Künstliche Intelligenz – Magie und konkreter Einsatz

Künstlicher Intelligenz: Was braucht es für einen konkreten Einsatz in einem Unternehmen?

Künstliche Intelligenz ist ansich nichts weiter als eine effiziente Form statistischer Datenauswertung. Durch die Kopplung mit einer Lernfunktion wird auf der Basis von bereits ausgewerteten Daten eine Annahme getroffen, mit welcher Wahrscheinlichkeit ein neuer Datensatz bestimmten Kriterien zugeordnet werden kann. Dadurch entsteht die Magie. Zusammen mit der Geschwindigkeit der modernen Computer wird sie ein sehr potentes Instrument der Automatisierung.

Der Grund, warum diese Technologie in der heutigen Zeit der Digitalisierung eine solche Bedeutung erhält, liegt darin, dass wir Unmengen an Daten sammeln. Die Verarbeitung dieser Daten ist mit herkömmlichen Mitteln nicht mehr zu bewältigen. Es sammeln sich in verschiedenen Bereichen Redundanzen. Dies sind Daten mit dem gleichen oder nahezu gleichen Inhalt.

Gleichwohl kann die Analyse von neuen Daten erheblich optimiert werden. Es zeigt sich, dass Maschinen dies in vielen Bereichen wesentlich besser und schneller leisten können als wir Menschen.

Ungeordnete Daten – Data Lakes

Bei ungeordneten Daten in grossen Mengen spricht man von Data Lakes (Daten Seen). Um die Daten in einem Data Lake zu ordnen, braucht es ein Verständnis, also eine Intelligenz. Diese versteht in semantischem Kontext, wie verschiedene Dinge zusammen gehören und was sie miteinander verbindet.

Das reine Ordnen dieser Daten ist der Kern der Programme, die wir als Künstliche Intelligenz bezeichnen. Dahinter stecken Algorithmen für Machine Learning und der speziellen Ausprägung Deep Learning.

Je mehr Daten einem Deep Learning Algorithmus zur Verfügung stehen, desto besser kann er einen weiteren Datensatz gewissen Kriterien zuordnen. Wir sprechen von lernenden Algorithmen.

Verständnis des Inhalts

Voraussetzung für das Ordnen von Daten ist ein Verständnis des Inhalts der zu ordnenden Datenfragmente. Im Normalfall sind die zu ordnenden Daten nicht bereits in digitaler, statistisch verständlicher Form verfügbar. Bilder, Videos und Audio sind komplexe Formate. Diese müssen erst analysiert werden, bevor sie geordnet werden können.

Nehmen wir als Beispiel eine Menge von physischen Dokumenten, die in einem Unternehmen zusammenkommen.

• Rechnungen
• Verträge
• Konzepte
• Präsentationen
• Manuale
• …

Wenn eine Person diese Dokumente ordnen soll, erkennt sie relativ schnell aufgrund intuitiver Kriterien, zu welcher Kategorie jedes Dokument gehört.

Bei einer Rechnung sind verschiedene Felder, wie Datum, Betrag, Absender, Konto, Betreff … relevant. Die Rechnungen können entsprechend sortiert werden. Bei Verträgen ist es etwas komplizierter die verschiedenen Felder zu erkennen. Trotzdem kann ein Mensch über seine Sinne und die Intelligenz relativ schnell lernen, wonach zu suchen ist.

Für ein Computer Programm ist dies etwas schwieriger. Auch wenn Rechnungen relativ standardisiert sind, befinden sich trotzdem die einzelnen Felder nicht immer am gleichen Ort. Es braucht also einen Überblick über das Dokument und damit ein grundlegendes Verständnis.

Um dieses Verständnis für physische Dokumente zu schaffen, braucht es also erst einmal ein Bildverständnis des Computers.

