Realität Künstliche Intelligenz

Betrachten wir Big-Data, Industrie 4.0 nur als Peripherie-Innovationen und beziehen wir die immer rascher gemeldeten Erfolge der künstlichen Intelligenz mit ein, dann ist künstliche Intelligenz zunehmend Realität. Der digitale Darwinismus hat seinen Ursprung gefunden.

Ob durch Begriffe wie Big-Data oder Industrie 4.0, es stehen unterschiedlichste Innovationen im Zentrum der Aufmerksamkeit. Eine andere Innovation hat kaum bemerkt den Siegeszug begonnen. Die Rede ist von künstlicher Intelligenz. Mit künstlicher Intelligenz werden heute bereits praktische Fragestellungen sehr effizient gelöst. Ein Beispiel für den praktischen Einsatz ist die automatische Verschlagwortung von Fotos bei Google. Bei der Verschlagwortung wird die ganze Szene des Fotos mit beschreibenden Begriffen wiedergegeben. Ob Strandurlaub oder Skifahren, die künstliche Intelligenz von Google erkennt den Inhalt Ihrer Fotos sehr genau. Mittelfristig wird künstliche Intelligenz ganze Berufsbilder automatisieren oder zumindest essentiell verändern (können).

Wenn künstliche Intelligenz ganze Berufsbilder verändert, dann mit hoher Wahrscheinlichkeit in den Bereichen, in denen die Ausübung der Aufgaben möglichst wenig Emotion (kurz, vereinfacht EQ) bedarf. Die Rede ist von Bereichen, die auf die Anwendung von erlerntem Wissen (kurz IQ) fokussiert sind. Mögliche Branchen für diese Bereiche sind exemplarisch:

• die Medizin,
• die Versicherungs- und Finanzwirtschaft,
• die Rechtswissenschaft oder
• das Testing-Inspection-Certification (TIC).

Alle exemplarisch aufgeführten Branchen haben gemeinsam, dass hochqualifizierte Mitarbeiter möglichst deterministische Entscheidungen treffen. Mit deterministischen Entscheidungen ist die Berechenbarkeit der resultierenden Handlungen gemeint. Genau dieser Faktor ist die Grundvoraussetzung für den Einsatz von künstlicher Intelligenz. Laut OECD Studie können mehr als 50 Prozent der menschlichen Arbeit, im nächsten Jahrzehnt, durch intelligente Maschinen – also künstlicher Intelligenz- ersetzt werden.

Der Kern der künstlichen Intelligenz

Wenn vom “Ersetzen der menschlichen Arbeit durch künstliche Intelligenz” gesprochen wird, dann wird im gleichen Atemzug auch über die folgenden Gruppen an Methoden und zugehörigen Algorithmen gesprochen:

• Gruppierung (oder Clustering), als Ableitung von Gruppen aus den Merkmalen von nicht vorab klassifizierten Daten. Ein Beispiel der Versicherungswirtschaft ist das Gruppieren von Versicherungsnehmern, mit überproportionalen Ausgaben pro Versicherungspolice, nach Alter. Diese Methoden werden auch unter dem Begriff des “Unsupervised Learning” bzw. “Wahrheitsmodelle” zusammengefasst.
• Klassifizierung (oder Classification), als das Zuordnen von Daten zu zuvor definierten (Merkmals-) Klassen/ Gruppen. Im Gegensatz zur Gruppierung wird es auch unter dem Begriff des “Supervised Learning” bzw. “Wahrheitsfunktionen” zusammengefasst.
• Regression bzw. “das Beziehen auf ..”, als Erweiterung der Klassifizierung und Gruppierung um das Ableiten von Erwartungswerten zu “unbekannten” Daten.
• Prognose (oder Prediction), als Einschätzung von Werte für noch nicht bekannte Daten. Zum Beispiel wie sich ein spezifischer Aktienkurs in Bezug auf die Jahreszeit verändert.
• Bildverstehen (oder Computer Vision), als das Ableiten von Entscheidungen und/oder Werten (diskret und indiskret) auf Basis von Bildinformationen. Zum Beispiel wo in einem Bild sich Kanten oder wo in einer Rohrleitung sich Haarrisse befinden.
• Optimierung, als Sammelbegriff für das Optimieren von bereits formal, mathematisch beschriebenen Sachverhalten. Dies wird u.a. bei industriellen Herstellungsprozessen angewendet.

