt hatte. Amazons Alexa war nicht auf den Umgang mit Kindern trainiert und bestellte bereitwillig alles, was sich die Kinder wünschten.

Chatbots können zwar auf einfache Fragen antworten und Aufgaben erledigen, wie z.B. einen Termin in den Kalender eintragen, aber sie können keine Argumente abwägen oder Kompromisse eingehen. Facebook entwarf einen KI-Algorithmus, der einem Chatbot beibringen sollte, mit einem Gesprächspartner zu verhandeln. Während des Trainings ließen sie die Chatbots sowohl miteinander als auch mit menschlichen Partnern sprechen. Wenn die künstlichen Intelligenzen miteinander kommunizierten, begannen sie, von der verständlichen Sprache abzuweichen und entwickelten mit der Zeit einen eigenen Dialekt. Für Menschen hörte sich das wie Kauderwelsch an, diente aber dazu, effektiver zu verhandeln. Die Forscher konnten allerdings die „Gedankengänge“ nicht mehr nachvollziehen und die Sprache nicht mehr verstehen, weshalb sie das Experiment beendeten [2]. Was in der Boulevardpresse teilweise so dargestellt wurde, als hätten die Forscher die Kontrolle über ihre Kreaturen verloren, zeigt nur: Der Einsatz künstlicher Intelligenz führt oft zu Resultaten, die die Entwickler nicht genau nachvollziehen können.

Maschinelles Lernen erfordert ungeheure Rechenleistung

Gegenwärtig taucht in vielen Präsentationen das Stichwort „Deep Learning“ im Zusammenhang mit Künstlicher Intelligenz auf. Deep Learning ist eine vertiefte Form des maschinellen Lernens mit neuronalen Netzen. Während die frühen Netze nur aus einer Eingabe-, einer unsichtbaren Zwischenschicht und einer Ausgabeschicht bestanden, enthalten Deep-Learning-Netze viele Zwischenschichten und können die Eingangsdaten immer besser klassifizieren. Ein Problem ist allerdings die hohe Rechenleistung, die für den Lernvorgang erforderlich ist. Dazu ein kurzes Beispiel: Ein neuronales Netzwerk soll Bilder klassifizieren; es gibt 1000 Klassen. Analysiert werden Bilder mit 224 × 224 Auflösung, was ca. 50.000 Bildpunkten entspricht, die bei drei Farbkanälen 150.000 Eingangswerte ergeben. Das neuronale Netzwerk selbst hat acht Schichten und 650.000 Neuronen; allein die Ausgabeschicht hat 1000 Neuronen (eins für jede Klasse). In solch einem Netzwerk gibt es ca. 60 Millionen mögliche Parameter, die beim Training zu optimieren sind. Man ahnt schon, dass auch noch so leistungsfähige Computer nicht alle Möglichkeiten durchprobieren können. So ist ein wesentlicher Gegenstand der aktuellen Forschung die Reduktion der Datenmenge, das optimale Austarieren zwischen Lernfähigkeit und der Tiefe des Netzes sowie die Steuerung der Parameter, damit das Ergebnis einem Optimum zustrebt.

Ein weiteres Problem neuronaler Netze ist, dass sich bisher kaum nachvollziehen lässt, auf welchem Weg solche Netze ihre Klassifikation vornehmen. Das wäre aber nötig, um die oben skizzierten Fehlentwicklungen (z.B. Rassismus) beim maschinellen Lernen zu vermeiden. Auch bei autonomen Fahrzeugen wird es für die Klärung von Haftungsfragen unerlässlich sein, dass ein Hersteller nachweisen kann, wie und warum ggf. ein Unfall so und nicht anders zustande kam. Das Fraunhofer Heinrich-Hertz-Institut hat zum Beispiel eine Analyse-Software entwickelt um komplexe Lernverfahren, wie tiefe neuronale Netze, nachvollziehbar zu machen. Als Demonstration haben die HHI-Forscher eine Anwendung entwickelt, die aus einem Kamerasignal automatisch Gesichter erkennt, um dann Alter und Geschlecht der Person zu bestimmen. Die Software zeigt dann Balkendiagramme an, mit welcher Wahrscheinlichkeit die Person den verschiedenen Altersklassen zugeordnet wurde und mit welcher Sicherheit das Geschlecht bestimmt wurde. Auf einer Art „Heatmap“ wird angezeigt, welche Regionen im Gesicht für die Entscheidungsfindung herangezogen wird.

