Expertise ausbauen
Für eine zukunftsorientierte und erfolgreiche ‚KI made in Germany‘ ist es unabdingbar, die Expertise für maschinelles Lernen und tiefes Lernen in Deutschland zu stärken – sowohl an Hochschulen, als auch in Forschungsgrammen und Kompetenzzentren. Denn unabhängig davon, ob Daten gleich dem Öl des 21. Jahrhunderts in großem oder kleinem Umfang gesammelt werden: Ohne hochleistungsfähige ‚Raffinerien‘ – also Methoden wie maschinelles oder tiefes Lernen – bleiben sie, was sie sind: Rohöl, das keinen (Wirtschafts-)Motor antreiben kann. Um sie in intelligente und nutzbringende Anwendungen zu überführen, werden Expertinnen und Experten mit exzellenter Kenntnis der Grundlagen und Verfahren des maschinellen Lernens benötigt. Auch die vorhandene Expertise im Bereich des tiefen Lernens muss gestärkt werden. Für eine zukunftsorientierte KI-Forschung muss zudem die KI-Infrastruktur in Deutschland weiter auf- und ausgebaut werden – insbesondere durch Cluster, die maschinelles und tiefes Lernen mittels speziellen KI-Beschleunigern (z.B. GPU-/CPU-Cluster) unterstützen. Wichtig ist dabei vor allem, dass die Infrastruktur für alle Beteiligten mit ausgewiesener Expertise zur Verfügung steht und die Leistungsanforderungen möglichst vieler Anwendungen erfüllen kann. Darüber hinaus müssen verschiedene Konzepte – etwa für Sicherheits- und Vertraulichkeitsanforderungen – erprobt werden können. In Zukunft werden sich KI-Infrastrukturen voraussichtlich stark von den heutigen unterscheiden. Deutschland sollte daher nicht nur auf ausgereifte Technologien setzen, sondern gezielt auch neue Rechenplattformen erforschen. Dies könnte zu einem Wettbewerbsvorteil werden.
Anforderungen an KI von morgen
Moderne KI-Anwendungen sind beeindruckend. Allerdings sind sie in der Entwicklung auch sehr kostenintensiv. Darüber hinaus erfordern viele KI-Ansätze – wie das tiefe Lernen – meist gelabelte Trainingsdaten, deren Beschaffung schwierig, wenn nicht gar unmöglich ist. Ein wichtiges Ziel der Forschung ist es daher, diese Entwicklungsprozesse zu vereinfachen. Für viele Anwendungen, etwa bei Therapieempfehlungen in der Medizin, ist es zudem essentiell, dass KI-basierte Vorhersagen und Entscheidungen zuverlässig und nachvollziehbar sind. Der Aufbau in vertrauenswürdige KI-Systeme erfordert neben einem fundierten KI-Fachwissen auch umfangreiche Programmierkenntnisse, Anwendungswissen sowie ein fundiertes Wissen im Umgang mit Unsicherheiten. Zusätzliche Professuren in den Bereichen künstliche Intelligenz, maschinelles Lernen und tiefes Lernen können dazu beitragen, die benötigten Multiplikatoren auszubilden, auf dass sie ihre KI-Expertise weitervermitteln sowie in die Anwendung und Praxis tragen – auch zusammen mit anderen Disziplinen.
Wissensaustausch fördern
Der technologische Fortschritt im Bereich künstliche Intelligenz ist so rasant, dass einzelne Technologien schnell veralten. Daher gilt es nicht nur die Algorithmen weiterzuentwickeln, sondern insbesondere den Transfer durch die Köpfe in den Unternehmen zu stärken und auf diese Weise die Innovationskraft zu sichern. Neben der klassischen Fort- und Weiterbildung braucht es dazu unter anderem den personellen Austausch zwischen Wissenschaft und Wirtschaft. Neue duale Programme für Doktorandinnen und Doktoranden und insbesondere die Förderung von Gründungen und Startups sind hierfür vielversprechende Instrumente. Viele Entscheidungsträgerinnen und -träger in Wissenschaft, Wirtschaft und Gesellschaft haben das Potential der künstlichen Intelligenz erkannt. Oft bestehen jedoch noch Vorbehalte. Um das Potential von KI-Methoden zu heben, sollten bestehende Verbindungen zwischen verschiedenen Fachdisziplinen, Studiengängen und Firmen in Deutschland gefestigt und neue Brücken errichtet werden. Die geplanten KI-Kompetenzzentren und die KI-Hubs sollten daher neben der Grundlagenforschung auch Kooperationsprojekte und -strategien entwickeln, beratend tätig sein und die Verbreitung von Forschungsergebnissen verstärken. Maschinelles Lernen wird auch in Zukunft ein Schlüssel zur Künstlichen Intelligenz sein – jedoch nicht der einzige. Zu erwarten sind zunehmend synergetische Lösungen, die unterschiedliche Paradigmen der KI-Forschung verknüpfen. Unterschiedliche Bausteine einer heute oft noch segmentierten KI-Forschung – wie etwa Computer Vision, natürliche Sprachverarbeitung, Robotik und Kognition – werden zusammenwachsen und neue Themen erschließen.