Anschauliche Beispiele für den Einsatz von künstlicher Intelligenz

Anschauliche Beispiele für den Einsatz von den Algorithmen und Methoden der künstlichen Intelligenz sind Mar/IO und AlphaGo.

Mit dem Programm Mar/IO zeigt Seth Bling, wie mit nur wenigen Zeilen Quellcode und Lern-Durchläufen das Spiel Super Mario, der Firma Nintendo, erfolgreich durch den Computer und ohne weitere Unterstützung des Menschen gespielt wird. Anstelle des Menschen spielt ein neuronales Netzwerk. Das neuronale Netzwerk kann durch fortwährendes Klassifizieren der Bildschirminhalte die Spielentscheidungen ableiten. Die möglichen Spielentscheidungen werden durch die Tasten, wie zum Beispiel nach links oder nach rechts Laufen, des Game-Controllers repräsentiert.

Mittels AlphaGo hat die Fa. Google den bisherigen heiligen Gral des Machine Learnings gelöst. Die Rede ist von dem jahrhunderte altem, chinesischem Spiel Go. Auch hier wird mittels künstlicher Intelligenz, jedoch gegen einen menschlichen Spieler, das Spiel erfolgreich gespielt. Ziel des Spiels ist es, möglichst viele bzw. alle Steine des gegnerischen Spielers „gefangen“ zu nehmen. Gefangen genommen wird ein gegnerischer Stein immer dann, wenn er in allen Himmelsrichtungen durch eigene Steine eingeschlossen ist. Ist ein gegnerischer Stein „gefangen“, wird er aus dem Spiel genommen. Die durch Google gelöste Komplexität ist angesichts dieser einfachen Spielregeln kaum zu erahnen. Verglichen mit dem Spiel Schach, existieren nach den ersten beiden Zügen und bei gleicher Größe des Spielbretts 325 mal mehr Züge.

Welche Bedeutung haben diese beiden, angeführten Beispiele übertragen auf Ihre Branche. Zum einen, dass mit künstlicher Intelligenz die Komplexität von Entscheidungsfindungen autonom und effizient abbildbar ist. Ob ethisch oder moralisch akzeptabel, können rein technisch und frei vom Menschen, zum Beispiel

• Anlagevorschläge bei einer Bank oder
• höchst richterliche Beschlüsse zu einer Straftat

durchgeführt werden.

Neben den autonom abgeleiteten Entscheidungen, wandelt sich der Wert von Wissen. Der reine Besitz von Daten und implizit Wissen ist nicht mehr (nur) entscheidend. Entscheidend ist, wie effizient die Daten und das damit verbundene Wissen genutzt wird – in einigen Branchen ist “scheinbar” und vielleicht vergebens eine Daten-Sammelleidenschaft ausgebrochen.

Anhand von Mar/IO und AlphaGo wird deutlich, dass auf der Basis von vergleichsweise “kurzzeitig” vorliegenden Daten, die gewünschten Ergebnisfindungen erlernt werden können – die Entscheidungen werden weniger aufwendig getroffenen. Warum sollte es zum Beispiel nicht auch mit der

• Unfall-Schadensbewertung,
• Wettervorhersage,
• Aktienprognose,
• Kreditrisikobewertung

effizient funktionieren? Kann vielleicht “ganzes” branchenspezifisches Know-How in der Form rekonstruiert werden, dass (digitale) Start-Ups etablierte Unternehmen in Bedrängnis bringen? Es ist nicht die Frage ob, etablierten Branchen ein digitaler Darwinismus bevorsteht, sondern wie schnell dieser durch künstliche Intelligenz voranschreitet.