Für Menschen zu komplex

Es gibt verschiedene Motivationen für den Einsatz künstlicher Intelligenz. Die offensichtlichste mag der Komfortzuwachs sein. Der wird z.B. gerne beim autonomen Fahren angeführt. Viel wichtiger ist in diesem Kontext aber die „Vision Zero“, das unfallfreie Fahren. Durch das Eliminieren menschlicher Fehler ließe sich der Straßenverkehr wesentlich sicherer machen. Ein weiterer Grund für den Siegeszug künstlicher Intelligenz sind Systeme, die sich überhaupt erst mit KI wirtschaftlich realisieren lassen.

Der Gedanke von Industrie 4.0, individualisierbare Produkte so automatisch wie Massenware herzustellen erfordert zum Beispiel Produktionssysteme, die sich autonom auf geänderte Anforderungen ein¬stellen können. Der manuelle Umbau der Produktionsmaschinen durch Menschen würde eine massenindiviualisierte Produktion wohl unwirtschaftlich machen.

Gesichtserkennung im Selbstversuch

Bild: Geschlechts- u. Altersbestimmung durch ein künstliches neuronales Netz. Die Software visualisert im rechten Teil, welche Teile des Gesichts für die Entscheidung herangezogen wurden. Grafik: Der Score für die Altersklassifizierung.

© Elektronik

Anlässlich einer Demonstration des Fraunhofer Heinrich-Hertz-Instituts konnte ich von einer KI-Anwendung mein Alter und Geschlecht bestimmen lassen. Eine Analysesoftware zeigt, welche Kriterien der Bestimmung zugrunde liegen.
Dank meiner weitgehend haarlosen „Frisur“ funktionierte die geschlechtliche Zuordnung zuverlässig und zweifelsfrei. Die Altersbestimmung war hingegen längst nicht so genau.

In einem ersten Versuch schätzte mich die Software auf ca. 80 Jahre. Das lag wohl daran, dass es oberhalb von 50 nur noch die Altersklasse „80“ gab. In der Heatmap waren deutlich mein blankes Haupt und meine Brille markiert, die zur der Klassifikation geführt hatten.

Ein zweiter Versuch aus einer anderen Perspektive lieferte als Ergebnis „Anfang 40“. Das ist sehr schmeichelhaft. In diesem Fall hatte das neuronale Netz offensichtlich eine schlanke Form des Gesichts erkannt und außerdem Mund und Nase in die Entscheidung mit einbezogen.
Die Visualisierung zeigte recht gut den uneindeutigen Charakter der Alterseinstufung: im zweiten Fall wurden in den Bereichen „25“, „40“ und „50“ durchweg recht hohe Wahrscheinlichkeiten errechnet, sodass das Endergebnis mehr oder weniger dem Mittelwert entsprach.

Hoffnungsträger Predictive Maintenance

Auch die vielzitierte Predictive Maintenance erfährt mit KI-Verfahren einen Qualitäts- und Produktivitätsschub. Das Fraunhofer-Institut für Integrierte Schaltungen IIS forscht an einem selbstlernenden Verfahren für Condition Monitoring. Oft sind die Prozesse sowie die erfassten Daten zu komplex, als dass Nutzer diese mit den tatsächlichen Maschinenzuständen in Verbindung bringen können. Das Verfahren des maschinellen Lernens vom Fraunhofer IIS/EAS ermöglicht es, auch in sehr großen Datenmengen relevante Zusammenhänge schnell zu identifizieren und die Produktivität von Anlagen und Maschinen zu erhöhen. Das Condition-Monitoring-System führt beispielsweise Schalldaten einer selbstlernenden Klassifikation zu und muss dabei Einstellungen, wie Grenzwerte, automatisch vornehmen. Das gelingt mithilfe von Algorithmen, die bekannte Betriebszustände einer Anlage auswerten. Veränderungen an diesem „Fingerabdruck“ können dann automatisch erkannt und bestimmten Betriebszuständen zugeordnet werden (Bild 2).

