29.01.2018

Ihre volle Wirkung entfaltet künstliche Intelligenz, wenn sie mit der Methodik des Machine Learnings kombiniert wird. Mit Hilfe von neuronalen Netzen und der entsprechenden Mechanik kann sich KI selbst trainieren und ihr Potential schnell vergrößern. Eine wichtige Voraussetzung ist allerdings die richtige Datenbasis und die richtige Implementierung des Systems. Im folgenden beleuchten wir einige Punkte, die dabei eine wichtige Rolle spielen.

Wo die traditionellen Systeme scheitern, beginnt Machine Learning

In der konventionellen Lernmethodik Supervised Learning müssen menschliche Bediener der Maschine die Erkenntnisse beibringen. Dazu gehört die Kategorisierung der zugrunde liegenden Daten, die in das System eingespeist werden. Ein Beispiel ist die Markierung einer großen Menge Bilder nach der Unterscheidung Mensch-Affe, Auto-Flugzeug, Haus-Boot oder ähnlicher Merkmale für eine Bilderkennungssoftware. Unsupervised und semisupervised Methodiken profitieren dagegen von unstruktierten Datensätzen. Hinzu kommt, dass die Effektivität steigt, je größer die Datensätze sind. Genau das Szenario also, auf dem traditionelle Systeme versagen beziehungsweise enorm ineffektiv sind. 

Reinforcement learning 

Diese Unsupervised Learning Method basiert auf Trial & Error und belohnt die Maschine für richtige Lösungen, beispielsweise mit einen Scoring-System. Berühmte Beispiele für Reinforcement Learning sind das KI System Alpha Go im Besitz von Google. Im Mai 2017 schlug das System den Weltmeister im asiatischen Spiel Go, was bis dahin als unmöglich galt. Was eine Weltsensation war, wurde kurz später fast unbemerkt von der Öffentlichkeit nochmals getoppt. AlphaGo Zero gelang es auf Basis von Reinforcement Learning seinen Vorgänger Alpha Go zu schlagen, ohne dass es mit historischen Spiel-Daten gefüttert wurde. Der Lernerfolg resultierte ausschließlich auf Trial & Error, weil das System millionenfach gegen sich selbst spielte.

Generative Adversarial Networks (GANs) 

In dieser Semisupervised Learning Method konkurrieren zwei System miteinander um das beste Ergebnis, versuchen sich dabei aber zusätzlich gegenseitig auszutricksen. So entsteht ein künstlicher Wettbewerb, an dessen Ende das beste Ergebnis steht.

Transfer Learning

Eine große Herausforderung ist momentan noch die Übertragung von Lernergebnissen auf weitere KI-Systeme, die noch nicht über diese Erkenntnisse der Vorgängersysteme verfügen, auch wenn sich die Anforderungen stark gleichen.Auch auf diesem Gebiet scheint Google die technische Führerschaft zu besitzen mit seiner Tochter DeepMind. Es gelang nämlich, die Erkenntnisse des Systems AlphaGo Zero, das es im Spiel Go erlangen konnte, auf ein neues System zu übertragen. Diese neue KI wiederum brachte sich mit den alten Erkenntnissen in einem Tag das Spiel Schach bei und schlug mit diesen Fähigkeiten das weltbeste Schachprogramm. Fast schon unnötig zu erwähnen, dass dieses Schachprogramm längst jedem Menschen überlegen ist. Ebenso spannend: Wie kann Machine Learning dabei helfen, effektivere Methoden des Machine Learnings zu schaffen? Mit der durch Machine Learning geschaffenen künstlichen Intelligenz AutoML lässt Google neuronale Netze designen, die automatisiert Bilder erkennen können. Damit schafft die KI quasi schon eigenständig neue künstliche Intelligenzen.

Entfalten Sie die Kraft von Machine Learning 

Während die Umsetzung von Projekten im Bereich künstliche Intelligenz und Machine Learning im Normalfall bei der IT liegt, sollte die Führungsebene von Unternehmen die Strategie vorgeben und dafür die Grundzüge der Technologie verstehen. Die folgenden Stichpunkte sollen eine Leitlinie für eine Implementierung geben.

     1. Keep your Data close

Im Zentrum von Machine Learning steht ein Datenpool, der sich durch Größe und Vollständigkeit auszeichnet, der aber nicht strukturiert sein muss. Er ist notwendig, um die Maschine zu trainieren und legt außerdem die Basis für den gewünschten Erkenntnisgewinn. 

     2. Denken Sie um die Ecke und schaffen Synergien

Auch wenn der Wissenstransfer zwischen verschiedenen künstlichen Intelligenzen technisch momentan noch schwierig ist, lohnt es sich, über Zweitverwertungen nachzudenken. Welches Herausforderung kann noch durch ein bestehendes KI-System gelöst werden? Wie kann das System transformiert werden?

    3. Seien Sie Vorreiter

Die Implementierung von KI ist ein Transformationsprozess, der Mut und Fehlertoleranz erfordert. Umso wichtiger, dass alle Mitarbeiter sich an einer Führungsfigur ausrichten können. 

    4. Beobachten Sie den Markt

Mit der Weiterentwicklung von KI wächst auch die Anzahl der standardisierten und frei verfügbaren Tools, zum Beispiel über Google Cloud Machine Learning. Perspektivisch wird auch das Thema Sprach-, Gesten- und Emotionssteuerung ein großes Thema.