Klassifikation am Beispiel Tiere

Was Entscheider jetzt über Künstliche Intelligenz und Machine Learning wissen müssen

Teil 1: Begriffe und Beispiele, Fragen und Antworten auf die brennendsten Fragen

Gastbeitrag von Dirk Liebich

Serie KI und Machine Learning

Wie können deutsche Unternehmen doch noch digitale Meister werden? Wie kann man dies mit den Mitteln der Unternehmenskommunikation sowohl anstoßen als auch vorantreiben? Warum brauchen wir eher weniger als mehr Informationen? Wie können Entscheider und Fachleute pragmatische Ansätze entwickeln, die tatsächlich umsetzbar sind? – Dies sind die Fragestellungen meines Themenschwerpunktes Digitalisierung in diesem Herbst hier im PR-Doktor. In der Beschäftigung mit dem Thema habe ich festgestellt, wie viel Nachholbedarf in Sachen Wissen ich selbst noch hatte. Deswegen habe ich einen Machine-Learning-Fachmann gebeten, mir meine brennendsten Fragen zu beantworten. Aus der riesigen Menge an Antworten, Informationen, Beispielen ist diese dreiteilige Serie geworden. – Kerstin Hoffmann

Teil 1: Was Entscheider jetzt über Künstliche Intelligenz und Machine Learning wissen müssen (dieser Beitrag)

Teil 2: Gefahr im Verzug? Die Zukunft mit KI und Machine Learning

Teil 3: KI und Machine Learning in Marketing und Unternehmenskommunikation (erscheint in Kürze)

Was ist KI, was ist Machine Learning?

Der Begriff künstliche Intelligenz (KI) oder im angloamerikanischen Sprachraum Artificial Intelligence (AI), wurde zum ersten Mal von John McCarthy im Jahr 1956 geprägt. Die Begriffsbeschreibung ist in etwa diese: eine Maschine, die in der Lage ist Arbeiten auszuführen, die charakteristisch für menschliche Intelligenz sind. Dinge wie Planung, Verständnis von Sprache, Erkennung von Objekten und Geräuschen, lernen und Problemlösung.

Es gibt im Wesentlichen zwei Bereiche der KI, die generalisierte und die spezielle (im englischen Sprachraum general and narrow genannt). Der generalisierte Bereich leistet im Prinzip fast alles, was die Humanintelligenz auch kann. Im speziellen Bereich sind stark spezialisierte Dinge wie die Objekterkennung anzusiedeln, beispielsweise wenn die Maschine wirklich nur Bilder erkennt. Das was wir derzeit mit Machine Learning bezeichnen, ist zumeist im Bereich der speziellen AI eingeordnet.

Auf die Basis reduziert kann man auch sagen: Machine Learning ist die Grundlage für die Schaffung von KI.

Aber das klingt zunächst doch bekannt. Die IT liefert für all dies seit Jahren Lösungen. Worin besteht den nun der konkrete Unterschied zu früheren Informationstechnologien und was macht das enorme Potential des Machine Learnings aus?

Der Unterschied ist so einfach wie bedeutend. Während die bekannte Informationstechnologie die Probleme unseres Alltags in der Regel durch Beschreibungen von mehr oder minder komplexen Regelwerken, Mathematik und ähnlichen Vorgehensmodellen näherungsweise beschreibt, braucht Machine Learning nur noch die Daten aus der zu beschreibenden Welt. Die Regeln lernt es allein! Die Maschine erstellt selbstständig ein Modell der zu beschreibenden Welt, nur anhand der von dieser Welt erzeugten Informationen.

Darüber hinaus ist die Maschine in der Lage sich selbst über die Zeit zu verbessern. Dies geschieht zumeist über die gezielte Rückkopplung mit Benutzern oder Systemen.

Warum sollten sich Entscheider in deutschen Unternehmen dringend damit beschäftigen?

Einer der Stars und Vordenker der Szene, der ehemalige Professor für Künstliche Intelligenz an der Stanford Universität, späterer Chief Scientist beim Chinesischen Internetriesen Baidu und nun Head des Google-AI-Bereichs “Google Brain” Andrew Ng spricht von Artificial Intelligence als “neue Elektrizität”. Deep Learning werde mehr Umwälzung und Veränderung bringen als seinerzeit das Internet.