Die grosse Errungenschaft und Voraussetzungen

Programme der Künstlichen Intelligenz sind in nahezu allen Bereichen wo wir als Menschen aktiv werden einsetzbar. Sie adaptieren unsere Form des Lernens. Als Kinder können und wissen wir nahezu nichts, doch unser Gehirn lernt schnell. Wir lernen durch Erfahrungen, die wir stets machen und durch das Nachahmen von unseren Vorbildern.

Diese Grundvoraussetzung wurde von der Wissenschaft auf die Computer übertragen. Lange konnte sie sich nicht entwickeln, weil die Rechenleistung der Computer nicht mit der unseres Gehirns vergleichbar war. Dies hat sich in den letzten Jahren geändert. Die Geschwindigkeit der Computer für Berechnungen hat sich über die Jahre jeweils verdoppelt. Heute sind diese in der Lage, grosse Mengen an Daten zu spezifischen Themen so zu analysieren, dass daraus ein Lernen entsteht.

Unser Gehirn ist unglaublich komplex. Im Vergleich zu seiner Grösse ist es unendlich effizient. Trotzdem ist es eigentlich spezialisiert darauf, unser Leben, wie auch unsere Evolution zu sichern. Dazu gehört eine Priorisierung und das Vergessen.

Im Gegensatz zu unserem Gehirn sind Programme, die Algorithmen aus dem Deeplearning Bereich implementieren sehr spezialisiert. Sie sollen sich z.B. ausschliesslich der Bilderkennung widmen. Andere kümmern sich in Robotern um die Gleichgewichtssteuerung. Wieder andere sind darauf ausgerichtet Spiele wie Go oder Schach zu spielen.

Auch wenn die Programme der Künstlichen Intelligenz sich in ihrer Ausprägung stark unterscheiden, ist trotzdem die Basis des Lernens in all diesen Fällen ähnlich und kann wiederverwendet werden. Was sich ändert sind die zugrunde liegenden Daten.

Im Lernmechanismus dieser Programme auf der Basis eines spezifischen Datensatzes, kann nach einem Training des Algorithmus nicht nachvollzogen werden, wieso und wie ein Programm einen bestimmten Datensatz identifiziert. Es entsteht eine Black Box, wo die Entscheidungen in der Zuordnung der Daten eine immer höhere Wahrscheinlichkeit einer richtigen Zuordnung erreicht. Durch die vielen nötigen Berechnungen und Gewichtungen entsteht jedoch eine Eigendynamik. Im Einzelfall kann nicht mehr eruiert werden, wie die Entscheidung im Detail zustande kam.

Dies ist, was uns einerseits an Künstlicher Intelligenz so fasziniert, andererseits stellt uns dies aus einer Sicht der Verantwortlichkeit vor grosse Herausforderungen. Wir haben uns als Menschen in unserer Gesellschaft so organisiert, dass sich jeder an unsere Regeln halten soll. Dafür brauchen wir unsere Intelligenz.

Speziell für unsere Versicherungen ist dies von grundlegender Bedeutung.

Wer soll nun also für die Künstliche Intelligenz die Verantwortung übernehmen, wenn sie Entscheidungen trifft?

Das wohl bestbekannte Problem treffen wir beim autonomen Fahren an. In einem Präzedenzfall, wo der Computer sich zwischen 2 vorauszusehenden Szenarien entscheiden muss, ob er sich selbst rettet, oder ob er beispielsweise das Leben eines Fussgängers zu retten vorzieht, wird die Diskussion zur Philosophie und wir werden uns entscheiden müssen, wieviel Autonomie die Computerprogramme besitzen sollen.

In der Zwischenzeit, während wir uns über die elementare Basis Gedanken machen, entwickeln sich die Algorithmen sehr schnell weiter.

Die Herausforderung für die Entwicklung

Der iterative Ansatz des Lernens bringt einen anderen Umgang in der Software Entwicklung mit sich als mit herkömmlichen Programmen.

Die Tech Giganten und speziell Google stellen den Lernalgorithmus zur Verfügung, der von Google selbst permanent weiterentwickelt wird. Genauso wie die AWS Cloud wird damit eine neue Grundinfrastruktur geschaffen. Von Google werden wir in ähnlicher Art wohl in nächster Zeit Zugriff auf Quantum Computer erhalten.