Wo stehen wir mit künstlichen Intelligenz

Zur Machbarkeit von und mit künstlicher Intelligenz wurde eine interessante Analogie auf dem World Economic Forum 2016 angeführt. Es war die Analogie von dem Fortschritt im Bereich der künstlichen Intelligenz, im Vergleich zur Erfindung der Kernspaltung in den 30er Jahren des 20. Jahrhunderts.

Noch bis zum 21. Dezember 1938 stand für alle Welt fest, dass sich keine so immense Energiemenge aus fester Materie entziehen lassen könnte. Das Gegenteil wurde durch die Erfindung der Kernspaltung am 22. Dezember des gleichen Jahres bewiesen. Aus Sicht des 21. Dezembers 1938 und im Vergleich zur gleichen Masse, war die Erfindung der Atomspaltung unvorstellbar. Gute 20 Jahre später, bereits im Jahr 1957, ging das erste kommerziell genutzte Atomkraftwerk ans Netz.

Die Forschung an künstlicher Intelligenz begann im Vergleich 1951, wurde aber um 1969 wieder “eingestellt”. Die Ursache dafür war, dass damals einfache Probleme wie die eines XOR Gatters nicht “automatisiert” erlernbar waren. In den Jahren 1972 bis 1985 wurde aber die Lösung des XOR Gatters, also von nicht linear separierbaren Problemen, gefunden. Heute, mehr als 30 Jahre später und unter Selbstprophezeihung des Mooresches-Gesetz kann ein XOR Logik-Gatter mit nur 9 Zeilen Quellcode in der Skriptsprache Python und mit wenigen Lern-Durchläufen eines neuronalen Netzwerks reproduzierbar, gelöst werden.

Bild 1: Wahrheitstabelle – Das Gleich-Zeichen = verdeutlicht beim gegenwärtig in Deutschland gültigen Schaltsymbol, dass nur bei einer Eins an den Eingängen (High, logisch 1) der Ausgang 1 ist (Quelle: https://de.wikipedia.org/wiki/XOR-Gatter)

EQ versus IQ

Mathematische Fragestellungen sind, nicht nur anhand des Mooresches-Gesetzes, mittelfristig keine Fragestellung der Berechnungskomplexität. Wie verhält es sich aber mit natürlichen Fragestellungen, wie zum Beispiel der Wetterprognose oder unserem menschlichen, situativen Handeln.

Insbesondere in einem lokal begrenzten Raum lassen sich Wetterprognosen “genau” durchführen. Diese Prognosen beruhen auf numerischen, somit deterministischen, Modellen sowie Beobachtungen wie u.a. dem Verlauf von Hoch- und Tiefdruckgebieten. Es kommt kaum (positiv ausgedrückt) Problemlösungs-Kreativität von emotionalen Faktoren (EQ) zum Tragen.

Ohne den emotionalen Faktor und den daraus resultierenden neuen Verknüpfungen, wird kein neues Wissen geschaffen. Natürlich sind emotionale Entscheidungen im menschlichen Handeln nicht nur positiv, aber erlauben das Sammeln von neuen Erfahrungen. Erfahrungen auf deren Erkenntnissen sich neue Handlungen ableiten lassen. Der dahinterliegende EQ ist im Vergleich zum IQ – dem Wissen- spontan und adaptiv. Der IQ wendet nur bereits vorhandene Erfahrungen an. Die künstliche Intelligenz ist somit im ersten Schluss eher mit dem IQ zu vergleichen. Was wäre aber, wenn wir scheinbar zufällige Entscheidungen – die Unberechenbarkeit – auswählen, simulieren und zum Filtern von Entscheidungen nutzen (können).