In einem Zitat im Fortune Magazin weist Ng auf die Tatsache hin, dass sich viele S&P-500-CEOs im Nachhinein gewünscht hätten, sie wären schneller mit einer Internetstrategie dahergekommen. Nun, dieselben CEOs werden sich in etwa fünf Jahren wünschen sie hätten Artificial Intelligence ernster genommen.

So begründen Entscheider fehlende AI-Strategien:

Welche Gründe nennen Entscheider in Unternehmen, wenn diese auf fehlende Umsetzung von AI-Strategien angesprochen werden? Hier einige der meist genannten:

  • “Als großes Unternehmen fokussieren wir auf den Wettbewerb und unsere Mitbewerber machen kein AI.”
  • “Wir arbeiten mit Expertise – wir vertrauen keinem Modell, sondern unserem Instinkt.”
  • “Unsere Daten sind zu unsauber und unsere Projekte noch nicht bereit.”
  • “Wir können die notwendigen Experten nicht finden.”

Lassen Sie uns diese Argumente einmal genauer betrachten.

_

“Als großes Unternehmen fokussieren wir auf den Wettbewerb, und unsere Mitbewerber machen kein AI.”

Die Lehren aus der Vergangenheit sprechen hierbei allerdings eine eindeutige Sprache. Die durch das Internet ausgelösten Veränderungen waren für einige Industrien sehr weitreichend. Nehmen wir Instragram versus Kodak oder Amazon versus Borders (eine große amerikanische Buchkette), um nur einige Beispiele zu nennen. Entscheidend ist es zu starten und nicht darauf zu warten vom Konkurrenten überholt zu werden.

_

“Wir arbeiten mit Expertise – wir vertrauen keinem Modell, sondern unserem Instinkt.”

Wenn es um Expertiseversus Modell geht, so kann man am Beispiel Google sehr gut sehen wie potent die Möglichkeiten der gezielten Unternehmenssteuerung über Daten sein kann. Nichts spricht dagegen Modelle und Anwenderinstinkt zu verbinden.

_

“Unsere Daten sind zu unsauber und unsere Projekte noch nicht bereit.”

Sogar bei unsauberen Datenlagen kommt Machine Learning uns entgegen. Besonders der Bereich Deep Learning bringt eine Vielzahl von Mechanismen mit, die Störgeräusche aus den Daten herausfiltern können. Wenn sie also zu einem Unternehmen mit schlechter Datenlage gehören, sollten sie erst Recht zeitig investieren.

_

“Wir können die notwendigen Experten nicht finden.”

Was diese Experten, die sogenannten Data Scientists angeht: Ja, diese sind in der Tat schwer zu finden und darüber hinaus auch zumeist keine Experten im jeweiligen Kerngeschäft des betreffenden Unternehmens. Aber was spricht dagegen, mit einigen wenigen zu starten und alle weiteren auszubilden? Die Vorteile liegen hier auf der Hand.

Was bedeutet Selbstlernen von Maschinen?

Bevor wir typische Anwendungsgebiete betrachten, ist es wichtig zu verstehen, was Selbstlernen von Maschinen in unserem Kontext eigentlich bedeutet.

Im Kern gibt es erneut zwei Ausprägungen: die erste ist die sogenannte Klassifikation (Classification) von etwas wie sagen wir Hund, Katze, Maus, Mensch. Die zweite die Vorhersage (Prediction), die die Wahrscheinlichkeit (Probability) errechnet, mit der ein Ereignis eintreffen wird, zum Beispiel eine Umsatzerwartung erreicht wird oder es Regen geben wird.

Klassifikation (Classification)

Klassifikation am Beispiel Tiere

Der Klassiker der Beispiele ist die automatische Einteilung von Bildern in Hunde- oder Katzenbilder. Ein etwas komplexeres Szenario ist die Festlegung, ob der Kunde eines Mobilfunkanbieters zu der Gruppe derjenigen gehört, die den Telefonvertrag verlängern oder beenden (Churn und Retention Analyse).

Vorhersage (Prediction)

 

  • Das analysierte Bild zeigt mit 95% Wahrscheinlichkeit einen malignen Tumor.
  • Die Wahrscheinlichkeit, dass der Telefonvertrag verlängert wird beträgt X Prozent.
  • Der Umsatz des kommenden Monats ist der Wert Y.

Was sind typische Anwendungsgebiete?

