September 3, 2018
Aktueller Stand von Artificial Intelligence und Herausforderungen
Tätigkeiten überflüssig machen, die repetitiv und monoton sind
Artificial Intelligence ist begrenzt und wird es bleiben: Um im menschlichen Sinne intelligent zu sein, müsste eine künstliche Intelligenz Schmerz, Leid und Freude empfinden können, statt sie lediglich zu simulieren. Viele Entscheidungen, die Menschen treffen, sind intuitiv und basieren eher auf Gefühlen als auf Fakten. Sie werden sowohl von der Chemie als auch von der Beobachtung bestimmt, die das Bewusstsein zu weit mehr als einem Rechenalgorithmus macht. Es darf angenommen werden, dass Computer irgendwann die Fähigkeiten des menschlichen Gehirns übertreffen; jedoch wird dies für die einzelnen Fähigkeiten unterschiedlich schnell gehen. So kann es sehr lange dauern, bis Computer Poesie, Witze oder Satire verstehen. Heute ist Artificial Intelligence ein Werkzeug, das wir benutzen und das wir ausschalten, wenn wir es nicht brauchen.
Unsere Vergangenheit bestimmt die Gegenwart oder: Shit in - Shit out.
Mit Artificial Intelligence trainieren wir Menschen Maschinen. Unsere Algorithmen lernen aus Vergangenheitsdaten. Der Algorithmus ist also nur so gut, wie die Datenbasis die wir haben.
Es fehlt derzeit an standardisierte Methoden zum Testen und Überprüfen von Artificial Intelligence-Systemen, um sicherzustellen, dass sie sicher sind und keine Vorurteile verstärken.
Unternehmen stehen vor organisatorischen Herausforderungen, denn um letztlich von intelligenten Analyseverfahren profitieren zu können, müssen wohlüberlegte Datenerfassungs, -pflege- und Governance-Prozesse entwickelt werden. “Lots of people have jumped on AI hype train and created awesome tools to build and train neural networks, but very few focus on training data. When companies try to apply AI they have all the tools to train neural networks but no tools to develop training data.”(Hackernoon, 2017)
Insbesondere gilt es zu berücksichtigen, dass Daten als Grundlage für Entscheidungen eine hohe Autorität entwickeln können, um Entscheidungsträger zu unterstützen. Es geht um viel mehr als nur um Zahlen und die darauf angewandte Mathematik. Daher sollte man Daten und deren Analysen aufgrund ihres Erklärungspotentials nicht vorbehaltlos vertrauen. Da Analysen nur das widerspiegeln können, was die zugrundeliegenden Daten hergeben, müssen sie stets kritisch eingeordnet und auf mögliche Schwächen hin bewertet werden. Historisch unterrepräsentierte oder benachteiligte Gruppen dürfen beispielsweise nicht geschädigt werden, nur weil sie in den Daten schwächer präsent sind.
Wir wollen keine Bildsuchalgorithmen, die weiße Männer in Anzügen ausgeben, wenn wir nach “CEO” suchen. Wir wollen auch nicht, dass diese Algorithmen nur Frauen zeigen, wenn wir nach “Spielen mit AI/KIndern” oder nur Männer, wenn wir nach “Kämpfen” suchen. Auf westlichen, weißen Gesichtern trainierte Kameras erkennen Menschen mit asiatischer Abstammung als Menschen, die ihre Augen geschlossen haben (Rose 2010) oder als unparteiische “Beauty Judges” eingesetzte Algorithmen scheinen dunkle Menschen nicht zu mögen (Levin 2016). Das liegt daran, dass in den USA hergestellte Gesichtserkennungsalgorithmen häufig anhand von Datensätzen trainiert und ausgewertet werden, die viel mehr Fotos von weißen Gesichtern enthalten, und dass sie im Allgemeinen von Teams von Ingenieuren getestet und qualitätskontrolliert werden, die wahrscheinlich keine dunkle Haut haben.
Der Schlüssel liegt in der Analyse, Reflexion und ständigen Auswertung der Daten, die zum Training dieser Systeme verwendet werden. Perspektiven von Randgruppen, von Menschen, die möglicherweise schon in den ersten Schritten des Trainingsprozesses negativ beeinflusst werden. Die Verantwortung für die Aktionen der automatisierten Systeme sollte nicht auf die Systeme selbst abgewälzt werden.