Die Natur und scheinbare Unberechenbarkeit simulieren

Zur Veranschaulichung der Unberechenbarkeit und zur Darstellung der Monte Carlo Simulations-Methode, wie diese bei AlphaGo zum Einsatz kommt, hilft die sogenannte Pi Simulation. Für die Pi Simulation wird in ein Rechteck ein ¼ Kreis eingezeichnet. Danach werden Punkte, innerhalb des Rechtecks-Bereichs, zufällig generiert. Fällt einer der generierten Punkte in den Bereich des Kreises wird dieser gezählt, andernfalls nicht. Zum Schluss werden die gezählten Punkte durch die gesamte Anzahl von erzeugten Punkten geteilt. Als Ergebnis kommt das Verhältnis des Viertelkreises zur quadratischen Fläche des Rechtecks heraus. Bei ausreichend vielen Durchläufen ist das Ergebnis für einen ¼ Kreis gleich ¼ mal Pi. Das gleiche Prinzip kann auch auf das Verhältnis der natürlichen Länge eines Flusslaufs auf die Länge nach Luftlinie angewandt werden. Das Ergebnis ist auch hier Pi. Die scheinbare Unberechenbarkeit, analog der Emotion, liegt im Bereich der Simulierbarkeit und somit im Bereich der mathematischen Berechenbarkeit. Oft verhält es sich wie mit den Flächen-Verhältnissen, wie in der Pi-Simulation, auch in der Natur. Wenn der Zusammenhang bekannt ist, kann dieses Wissen in künstliche Intelligenz übertragen werden.

Aus Sicht von künstlicher Intelligenz lässt sich ohne jede Emotion festhalten, dass sich natürliche Sachverhalte auf mathematisch Größen zurückführen lassen. Einige Größen sind u.a.

• Die goldene Zahl Phi (auch goldenes Fünfeck genannt) von 1,618033…, die sich in allen Blüten wiederfindet.  

  
  Bild 2: Im regelmäßigen Fünfeck ist der goldene Schnitt enthalten (Quelle: http://www.michael-holzapfel.de).
   

• Der Fibonacci Folge (1,2,3,5,8,13,…) oder auch das goldene Spiral genannt.

  

  Bild 3: Die Goldene Spirale findet man beispielsweise bei Schnecken, bei Farnen, beim menschlichen Ohr, in Hurrikans und sogar in Galaxien.
   

• Dem goldenen Winkels Psi von 137,5°, der sich in der Verteilung der Kerne im Korb der Sonnenblume exakt wiederfindet.

  

  Bild 4: Die Verteilung der Kerne im Korb der Sonnenblume ist nicht etwa zufällig, sondern mathematisch exakt versetzt um je 137,5°.
   

• Die schon aufgezeigte Zahl Pi von 3,14…
   

Perspektive für die künstliche Intelligenz

Die Methoden und Algorithmen der künstlichen Intelligenz sind verallgemeinerte, mathematische Verfahren zu existierendem Wissen (IQ). Mit Hilfe von Methoden wie der Monte Carlo Simulation oder unter der Berücksichtigung von natürlichen Größen und gängigen Berechnungen, wie der Kreiszahl Pi oder der Gradientenberechnung, lässt sich die scheinbare Unberechenbarkeit simulieren – der EQ. Neben IQ und EQ verhalten sich die Fortschritte der künstlichen Intelligenz analog der Zunahme von Rechenleistungen, nach dem Mooresches-Gesetz. Alle 18 bis 24 Monate verdoppelt sich die machbare künstliche Intelligenz (kurz KI). Der Blog “Wait but Why” zeigt diesen Zuwachs an KI, im Vergleich zu IQ und EQ, anschaulich auf.

Bild 5: Schon in naher Zukunft soll KI, IQ und EQ übersteigen. Im Mittelwert liegen die Aussagen um das Jahr 2074, Quelle: http://waitbutwhy.com).