Medizin

Die Anwendungsmöglichkeiten sind schon jetzt vielfältig und es werden stetig mehr. Im Medizinbereich wird Machine Learning Modelle für die Auswertung von Mammographiedaten herangezogen wurden.

Wenn wir uns einmal vergegenwärtigen, wie viele Medikamente einige Patienten auf Tagesbasis gleichzeitig einnehmen müssen und wie wenig die komplexen Wechselwirkungen erforscht sind, ist auch hier schnell der Vorteil von KI klar. Nur der Maschine und deren unerschöpflichen Ressourcen ist es zuzutrauen, die komplexen Netzwerke von Wechselwirkungen vollständig zu erfassen, um eine Frühwarnung (Prediction) auszusprechen.

Objekterkennung

Jedwede Form der Objekterkennung, in Bildern, sowie in Videos ist mittlerweile in fester Hand des Machine Learnings. Hierzu gehört die Erkennung von Schreibschrift, welche zum Beispiel seit Jahren von Briefzustellern benutzt wird. Die Auswertung von Röntgenbildern durch die Maschine, die Erkennung von Tumorgewebe im MRT, in all diesen Bereichen ist die Maschine schneller und präziser. Selbstfahrende Autos sind bereits seit einigen Jahren fester Bestandteil des Stadtbildes in einigen Städten der USA und sogar völlig autarke LKW gibt es bereits auf der Straße.

Spiele

Die Welt der Spiele ist ebenfalls in fester Hand der Maschine. Sogar ein so außerordentlich komplexes, weil mit unglaublich vielen Varianten ausgestattetes Spiel wie Go wird mittlerweile von der Maschine gewonnen.

Sprache

Auch im Bereich der menschlichen Sprache (NLP oder Natural Language Processing) hat Machine Learning schon lange die Nase vorn. Von der Auswertung von Kundenbewertungen im Marketing, auch Sentiment-Analyse genannt (Ist ein Objekt positiv oder negativ beschrieben worden?), bis hin zur Live-Übersetzung von einer Sprache in die andere. Probieren Sie es einmal selbst aus: Stellen sie die Sprache Ihres Skype-Gesprächspartners auf eine Fremdsprache, und Sie werden – falls Sie es noch nicht ausprobiert hatten – staunen …

Kunst

Im Bereich Kunst gibt es außerordentlich interessante Beispiele. Viele von Ihnen kennen sicher die Handy-App Prisma. Diese nutzt das sogenannte Style-Transfer-Verfahren, um das gelernte Muster beispielsweise eines van Goghs auf das eigene Selfie anzuwenden. Aber das ist noch nicht alles. Auch Träumen hat man der Maschine bereits in ersten Experimenten beigebracht, und die Ergebnisse sind zumindestens für den interessierten Geist beachtenswert.

Von Flugsicherung bis Smart Home: Weitere Anwendungen

Die Anwendungsmöglichkeiten sind so vielfältig wie die Welt in der wir leben. Im Planungsbereich, in der Lagerhaltung, im Bestellwesen, bei der Bewertung von Geschehnissen, im Finanzbereich zur Kredit Risiko Modellierung und Betrugsprävention, der Flugsicherung, bei der Steuerung unseres Heims oder als persönlicher Assistent für unserer privaten Aktivitäten, Machine Learning arbeitet in vielen Fällen bereits im Hintergrund oder wird dieses zeitnah tun.

Fast jeder Online-Einkauf wird mittlerweile durch sogenannte Recommender Systeme, also Machine Learning basierte Modelle gestützt wird. Hier wurde der Maschine beigebracht, das Einkaufsverhalten des Einzelnen zu lernen und daraus Schlüsse und Vorschläge abzuleiten.

Nicht immer sind die bestehenden Lösungen bereits perfekt oder voll markttauglich. Aber Vorsicht! Bevor Sie Witze machen und etwas vorschnell abhaken, behalten Sie bitte folgendes im Hinterkopf: Die Maschine lernt selbstständig und korrigiert sich selbstständig anhand neuer Daten und Benutzer- und System Rückkopplung. Was heute noch nicht funktioniert, wird schon morgen perfekt sein.

Warum ist Machine Learning aus wirtschaftlicher Sicht so wichtig?

Der wesentliche Grund, warum in der Zukunft AI in fast allen Bereichen zuhause sein wird, liegt in der Möglichkeit, qualitativ hochwertige Vorhersagen über das Machine Learning so kostengünstig zu gestalten, dass ein Nichtbenutzen dieses Tools wirtschaftlich völlig kontraproduktiv wäre.