Mit ersten Verschleißerscheinungen ändern sich Form und Lage dieser Datencluster, sodass das System bei Überschreiten gewisser Grenzen eine Meldung absetzen kann.

Durch IoT immer mehr Trainingsdaten

Künstliche Intelligenz steht noch ganz am Anfang einer wohl stürmischen Entwicklung. Um künstliche neuronale Netze zu trainieren sind gegenwärtig noch Ungetüme von Computern nötig. Das Lernrepertoire dieser Netze ist noch sehr begrenzt. Für die Anwendung eines trainierten neuronalen Netzes reichen heutige Universalprozessoren aber bereits aus – zahlreiche Roboter und Fahrerassistenzsysteme zeigen das. Künstliche Intelligenz wird in einem schleichenden Prozess immer mehr Assistenzfunktionen übernehmen. Zukünftige Generationen von autonomen Systemen werden ihre Wahrnehmungen, ihre Interpretationen, ihre Aktionen und ihre Kooperationsmöglichkeiten selbstständig erweitern und sich mit anderen Systemen darüber austauschen können [2].

Die ausgreifende Verbreitung des Internets der Dinge schafft die Voraussetzungen für eine Akkumulation von Trainingsdaten, wie sie bisher nicht möglich war. Ganz gleich, ob physikalische Daten von Sensoren aus der Umwelt oder statistische Daten: Künstliche Intelligenz kann Zusammenhänge aufdecken, die dem menschlichen Denkvermögen verborgen bleiben. Dennoch wird diese Intelligenz immer künstlich bleiben. Deshalb ist auch die Angst unbegründet, dass KI-Systeme eines Tages außer Kontrolle geraten könnten.

Technik erfordert politische Gestaltung

Was allerdings zu bedenken ist: KI fügt der Digitalisierung eine weitere Stufe der Komplexität hinzu. Natürlich werden für KI neue Spezialisten gebraucht und zusätzliche Arbeitsplätze geschaffen. Ebenso hat KI aber ein großes Potenzial der Arbeitsplatzvernichtung. In manchen Branchen ist von bis zu 80 Prozent die Rede. Wenn auf die Digita¬lisierung die „Intelligentisierung“ folgt, dann könnten diese Rationalisierungseffekte, die bisher überwiegend manuelle Tätigkeiten betrafen, erstmals eine Arbeitslosenwelle unter Akademikern auslösen. Darin liegen wohl noch größe¬re Herausforderungen als in der Technik der KI: Durch Digitalisierung fühlen sich bereits viele Menschen überfordert und in ihrer Exstenz bedroht. Es wird darauf ankommen, Ausgleichsmechanismen zu schaffen, damit nicht noch breitere Bevölkerungsschichten von der Entwicklung abgehängt werden. Wenn sogar führende Industriemanager eine Robotersteuer zur Sprache bringen oder, wie Siemens-CEO Joe Kaeser, über ein bedingungsloses Grundeinkommen nachdenken, dann sollte das Anlass genug sein, diese Warnungen ernst zu nehmen.

Literatur

[1] Kühl, E.: Eine Sprache macht noch keinen Terminator, Zeit Online, 2. August 2017.
[2] Damm, W.; Kalmar R.: Autonome Systeme. Fähigkeiten und Anforderungen. In: Springer-Verlag, Informatik Spektrum, Bd. 40, H. 5, Oktober 2017.
[3] Fraunhofer-Allianz Big Data (Hrsg.): Zukunftsmarkt Künstliche Intelligenz. Potenziale und Anwendungen. Leipzig und St. Augustin, 2017.

Link-Tipp: Wie funktioniert ein neuronales Netz?

In 25 Minuten erklärt Data Scientist Brandon Rohrer auf Youtube, wie ein neuronales Netz ein aus vier Pixeln bestehendes „Bild“ klassifiziert. Bestimmt wird, ob die schwarzen und weißen Pixel diagonal, vertikal oder horizontal angeordnet sind oder ob nur eine Farbe vorkommt.