In der Software Entwicklung, die auf diesen Dienstleistungen aufbaut, um Anwendungsprogramme zu erstellen, die Künstliche Intelligenz einsetzen, ist der Prozess der Entwicklung von mehreren Schritten geprägt.

I. Es braucht einen Anwendungsfall, der auf der Basis von einer Menge von Daten über die Ordnung entscheiden soll

II.a In einer Requirements Analyse müssen als erstes die Daten und Strukturen definiert werden, die als Input genutzt werden. Dabei stellt sich einerseits die Frage, welches genau die Daten sind, die überhaupt geliefert werden können, im Vergleich zu dem, was das System braucht um ein Resultat zu erzielen.

II.b Im Design einer Lösung müssen anschliessend die Daten für den Algorithmus aufbereitet werden.

III. Der KI Algorithmus muss mit den Daten verbunden werden und für das Liefern eines Resultats braucht er Angaben für die Ausgabe des Resultats.

IV. Das Resultat des KI Moduls wird zur Steuerung der Lösung in diese hinein implementiert.
(Ein Beispiel wäre eine Maschine, die Kartoffeln nach ihrer Grösse und Ausprägung sortiert. Über einen Video Sensor wird die Kartoffel ausgemessen. Die relevanten Kriterien aus den Messdaten speisen den KI Algorithmus, der entscheidet, welchen weiteren Weg die Kartoffel auf dem Rollband nehmen soll.)

V. Es folgt der Systemtest und damit das Trainieren des KI Moduls

VI. Schlussendlich soll die Lösung aus der Testphase in die Betriebsphase überführt werden.

Im Vergleich zu normalen Programmen aus der Software Entwicklung beginnt mit der Betriebsphase bei KI gesteuerten Programmen erst der grosse Aufwand, das System lernen zu lassen. Ein herkömmliches Programm wird in den Betrieb übernommen und liefert das gewünschte Resultat. Fehler werden anschliessend entfernt und gleichzeitig wird die Lösung optimiert.

In einer Lösung, die KI einsetzt, muss dies aus Sicht der Software Entwicklung ebenfalls passieren. Dieser Prozess läuft jedoch parallel zur Optimierung des Lernalgorithmus.

So sind auch bei Robotern die Anforderungen genauso an das Engineering gestellt, wie an den Kern KI Algorithmus, der diese lernen lässt, sich richtig einzustellen und zu verhalten.

Konkreter Einsatz in einem Unternehmen

Den grössten Einsatz von KI können wir bei der Publikation von Inhalten nutzen. Die Suchmaschinen von Google und Youtube sind durch eine der wohl am weitesten entwickeltsten KI Instanzen gesteuert und beeinflussen uns täglich. Die Suchmaschine filtert nach Relevanz von Daten und zeigt diese personalisiert an. Je mehr die Google Suchmaschine verstehen kann, worum es sich bei einem Artikel, Bild oder Video handelt, desto besser können unsere Suchanfragen beantwortet werden.

Welche Daten uns auf das Platzieren von Suchanfragen hin geliefert werden ist nicht mehr wirklich steuerbar.

Als Marketer können wir die KI Mechanismen von Google nutzen, um effektiv Werbung für ein Zielpublikum zu schalten.

Beim Einsatz von eigenen KI Programmen in der Industrie geht es immer um die Optimierung bestehender Prozesse, die sich wiederholende oder parallel laufende Arbeiten erfordern. Wo Wiederholung und Parallelität in Prozessen besteht, ist Potential für Optimierung vorhanden.

Dies bedeutet aber auch, dass verschiedene Berufe aufgrund von überflüssigen Handlungsabläufen schlicht wegfallen.

Wir müssen uns ernsthafte Gedanken dazu machen, wie jeder in unserer Bevölkerung in modernen Trends seinen Platz findet.