Im Vergleich zu IQ und EQ des Menschen führt, KI die Evolution im „Millisekunden“-Takt durch. Begrüßen wir den digitalen Darwinismus. Unterschiedliche Quellen kommen zu der Aussage, dass der Schnittpunkt an dem KI, IQ und EQ übersteigt, in naher Zukunft liegt. Im Mittelwert liegen die Aussagen um das Jahr 2075.

Eine der noch am herausforderndsten Fragestellungen bei künstlichen Intelligenz ist die Vorbereitung und Nachbearbeitung der genutzten und/oder erzeugten Informationen. Vereinfacht: wie können Daten zwischen mehreren Methoden und Verfahren der künstlichen Intelligenz übergeben, verknüpft und ausgetauscht werden. Mit Verknüpfungen, mittels denen scheinbar spontane Handlungen des EQ abbilden lassen.

Beispiele für die Vorbereitung sind

• wie ein Full-HD Bild mit 16 Millionen Farben auf 640×480 Pixel SW-Bild zu überführen ist, ohne das nötige Informationen entfallen, oder
• wie bei AlphaGo die nächsten Zugvarianten mittels der Monte Carlo Simulation ermittelt werden und durch ein neuronales Netzwerk untereinander, sowie nach deren Güte klassifiziert werden. Im Blog von AlphaGo wird dieses neuronale Netzwerk auch “Policy Network” genannt.

Ein Beispiel für die nötige Nachbearbeitung ist die Validierung der ausgewählten Folge-Züge bei AlphaGo. Die Prognose, des “möglichen” Gewinners des Spiels, erfolgt durch ein sogenanntes „Value Network“. Ist der Gewinner nicht der Computer selber, wird der Zug verworfen.

Fazit und Ausblick

Betrachten wir Big-Data, Industrie 4.0 nur als Peripherie-Innovationen und beziehen wir die immer rascher gemeldeten Erfolge der künstlichen Intelligenz mit ein, dann ist künstliche Intelligenz zunehmend Realität. Mit Blick auf das wirtschaftliche Potential, zum Beispiel im Bereich der erneuerbaren Energien, ist verwunderlich, dass nicht mehr Unternehmen in künstliche Intelligenz investieren.

Spannend sind in diesem Zuge auch die Entscheidungen der C-Level Manager in den nächsten Jahren. Die Informationsverarbeitung ist schon lange nicht mehr eine Frage von “Hirn zu Tastatur“, gefolgt von Aktionen. Intelligente Informationsverarbeitung ist der Differentiator über den Erfolg oder Misserfolg einer Unternehmung.

Dirk Bangel
Business Process Expert & Enterprise Application Architect bei der DEKRA SE

Webtipps und Quellen:

1. http://www.businessinsider.com/why-google-ai-game-go-is-harder-than-chess-2016-3?IR=T
2. https://research.googleblog.com/2016/01/alphago-mastering-ancient-game-of-go.html
3. https://www.udacity.com/
4. https://www.was-darwin-nicht-wusste.de/wunder/mathematische-ueberraschungen.html
5. http://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html
6.http://waitbutwhy.com/2015/01/artificial-intelligence-revolution-2.html
7. http://www.oecd.org/employment/Policy%20brief%20-%20Automation%20and%20Independent%20Work%20in%20a%20Digital%20Economy.pdf
8. https://www.weforum.org/
9. https://de.wikipedia.org/wiki/Monte-Carlo-Simulation
10. http://www.motherjones.com/media/2013/05/robots-artificial-intelligence-jobs-automation
11. https://www.vismath.eu/info/themen/goldener-schnitt/
12. https://www.youtube.com/watch?v=qv6UVOQ0F44 und http://pastebin.com/ZZmSNaHX
13. https://deepmind.com/research/alphago/
14. https://de.wikipedia.org/wiki/XOR-Gatter