Das ist auch einer der Hauptgründe warum es an der Zeit ist, dass sich Unternehmen schleunigst mit dem Thema beschäftigen.

Machine Learning ist nicht eine weitere Technologie, sondern ein Paradigmenwechsel: ein extrem leistungsfähiges Instrument, entstanden mit der Evolution, die sich durch die Digitalisierung ergeben hat. Es ist ein Werkzeug der Moderne, vergleichbar dem Laserskalpell oder der Mikrowelle.

Warum entwickelt sich Machine Learning so schnell?

Der schnelle Fortschritt, den wir insbesondere im vergangenen Jahr in vielen Bereichen der AI sehen, hängt mit einem neuen Vorgehensmodell zusammen. Ein Konzept, das bei näherer Betrachtung einem sehr menschlichen Modell entspricht. Lernen geschieht auf der Basis von bereits Erlerntem, auch Transferred Learning genannt. Anstatt immer wieder von vorne zu beginnen, werden nur noch fehlende Bereiche hinzu trainiert.

Ein konkretes Beispiel ist eine aus etwa 22.000 separaten Unterklassen bestehende Bildbibliothek mit etwa 14 Millionen handklassifizierten Bildern. Sie heißt ImageNet. Dieses Material wurde als Ausgangsmaterial für die Erstellung von Neuronalen-Netzwerk-Modellen herangezogen. Diese gelten nunmehr als der Goldstandard für den Bereich der Objekterkennung.

Wer nun etwa Hunde, Katzen, Mäuse – allein oder in der Gruppe – erkennen möchte, nutzt einfach ein bereits erstelltes Modell (z.B. ResNet50) hierfür. Mit wenigen Zeilen Programmcodes ist nun die Erkennung einer enorm großen Anzahl von Objekten möglich. Benötigt man zusätzlich die Erkennung von, sagen wir, Gartenzwergen, muss nun nur noch das neue Bildmaterial eingespielt und das Modell um die Erkennung derselben erweitert werden. Das ist alles. Der Vorteil liegt hierbei auf der Hand: Erweiterungen sind schnell und kostengünstig. Das Ergebnis erlaubt dann die vollautomatische Erkennung und die Einbindung dieser in Folgeprozesse.

Ohne den Rahmen dieses Artikels sprengen zu wollen, da ist dann nicht zuletzt auch noch die parallel entstehende Welt der IoT (Internet of Things = das Internet der Dinge). In Kombination mit Milliarden von Sensoren aus allen Lebensbereichen ist Machine Learning auch hier das omnipotente Werkzeug der Veränderung. Was die Bilder für die Objekterkennung, sind im Bereich des IoT die verschiedenen Muster, die sich über Sensoren ermitteln lassen.

Kühlschrank, Kaffeemaschine, Klimaanlage: Es gibt bereits einige gute Beispiele für die Erkennung von Mustern von elektrischen Verbrauchern. Wir sind in der Lage vorherzusagen, wann zum Beispiel der Kühlschrank besser ausgetauscht werden soll, weil er zu alt ist und mehr Strom benötigt als notwendig. In der nahen Zukunft messen Unmengen von Kleinstsensoren unsere Umwelt. Diese Daten werden in Echtzeit an Machine Learning basierte Modelle weitergereicht und ausgewertet. Moderne Haussteuerungsanlagen werden uns helfen wirtschaftlicher mit Energie umzugehen.

Von hier an ist es nur noch eine Frage der menschlichen Vorstellungskraft, was damit angestellt werden kann. Siehe dazu auch Teil 2 dieser Serie: Utopie und Dystopie.

Welche falschen Vorstellungen gibt es über KI und Machine Learning?

Wenn man sich den Grundtenor der derzeitigen Berichte zum Thema KI/Machine Learning anschaut, stellt man folgendes fest: Es besteht ein hohes Mass an Grundangst oder zumindest Skepsis. In den meisten Fällen geht man von einer weiteren, unverstandenen Technologie aus. Vermutlich ist dies ein wenig mit der Hoffnung verknüpft, dass diese irgendwann auch wieder verschwindet. Für den Privatanwender ist dies nur zu verständlich. Die schnellen Veränderungen der letzten Jahre sind schon jetzt nur noch von wenigen wirklich nachvollzieh- oder gar nutzbar.

