Letzte Änderung: Uhr

Roboter & Machine Learning

Ist maschinelles Lernen Alltag oder noch Zukunftsmusik?

Machine Learning ist auf dem Vormarsch. Doch, wenn Roboter aus 1.700 Sprachaufzeichnungen und PDF-Dateien an fremde User senden, ist das ein DSGVO-Verstoß?

Auf der Spur nach Big Data, Machine Learning, IBM Watson & Google DeepMind

Machine Learning_Roboter

Machine Learninggemeingängig auch unter dem Begriff Künstliche Intelligenz (KI) zusammengefasst ist die Fähigkeit von Systemen, selbstständig zu lernen. So, wie es bislang nur der menschlichen Intelligenz vorbehalten war. Zu den Skills gehören u.a. Schlüsse ziehen, Zusammenhänge erkennen, aus Erfahrungen lernen sowie Einflussfaktoren aus der Umgebung berücksichtigen.

Bei dem Gedanken an Machine Learning, haben die meisten Personen einen menschenähnlichen Roboter im Kopf, mit dem sie wie mit einem Menschen sprechen können. Der andererseits auch Aufgaben erledigen kann wie ein Mensch. Und ganz so abwegig ist dieser Gedanke auch nicht. Denn es gibt bereits Computer, die beispielsweise Diagnosen von Erkrankungen in der Lunge stellen, sich an der Suche nach Rohstoffen oder Erdölvorkommnissen beteiligen oder ihren Einsatz in der Industrie gefunden haben.

Trotzdem ist der Begriff Machine Learning irreführend. Dieser lässt nämlich vermuten, dass damit eine unabhängige Reaktion des Programmes gemeint ist. Dennoch entspricht das nicht der ganzen Wahrheit. Obwohl der Roboter zwar die Fähigkeit besitzt logische Schlüsse zu ziehen, bezieht er seine Skills dennoch aus den eingespeisten Daten, auf die er Zugriff hat. Des Weiteren sind auch seine technischen Beschaffenheiten ausschlaggebend.

Insofern ist mit dieser Technik vor allem die Speicherung von Daten und Auswertung der Lösungsmöglichkeiten entsprechend der vorgegebenen Programmierung gemeint. Das Einzige, was in dieser Hinsicht dem Menschen gleicht, ist der Prozess der Datenauswertung.

Ganz einfach, weil die Infrastruktur in Form von Daten gegeben ist und der Fortschritt der Technik passt. In weiterer Folge bedeutet dies, dass ein Rechner nur aus den gespeicherten Daten „schlau“ werden kann. Ergo: Es ist zunächst notwendig, eine gewisse Datenmenge zu speichern. Dies war lange nicht möglich. Wenn wir nur auf die letzten 10 Jahre zurückblicken, hat sich hinsichtlich Datensammlung und Speicherung enorm viel getan. Erst aus der Möglichkeit große Datenmengen zu speichern, haben sich Begriffe wie Cloud und Big Data in unserem Sprachgebrauch etabliert.

Machine Learning & Big Data: eine aktuelle Challenge

Bevor wir auf die eigentliche Herausforderung eingehen, zuvor eine rasche Definition von Big Data.

Laurie Miles, Leiterin der Analytik für den Big-Data-Spezialisten SAS, erklärt:

„Den Begriff Big Data gibt es schon seit Jahrzehnten, wir haben die ganze Zeit daraus unsere Analysen gemacht. Er ist nicht groß, er ist einfach größer.“

Aber die Geschwindigkeit, Vielfalt und das Volumen der Daten haben den neuen Begriff eindeutig verdient.

Wie Machine Learning hilft unstrukturierte Daten zu ordnen

Die meisten traditionellen Daten waren strukturiert oder übersichtlich in Datenbanken organisiert. Dann wurde die Welt digital und das Internet kam hinzu. Somit entstand eine Vielzahl von sog. unstrukturierten Daten, die von all unseren digitalen Interaktionen generiert werden, z.B. von E-Mails bis hin zu Online-Shopping, Textnachrichten, Tweets, Facebook-Updates und YouTube-Videos.

Darüber hinaus hat die Anzahl der Gadgets, die Daten aufzeichnen und übertragen, von Smartphones über intelligente Kühlschränke, industrielle Sensoren bis hin zu CCTV-Kameras, weltweit stark zugenommen. Dies führte zu einer explosionsartigen Zunahme der Datenmenge. Derzeit sind diese Datensätze so umfangreich und komplex, dass wir neue Tools und Ansätze für ihre optimale Nutzung benötigen.

