- Anzeige -
- Anzeige -
- Anzeige -
Lesedauer: min
Der Motor für ‚KI made in Germany‘

Nov 15, 2019 | Allgemein

Maschinelles und tiefes Lernen

Der Motor für ‚KI made in Germany‘

Die Anfänge der künstlichen Intelligenz gehen auf die 1950er Jahre zurück. Aber erst seit wenigen Jahren erlebt das Thema einen wahren Boom. Grund dafür sind nützliche KI-Anwendungen, vom Sprachassistenten bis zur Auswertung von Röntgenbildern. Welche Weichen müssen wir in Deutschland stellen, damit die Wirtschaft beim Einsatz und der Entwicklung von KI mit der Weltspitze mithalten kann?

 (Bild: ©phonlamaiphoto/stock.adobe.com)

(Bild: ©phonlamaiphoto/stock.adobe.com)

Die künftigen Auswirkungen von KI auf wirtschaftliche Prozesse wie auch unseren Alltag lassen sich längst nicht absehen – und kaum überschätzen. Die technologische Entwicklung darf daher nicht sich selbst überlassen werden, sondern muss dem Wohl der Gesellschaft dienen und den Wirtschaftsstandort Deutschland stärken. Dies gilt es in einem breiten öffentlichen Dialog zu klären. Damit verbunden sind zentrale Fragen für Forschung und Wissenschaft: Welche KI-Kompetenzen müssen wir in Deutschland aufbauen, um die gute Ausgangsposition in der internationalen KI-Forschung zu stärken? In welche Forschungsthemen sollte im Sinne einer zukunftsfähigen Ausrichtung künftig verstärkt investiert werden?

Grundlage bilden Massendaten

Technologischer Treiber der KI-Entwicklung sind das maschinelle Lernen und das tiefe Lernen. Verbunden mit der Verfügbarkeit von Massendaten sowie Fortschritten beim schnellen, parallelen Rechnen waren sie für die spektakulären KI-Durchbrüche der vergangenen Jahre verantwortlich – angefangen von DeepMinds AlphaZero, welches durch intensives Spielen gegen sich selbst erlernt, mehrere Brettspiele auf übermenschlichem Niveau zu spielen, bis hin zu modernen Übersetzungs- und Bilderkennungssystemen. Gegenüber dem umfassenden Begriff der künstlichen Intelligenz grenzen sich maschinelles und tiefes Lernen wie folgt ab:

  • Künstliche Intelligenz definiert Herausforderungen, die es zu lösen gilt und entwickelt Lösungsansätze.
  • Maschinelles Lernen ist eine grundlegende Methode der künstlichen Intelligenz. Sie zielt darauf, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Spezielle Algorithmen lernen dabei aus den vorliegenden Beispieldaten Modelle, die dann auch auf neue, zuvor noch nicht gesehene Daten angewendet werden können.
  • Maschinelles Lernen mit großen neuronalen Netzen wird als tiefes Lernen (Deep Learning) bezeichnet. Es stellt derzeit einige der leistungsfähigsten Ansätze des Maschinellen Lernens bereit.

Heute werden smarte Lösungen noch vornehmlich manuell programmiert. Die aktuellen Entwicklungen auf dem Gebiet der künstlichen Intelligenz markieren jedoch einen Paradigmenwechsel: Statt Verarbeitungsschritte manuell zu kodieren, wird KI-basierten Systemen die Fähigkeit zu lernen programmiert. Mithilfe des maschinellen Lernens können Agenten aus sehr vielen Beispielsituationen Muster erlernen und auf ähnliche Situationen übertragen. Auch beim maschinellen Lernen programmiert weiterhin der Mensch – allerdings nicht mehr fertige Lösungen. Stattdessen entwickelt er Programme, die aufgrund von Trainingsdaten die Lösung erlernen.

Deep Learning aufwendig

Die größten KI-Erfolge basieren derzeit auf tiefen neuronalen Netzen (tiefes Lernen oder Deep Learning). Hierbei verarbeiten eine große Zahl an künstlichen Neuronen Eingangsinformation in mehreren Schichten und stellen am Ausgang das Ergebnis bereit. So sind beispielsweise moderne Übersetzungs- und Bilderkennungssysteme ohne tiefes Lernen nicht denkbar. Neuronale Netzwerke besitzen eine hohe Expressivität, oder vereinfacht gesprochen: die Fähigkeit, jede kontinuierliche Funktion beliebig genau zu approximieren, sich ihr also anzunähern. Dadurch gestaltet sich ihr Training oft sehr daten- und zeitintensiv. Gleichzeitig ist es aber in der Regel möglich, ein für eine spezielle Aufgabe aufwendig trainiertes Netz über Transferlernen mit wenig Aufwand auf eine neue Aufgabenstellung anzupassen.