Daten Silos
Die Beschaffung von Datensätzen, die groß und umfassend genug sind, um den großen Bedarf an Trainingsdaten zu stillen, ist eine große Herausforderung. Wenn Leute an Artificial Intelligence denken, denken sie an die Algorithmen, doch sollten sie auch die notwendige Menge an Daten denken. Algorithmen sind in der Regel kostenlos: Google und andere Giganten tendieren dazu, ihre neueste Forschung mit der Welt zu teilen. Was sie nicht tun, sind ihre Datenmengen zu teilen. Deep Learning Algorithmen sind datenhungrig und ihre Leistung korreliert stark mit der Menge der verfügbaren Trainingsdaten.
Transparenz über Ergebnisse
In einigen Bereichen wie dem Gesundheitswesen und Versicherungen, müssen die Unternehmen Wege finden, die Ergebnisse den Regulierungsbehörden menschlich erklärbar zu machen: Warum hat die Maschine diese Antwort gefunden? Die Relevanz dieser Tatsache zeigt auch die europäische Datenschutzgrundverordnung, die bestimmt, dass der Mensch nicht ohne seine Einwilligung einer Beurteilung durch ausschließlich maschinelles Profiling ausgesetzt werden darf.
Artificial Intelligence als Werkzeug
Bis heute bleibt starke Artificial Intelligence ein Mythos. Artificial Intelligence hat immer noch nicht die menschlichen kognitiven Fähigkeiten und wird es in naher Zukunft auch nicht haben. Zur Zeit sind Maschinen gut bei Aufgaben, die große Datenmengen und eine große Anzahl von Iterationen erfordern. Künstliche Intelligenz wird uns helfen, menschliche Tätigkeiten überflüssig zu machen, die repetitiv und monoton sind und somit Möglichkeiten freisetzen, Menschen kreative, kollaborative, einfühlsame und kommunikative Tätigkeiten ausführen zu lassen und sich damit auf ihre menschlichen Stärken zu konzentrieren:
“Ärzte können wieder heilen statt abfertigen. Journalisten wieder deuten statt Informationsfluten zu erzeugen. Pfleger wieder Empathie ausüben statt Patienten zu verwalten. .. “ Gleichzeitig bringt das Prinzip der Differenzierung neue Tätigkeitsfelder hervor.(Zukunftsinstitut)
Dennoch müssen wir alle lernen, mit Artificial Intelligence und Software im generellen zu arbeiten, damit die Maschine uns die repetitiven monotonen Tätigkeiten abnehmen kann und wir unsere wertvolle Zeit in die Tätigkeiten investieren können, die Sinn stiftender und erfüllender sind. Die Freiheit als Fähigkeit, der Welt Eigenes hinzuzufügen wird durch Artificial Intelligence verstärkt.(Ted Talk Grady Booch)
Es geht nicht um Menschen gegen Maschinen, es geht um Menschen die sich Maschinen bedienen, um ihre Stärken einzusetzen und der Maschine die Tätigkeiten zu überlassen, die sie besser kann.
Dazu ist es auch notwendig, dass möglichst viele Menschen an dieser Entwicklung beteiligt sind. Damit wir die Schwachstellen kennen und beheben können.
Große Datenmengen, gute Modelle sowie ausreichend Rechenpower machen Artificial Intelligence möglich. Aber was genau ist Artificial Intelligence eigentlich und wo sind ihre Grenzen? Nächste Woche erscheint ein weiterer Teil der Serie. Solltet ihr den ersten Teil noch nicht gelesen haben, dann lest hier den ersten Teil zu Artificial Intelligence.
Unser Nächstes Meetup zu dem Thema wird am 19. September in München bei Google stattfinden. Tretet am besten jetzt schon einmal unserer Meetup Gruppe bei.
Wenn ihr Euch näher mit Machine Learning beschäftigen möchtet ist ein Python Kurs ein guter Start. Hier findet ihr mehr Infos zu den aktuellen Terminen.
Anja Schumann