Der aktuelle Stand der Technik erlaubt es, große Datenmengen zu sammeln und auch zu speichern. Nichtsdestotrotz sind diese Daten in den meisten Fällen unstrukturiert und können so vom Menschen nicht analysiert bzw. ausgewertet werden. Das ist der Zeitpunkt, in dem Machine Learning seinen Einsatz findet.

Mit anderen Worten: Die Aufgabe der KI-Programme ist es, ohne menschlichem Zutun große, unstrukturierte Datenmengen zu verwerten und auf vom Menschen nutzbare Weise aufzubereiten. Schlussendlich kann das sogar so weit gehen, dass zum einen verschiedene Lösungsvorschläge gemacht werden. Zum anderen wird bereits vom System die beste Variante ausgesucht.

IBM Watson – oder Machine Learning für Unternehmen

Keine Zukunftsmusik, sondern bereits am Markt erhältlich ist IBM Watson. Diese KI-Plattform soll Unternehmen helfen, neue Einblicke zu erlangen und fundierte Entscheidungen zu treffen.

Wie funktioniert Watson eigentlich?

Zunächst werden Daten analysiert. Das heißt, auch unstrukturierte und natürliche Daten wie Spracheingabe, Bilder, Audiodaten, Videos und unstrukturiertere Texte. Danach versucht IBM Watson diese Daten zu verstehen. Im weiteren Schritt zieht er Rückschlüsse. Anders ausgedrückt: Watson hat die Fähigkeit, personalisierte Empfehlungen zu liefern, basierend auf der Analyse von Persönlichkeiten anhand deren Ton, Stimmung und Verhaltensform. Dabei befindet er sich stets im Lernprozess und verbessert sich selbst.

Mithilfe des maschinell lernenden Watson können auch Chatbots entwickelt werden, die in einem Dialog ihren Einsatz finden können.

Besonderheiten von IBM Watson: unstrukturierte Texte werden nicht nur erkannt, sondern mit jeder Synonym-Bedeutung oder besonderer Bedeutung von Sprichworten verstanden. Folglich erkennt er nicht bloß einzelne Wörter, sondern auch die Wörter im textlichen Zusammenhang. Genauso wie wir Menschen es tun!

In diesem Zusammenhang findet das Machine Learning in Form von Watson seinen Einsatz vor allem in Unternehmen, der Forschung und der Industrie.

Google DeepMind – Machine Learning in der Google Welt

Hierbei handelt es sich um die künstliche Intelligenz von Google. DeepMind hat jedoch seinen Ursprung in London. Dort wurde es 2011 in Form eines Startups von den Informatikern und Neurowissenschaftlern Demis Hassabis, Shane Legg und Mustafa Suleymann entwickelt. Im Gegensatz zu anderen maschinell lernenden Systemen wie etwa IBM Watson, arbeitet Google DeepMind auf kein vorgegebenes Ziel hin. Stattdessen ist es innerhalb seiner Entwicklung wesentlich flexibler. Zusätzlich hat es einen weiteren Speicher, der wie ein Kurzzeitgedächtnis funktioniert. Damit können Daten effizienter im Zusammenhang verstanden werden, indem aktuelle Informationen mit bereits gespeicherten Infos verglichen werden. Im Jahr 2016 wurde DeepMind von Google übernommen und in Google DeepMind umbenannt.

Außerdem ist interessant, dass Google DeepMind nur unter der Voraussetzung entstehen konnte, dass Google einem Ethikrat zustimmt. Jener hat die Aufgabe, wichtige ethische Fragen in Bezug auf den Einsatz von Google DeepMind zu klären. Deshalb hat Google dem Sachverständigenrat zugestimmt.

Bekannt ist, dass Googles KI alleine vom Zuschauen, alte Spiele wie Breakout, Pinball oder Boxspiele erlernt hat. Dabei wurde selbstständig erkannt, wie das Spiel funktioniert und welche Taktiken zum Erfolg führen. Eines steht fest, DeepMind wurde nicht entwickelt, damit es Spaß bei Computerspielen hat. Da von Google noch kein offizielles Statement zum Einsatzbereich von DeepMind bekannt gegeben wurde, kann man lediglich Vermutungen anstellen. So wird beispielsweise vermutet, dass DeepMind zur Verbesserung der Werbeanzeigen eingesetzt werden soll. Das heißt aufgrund der zahlreichen Google Dienste wie Gmail, Google+, Android oder Google Analytics, werden enorme Mengen an personenbezogenen Daten gesammelt. Da soll DeepMind zum Einsatz kommen, diese unstrukturierten Daten analysieren und so optimal nutzen, um die genau passende Werbung für jeden Nutzer anzuzeigen.

