//KI, Deep Learning

Auf dem Weg zu einer erweiterten Intelligenz

Manchmal merken wir es, manchmal aber auch nicht. Entweder sind wir uns der Sache überhaupt nicht bewusst, oder der tägliche Umgang ist uns schon so selbstverständlich geworden, dass wir einfach nicht (mehr) darüber nachdenken. Ob Facebook-Timeline respektive -Suche, automatische Spracherkennung auf dem Handy, Navigationssystem im Auto oder Foto-App mit Bilderkennungsfunktion, überall analysieren intelligente Systeme für uns Unmengen von Daten nach nur schwer nachvollziehbaren Kriterien und treffen darauf basierend Entscheidungen. Mit wem stehen wir gerade besonders eng in Kontakt? Welches ist die beste Reiseroute? In welchen Ordner kommt dieses Foto? Die Intelligenz agiert dabei meist in Form eines unsichtbaren Wesens, das im Hintergrund nach seinen ganz eigenen Regeln spielt.

Hinzu kommt die Vernetzung der verschiedenen Dienste. Googles Foto App verlagert die Fotoverwaltung kurzerhand in die eigene Cloud, um den Benutzer noch „intelligentere“ Funktionen anbieten zu können. Unter dem Deckmantel der Bequemlichkeit dieser Funktionen wird dabei oftmals ganz nebenbei den Datenhunger des Unternehmens befriedigt, z. B. um jene hauseigenen Intelligenzsysteme zu optimieren. Eine große Wahl hat der Benutzer oft nicht, der Umstieg auf die neue App wird dem Benutzer durch entsprechende Hinweise mitunter regelrecht aufgedrängt. Es fällt zunehmend schwerer den Überblick darüber zu behalten, was mit unseren Daten passiert, wem die Daten gehören und wo Systeme Entscheidungen auf Grundlage dieser Daten für uns treffen, die vielleicht gar nicht unseren eigenen Vorstellungen und Wünschen entsprechen.

Technologisches Prinzip der Stunde zur Entwicklung intelligenter Systeme ist das sog. „Deep Learning“, das auf künstlichen  neuronalen Netzen beruht. Mithilfe dieser Netze wird versucht, die Repräsentation von Wissen im menschlichen Neocortex nachzubilden. Neuronale Netze müssen für einen bestimmten Zweck und für die Erkennung spezifischer Muster „trainiert“ werden, d. h. die Netze erhalten einen spezifischen Input, der grundlegendes Wissen vorgibt, auf dessen Grundlage das Netz Verallgemeinerungen trifft, die z. B. durch neuen Input der Benutzer sukzessive erweitert und verfeinert werden. Das neuronale Netz „lernt“ also selbstständig dazu und entwickelt im besten Fall so etwas wie einen Sinn für das menschliche Wirklichkeitsmodell (common sense), was z. B. im Hinblick auf die Erfassung der semantischen Ebene von Sprache interessant ist. Grundlage für die Sprachanalyse und -erkennung bildet dabei ein möglichst umfassendes (datenbankbasiertes) Sprachmodell.

Neuronale Netze verfügen selbst über kein eigenes Wissen sondern dienen lediglich der Strukturierung und Auswertung unstrukturierter Daten. Die Netze sind in mehrere Ebenen angeordnet, die zunehmend komplexere Merkmale zur Mustererkennung umfassen, um so möglichst hohe Abstraktionen intelligenten Verhaltens zu erlernen. Neuronale Netze werden häufig zur Kategorisierung großer Datenbestände verwendet. Gegenüber ihren Vorgängen, den regelbasierten Systemen, und haben sie den entscheidenden Vorteil, dass sie selbstständig lernfähig sind und so im Endergebnis Wissensbestände dynamischer und letztlich genauer abbilden können.

Obwohl es künstliche neuronale Netze schon seit den 50er Jahren gibt, erlebt diese Technologie derzeit eine Renaissance, weil die notwendigen digitalen Datenmengen und Rechnerkapazitäten zur Verfügung stehen, um die Netze richtig trainieren zu können. Zwei wichtige (kommerzialisierbare) Anwendungsbereiche von Deep Learning im Bereich der Computertechnologie sind derzeit die Sprach- und Bilderkennung. In beiden Bereichen konnten signifikante Leistungssprünge erzielt werden, die dem Nutzererlebnis unmittelbar zu Gute kommen. Bestes Beispiel ist die aktuelle Version der Google-Spracherkennung. Mit der Einführung von Deep Learning sank die Fehlerquote um satte 25 % im Vergleich zur Vorgängertechnologie. Auch Apple ist mit dem Erwerb von VocalIQ zur Optimierung der Spracherkennungstechnologie Siri auf den Deep Learning-Zug aufgesprungen. Siri spielt dabei nicht nur für das iPhone sondern auch für Apple TV und die Apple Watch eine strategisch wichtige Rolle.