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.

Autor:
Firma:

News

Weitere Beiträge

Das könnte Sie auch interessieren

KI-Vorreiter führen ihre KI-Initiativen trotz Corona unbeirrt fort

Unternehmen, die beim Thema künstliche Intelligenz (KI) führend sind, zeigen sich von der Corona-Pandemie unbeeindruckt: 78 Prozent der KI-Vorreiter unter den Unternehmen führen ihre KI-Initiativen wie vor der Pandemie fort, 21 Prozent haben deren Umsetzung sogar beschleunigt. Unter den Unternehmen, die KI noch nicht skalierbar einsetzen, fahren hingegen 43 Prozent ihrer Investitionen zurück und 16 Prozent haben ihre KI-Initiativen eingestellt. In Deutschland haben 44 Prozent der Unternehmen keine Änderungen vorgenommen, 8 Prozent die Geschwindigkeit erhöht und 19 Prozent ihre Initiativen aufgrund der unsicheren Lage eingestellt. Weiterhin verzeichnen Unternehmen mit skalierbaren KI-Anwendungen messbare Erfolge bei der Absatzsteigerung und der Reduzierung von Sicherheitsrisiken und Kundenbeschwerden. Zu diesen und weiteren Ergebnissen kommt die Studie ‚The AI Powered Enterprise: Unlocking the potential of AI at scale‘, für die 950 Unternehmen aus elf Ländern und elf Branchen befragt wurden.

mehr lesen

KI übernimmt Arbeit von Software-Ingenieuren

Für selbstadaptive Software gibt es heute unzählige Anwendungsmöglichkeiten. Doch die Entwicklung der Systeme stellt Software-Ingenieure vor neue Herausforderungen. Wissenschaftler vom Softwaretechnik-Institut Paluno an der Universität Duisburg-Essen (UDE) haben jetzt vielversprechende Ergebnisse mit neuartigen Verfahren der künstlichen Intelligenz (KI) erzielt, die den Entwicklungsprozess selbstadaptiver Systeme automatisieren.

mehr lesen

Wie wird künstliche Intelligenz zum Standardwerkzeug für den Mittelstand?

Das Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU möchte zusammen mit den produzierenden Unternehmen des Mittelstands die entscheidende Barriere für die Anwendung künstlicher Intelligenz überwinden: Die Köpfe sind überzeugt, aber die Umgestaltung der Produktionsanlagen und -prozesse in den Fabriken stockt. Deshalb arbeiten die Forscherinnen und Forscher an einem systematischen Leitfaden, mit dem KI zum Standardwerkzeug werden soll, das bessere Produkte mit geringerem Ressourceneinsatz ermöglicht. Erste Ergebnisse sind vielversprechend.

mehr lesen

Leistungsstarkes KI-System am KIT installiert

Als ein Werkzeug der Spitzenforschung ist künstliche Intelligenz (KI) heute unentbehrlich. Für einen erfolgreichen Einsatz – ob in der Energieforschung oder bei der Entwicklung neuer Materialien – wird dabei neben den Algorithmen zunehmend auch spezialisierte Hardware zu einem immer wichtigeren Faktor. Das Karlsruher Institut für Technologie (KIT) hat nun als erster Standort in Europa das neuartige KI-System NVIDIA DGX A100 in Betrieb genommen. Angeschafft wurde es aus Mitteln der Helmholtz Artificial Intelligence Cooperation Unit (HAICU).

mehr lesen

Machine Learning einfach gemacht

Seit einigen Jahren schon werden die Fantasien der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten von KI- und Machine-Learning-Algorithmen. Klingt zwar zunächst sehr kompliziert, bietet aber konkrete Vorteile für die smarte Fabrik. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren.

mehr lesen

Die vernetze Fabrik für die Zukunft

Krisen decken Schwachstellen auf. In der Corona-Pandemie zeigt sich der Wert der vernetzten Produktion und Logistik. Das Internet der Dinge (Internet of Things, kurz IoT) hilft der Industrie, auf Ausfälle flexibler als bisher zu reagieren, denn in Echtzeit lassen sich Auslastung und Zustand jeder einzelnen Maschine verfolgen, und es herrscht Transparenz über die Lieferkette. Die Bosch-Gruppe, eines der weltweit führenden Technologie- und Dienstleistungsunternehmen, hat damit positive Erfahrungen gemacht.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.