DeepMind als Bewertungsverfahren

Ein weiterer Aspekt ist der Einsatz in Bewertungsverfahren. So kann DeepMind eine Website hinsichtlich der Benutzerfreundlichkeit prüfen und auswerten.
Oder es wird in Smartphones oder Sprachassistenten wie Google Home integriert. So kann beispielsweise selbstständig von DeepMind erkannt werden, dass der Nutzer immer um 7 Uhr morgens aufsteht und den Nutzer früher wecken, wenn die Verkehrslage ungünstig ist oder es aufgrund des Wetters zu Verkehrsstaus kommen kann.

Außerhalb der Google Welt ist der Einsatz von KI vor allem in der Forschung und in Krankenhäusern bekannt.

2016 gab Google bekannt, mit dem National Health Service in Großbritannien zusammen zu arbeiten. Inhalt dieser Kooperation ist eine iPhone App namens Streams zu entwickeln. Diese soll Patienten mit einem Nierenschaden überwachen.

Google ist außerdem in der Krebsforschung tätig. Dabei wird der Ansatz verfolg, veränderte Zellen im Körper so früh wie möglich zu erkennen. So kann in einem sehr frühen Stadium eingegriffen werden, noch bevor sich beispielsweise der Tumor entwickelt hat.

Wie das umgesetzt werden soll?

Google denkt dabei an eine Tablette mit Nanopartikeln, die in den menschlichen Blutkreislauf gebracht wird. Sobald diese Nanopartikel auf Krebszellen stoßen bzw. solche erkannt werden, soll ein Signal an ein getragenes Armband gesendet wird, dass dann zum Leuchten beginnt.

Eines ist sicher, alleine für das Erkennen von veränderten Zellen ist eine gewisse Intelligenz notwendig, weshalb der Einsatz von Googels DeepMind in diesem Bereich denkbar ist. Aber wie üblich, gibt es keine offiziellen Statements oder Bestätigungen und somit bleiben diese Ansätze allesamt Vermutungen. Wie immer, können wir nur darauf warten was die Zukunft bringt.

Unser Fazit zum Machine Learning

Im Bezug auf maschinelles Lernen stellt sich schon lange nicht mehr die Frage, ob wir diese haben möchten oder nicht. Machine Learning alias KI hat bereits Einzug in unser Leben gefunden und ist als Produkt am Markt erhältlich. Dass dies viele Vorteile mit sich bringt, ist klar. Demzufolge können Entscheidungen anhand wichtiger Datenanalysen schneller getroffen werden. Ebenso können wir innerhalb der Forschung, vor allem im Bezug auf Krankheiten, eine zügigere Entwicklung Dank des Machine Learning erwarten.

Dennoch bleibt anzumerken, dass das maschinelle Lernen noch in Kinderschuhen steckt. Trotzdem hat es sich bereits einen Platz in der Wirtschaft sowie im Gesundheitswesen gesichert. Wie es um die Massentauglichkeit steht, bleibt jedoch abzuwarten. Erste Vermutungen fallen auf die Automobilindustrie mit dem Angebot von „Intelligenten Fahrzeugen“, die selbstständig fahren. Ferner haben auch schon die im Trend liegenden Sprachassistenten ihre Massentauglichkeit bewiesen. In dieser Hinsicht sind bereits Entwicklungen im Gange, Letztere für bessere Resultate mit Machine Learning auszustatten.

Was wir in Zukunft erwarten können

Wenn die Entwicklung der Technik mit der Entwicklung vom maschinellen Lernen einhergeht, wird es nicht mehr lange dauern, dass die ersten Roboter an der Kasse im Geschäft sitzen, unseren Garten pflegen oder im Krankenhaus bzw. als Hilfe daheim anzutreffen sind.

Dennoch darf eines nicht außer Acht gelassen werden: Natürlich ist Machine Learning nicht nur „rosig“ zu sehen. Die Sorge einiger ist durchaus berechtigt. Immerhin könnte sein Einsatz auch missbraucht werden. Ein weiterer Gedanke wäre: Wenn Machine Learning auf Daten basiert, wie sieht es dann mit dessen Umgang mit falschen oder manipulierten Daten aus? Erkennt die KI den Unterschied? Und noch wesentlicher: Wie ist dabei der Umgang mit persönlichem Datenschutz, ergo DSGVO?

Wir wollen uns aber nicht allzu sehr in diesen destruktiven Visionen verstricken. Denn für jede Challenge findet sich mit der Zeit immer die richtige Lösung und Regulierung. Insofern, lassen Sie uns gespannt in die Zukunft blicken!

Unsere Film-Tipps

Für multimediale Unterhaltung haben wir zwei spannende und lustige Film-Empfehlungen eingepackt – beide Streifen betreffen das Thema Machine Learning.