Und auch im Bereich der Bildanalyse wurden in diesen Tagen zahlreiche Fortschritte vermeldet. Bereits im November 2014 stellte Google in Zusammenarbeit mit der Stanford University einen neuen Algorithmus vor, der in der Lage ist, die Inhalte von Bildern zu erkennen und eine passende Textbeschreibung dazu abzuliefern. Die Bildanalyse umfasst in der Regel auch eine Gesichtserkennung. Unternehmen wie Google und Facebook versprechen sich davon, Bilder „im Sinne ihrer Benutzer“ noch besser organisieren zu können oder verweisen darauf, dass z. B. Menschen mit Sehbehinderung der Zugang zu Fotos auf Facebook erleichtert wird. Die neuen gewonnen Informationen lassen sich aber natürlich auch neu verknüpfen und auswerten, wodurch der Benutzer im Prinzip ein weiteres Stück seiner informationellen Selbstbestimmung an die Unternehmen abgibt.

Google probiert sich auch auf weiteren Gebieten mit intelligenten Funktionen aus. Für die schnellere Beantwortung von E-Mails hat das Unternehmen mit „Smart Reply“ inzwischen ein eigenes Verfahren auf der Basis von „Deep Learning“ entwickelt, mit dem auf den Wunsch des Benutzers automatisch Antwort-Mails für eingegangene E-Mails generiert werden. Für den Benutzer bedeutet eine gelungene Umsetzung dieses Prinzips eine wesentliche Zeitersparnis beim Beantworten von E-Mails, vor allem auf dem Mobiltelefon.

KI-Systeme spielen also eine immer größere Rolle für die Konkurrenzfähigkeit eines Produkts und rücken zunehmend in den Mittelpunkt. Dabei geht es neben der Einführung von z. B. möglichsten ausgefeilten Such-, Sortier- und Kategorisierungsfunktionen vor allem auch um intuitive Bedienbarkeit. Im Rahmen der Sprachanalyse geht es insbesondere um die Erfassung der semantischen Ebene von Sprache jenseits isolierter Wortbedeutungen, ob für die Sprachsteuerung oder die Google-Suche. Auch die Abbildung von Beziehungen mittels Algorithmen auf Facebook stellt eine enorme Herausforderung dar. Durch Algorithmen verursachte zwischenmenschliche Missverständnisse sorgen für Unzufriedenheit beim Benutzer und gefährden die Integrität des Produkts.

Nahziel einer gelungenen intelligenten KI-Anwendung könnte sowohl für Google als auch für Facebook ein intelligenter persönlicher Assistent sein, mit dem der Benutzer in natürlicher Sprache interaktiv kommunizieren kann und der Informationen aus verschiedensten Quellen vereint. Ein aktueller Zwischenschritt dieser Entwicklung ist offenbar der Informationsdienst Google Now, der Informationen ohne Suche durch automatisches Zusammentragen von Suchanfragen, Browseraktivitäten, Geräteinformationen und Standortinformationen passgenau und personalisiert bereitstellt.

Intelligente Systeme werden in Zukunft die Aufgabe haben, Unmengen unstrukturierter Daten zu analysieren und zu interpretieren. Künstliche Intelligenz eröffnet in diesem Zusammenhang neue Möglichkeiten der Auswertung. Dabei geht es nicht zwingend um die Ermittlung von definitiven Antworten, sondern um die Gewichtung von Daten, um Wahrscheinlichkeitshypothesen aufzustellen, die dem Menschen im jeweiligen Einzelfall als Entscheidungsgrundlage dienen (können). Dieses Prinzip lässt sich auf die unterschiedlichsten Branchen und Anwendungsbereiche übertragen. Im Rahmen dieser Entwicklung muss der Mensch jedoch lernen, sich die informationelle Selbstbestimmung zu bewahren, damit die Technologie auch im gesamtgesellschaftlichen Sinn eingesetzt wird.