Der Industrie allerdings wäre dringend anzuraten, sich langsam zu involvieren. Wir alle wissen wie es selbst nach vielen Jahre intensiver Auseinandersetzung mit der Digitalisierung immer noch um diese in Deutschland steht.

Machine Learning ist nicht die Übernahme durch den Roboter, à la Terminator. Machine Learning sollte auch nicht unter der Prämisse “nur eine weitere neue Technologie, wer braucht das schon”, oder “Alles Quatsch! Funktioniert doch nicht. Seht her!” abgetan werden.

Die erste Aussage ist eher beim überforderten Privatmenschen zu finden, die zweite vorzugsweise in der Industrie. Hier ist es zumeist die Führungsetage, die schon mit dem Thema Digitale Transformation ihre Schwierigkeiten hatte, und nun vollends überfordert ist. Der derzeitige Trend ist einmal mehr, in den USA zu schauen was denn dort so gemacht wird. Typische Reaktionen darauf:

“Ah! ein selbstfahrendes Auto! – Das können wir auch.”

“Oh! ein Roboterstaubsauger! – Die herstellende Firma kaufen wir einmal.”

Dieser leider immer noch vorzufindende Trend bei deutschen Unternehmen ist bedenklich. Denn Fortschritt funktioniert anders, und dies sollte allen Beteiligten klar sein. Wir sind bereits deutlich in der Entwicklung zurückgefallen und werden dies sicher auch auf absehbare Zeit nicht aufholen können. Insbesondere, weil auch Länder wie China AI zur Top-Priorität erklärt haben.

Es ist umso mehr wichtig, die Möglichkeiten dieser neuen Entwicklung zu erkennen, mitzugestalten und – soweit sinnvoll – in bestehende Abläufe einzubauen. Wie immer werden diese Innovationen starke Veränderungen mit sich bringen, aber genau diese waren auch in der Vergangenheit meistens gut. Nur über das Verständnis der Anwendung werden wir auch kritische Fragen stellen und der notwendigen Ethik den Einzug erlauben.

Der beste Weg dahin geschieht über Bildung und Ausbildung. Der bewusste und verstandene Kontakt mit dieser, wie mit jeder anderen Technologie schafft Verständnis und Vertrauen und ermöglicht darüber hinaus auch konstruktive Kritik.

Beispiele zum Anschauen

  • Ein sogenanntes Neuronales Netz erkennt Bilder anhand der Zeichnung. Ein gutes Experiment und lustiges Spiel für die ganze Familie. Ziel ist die Erstellung von durch den Anwender spezifizierten Beispielen für das sogenannte Supervised Learning. Hierbei lernt die Maschine vorgegebene Klassen von Objekten zu erkennen.

https://quickdraw.withgoogle.com/

  • Bringen Sie der Maschine einen neuen Trick bei und lassen Sie eine Aktion auf Basis der Erkennung ausführen. Eine Beispielanwendung für die Objekterkennung durch ein Neuronales Netz.

https://teachablemachine.withgoogle.com/

  • Das Startup Lyrebird benutzt Deep Learning, um die spezifische Stimme eines Menschen über ein Modell abzubilden, so dass dann ein sogenannter Avatar jeden beliebigen Text sprechen kann. Hier ein Beispiel, in dem Ex-President Obama Worte in den Mund gelegt bekommt. Übrigens auch die Lippenbewegungen sind mittlerweile durch ML gesteuert.

https://youtu.be/YfU_sWHT8mo

Dirk LiebichDirk Liebich arbeitet und berät seit vielen Jahren im internationalen Technologieumfeld direkt an den Quellen der disruptiven Veränderungen in San Francisco, New York und Berlin sowie in Fernost. Seine Spezialgebiete sind Machine Learning, Data Mining und Business Intelligence. Er begleitet Unternehmen in der digitalen Transformation und hilft ihnen, Prozesse, Strukturen und Führung neu zu gestalten, um in einem sich schnell verändernden Umfeld wettbewerbsfähig zu bleiben. Dirk Liebich bloggt, publiziert und hält weltweit Vorträge in englischer und deutscher Sprache.
– Website
– Flipboard
– Twitter

Dr. Kerstin Hoffmann
Letzte Artikel von Dr. Kerstin Hoffmann (Alle anzeigen)
3 Kommentare

Kommentare sind deaktiviert.