Aussichtsreiche Algorithmen – Forschungsfelder und Forschungsziele Künstlicher Intelligenz

DFKI CEO Prof. Dr. Antonio Krüger zu den Auswirkungen der Corona-Pandemie, zu hybriden KI-Systemen und aussichtsreichen Ansätzen bei der Entwicklung von konstruktiven Anwendungen der KI. Namensartikel im "unternehmermagazin - Zeitschrift für Familienunternehmen".

Zeit für Aufbruch

Die Gesellschaft, wir alle und jeder einzelne, sind gefordert. COVID reißt alte Gräben auf und erzeugt neue. Das Virus hat die Wirtschaft und viele Betriebe in existentielle Nöte gestürzt. Indessen besteht die Hoffnung, die Energie, die Umbrucherfahrungen freisetzen, zu nutzen, um kulturell, emotional und intellektuell gestärkt aus dieser Krise hervorzugehen. Dies gilt für die technologischen, ökonomischen und sozialen Herausforderungen, aber auch für die „Künstliche Intelligenz“.

Vorzuschlagen ist eine Neujustierung der KI und die Neugewichtung der Ziele der Forschung. Manche sagen voraus, dass KI zu Fabriken voller Maschinen ohne Menschen führe und dass Roboter Altenpfleger(innen) ersetzten. Andere meinen, dass selbstfahrende Autos, die uns überall hin befördern, in wenigen Jahren serienreif seien. Auch zu hören ist, dass Arbeit Luxus würde und Freizeit das neue Problem. Diese Anmaßungen sind wenig hilfreich und sogar kontraproduktiv. Sie wecken illusorische Erwartungen und unrealistische Befürchtungen. Sie lösen Sorge oder Skepsis aus, befeuern jedoch weder die gebotene Neugier noch die Kreativität.


KI ohne Übertreibungen

Wir brauchen einen konstruktiven Realismus im Hinblick auf die Werkzeuge von Anwendungen der KI. Außerdem sollte eine Atmosphäre nüchterner Selbsteinschätzung und eine Wahrnehmung entstehen, die sich nicht von fiktionaler Überdehnung und mittelfristig vorausgreifender Übertreibung dominieren lassen. Beides kann gelingen, wenn sich Wissenschaft und Gesellschaft auf Augenhöhe begegnen, um gemeinsam das Machbare zu verstehen, das Notwendige zu benennen und Wünschenswertes zu diskutieren.

In der KI führt diese Neuausrichtung dazu, den Werkzeugcharakter der Systeme zu betonen. Das ist bescheidener, führt jedoch zu Anwendungen für Wirtschaft und Gesellschaft in mindestens vier Dimensionen. Dabei geht es um Anpassbarkeit, um Verlässlichkeit, um Nachvollziehbarkeit und um Erklärbarkeit. KI-Systeme müssen erstens leichter an grundsätzlich neue Szenarien angepasst werden können. Sie müssen zweitens verlässliche Resultate liefern, die drittens für die Nutzer(innen) überprüfbar und nachvollziehbar sind. Viertens müssen KI-Systeme Ergebnisse interaktiv darstellen, wobei sie die Fähigkeit haben sollten, sich selbst zu erklären. KI-Systeme müssen Nachfragen beantworten und im Dialog begründen können, warum eine Entscheidung, die einer Handlung eine Tendenz gibt, und dadurch eine andere versperrt, zu dieser Zeit und in diesem Raum vorteilhaft sowie in ihren Folgen wünschenswert sein kann.

Das für viele Anwendungen der Mustererkennung sehr gut geeignete maschinelle „Deep Learning“ beruht auf trainierten, getesteten Modellen, die aus Daten abgeleitet werden, um Dinge zu klassifizieren und Auftrittswahrscheinlichkeiten zu beschreiben. Dieser Doppelnutzen fließt in die personalisierte Empfehlung von Waren, in die Unterstützung radiologischer Diagnosen und in die Erkennung gesprochener Sprache ein, wobei auch maschinelle Übersetzungen profitieren. Diese Mustererkennung in allen verfügbaren Medien und Daten ist ein enormer Erfolg, der in den letzten zehn Jahren im Zusammenspiel künstlicher neuronaler Netze mit überaus leistungsfähiger Hardware eine Qualitätsexplosion ausgelöst hat. Diese ermutigenden Resultate lassen allergrößte Erwartungen und Hoffnungen zu.


Das Heute ist nicht immer eine Art von Gestern

Die Pandemie erinnert uns daran, dass die Pole unseres Weltbilds abrupt verrutschen können. Vermeintliche Gewissheiten lösen sich auf. Wir befinden uns plötzlich in einem Zustand, der zwar sehr unwahrscheinlich, aber theoretisch jederzeit möglich ist. Dabei gilt, dass sich Menschen umgehend auf neue Gegebenheiten einlassen können, allerdings natürlich nur, sofern sie die Ereignisse wahrnehmen, die Analysen lesen und die Belastbarkeit der Einzelfakten nachvollziehen. Wenn die Welt auf dem Kopf steht, haben Menschen die erstaunliche Fähigkeit, ihr Weltverstehen auch auf den Kopf stellen zu können. Maschinen können das - noch - nicht.

Ja, künstliche neuronale Netze leisten extrem nützliche Dienste, doch rein datenbasierte Systeme haben prinzipielle Schwierigkeiten, Umbrüche und die Dimension von Ausnahmen zu bewerten. Außerdem können sie die Folgerisiken nicht prognostizieren, die tagesaktuellen Konsequenzen nicht berechnen und daher im Verlauf einer Krise, in der nur noch Konsens ist, dass alles anders ist als es war, auch keine begründeten Empfehlungen geben. Das ist keine Kritik, sondern eine Klarstellung.


Das Beste aus zwei Welten

Der Erkenntnisprozess von Maschinen ist in wesentlichen Teilen, aber nicht ganz, anders als der des Menschen. Unser Auge ist rezeptiv, während der Verstand für die visuelle Erscheinung Begriffe findet. Insofern sind Kamerasensoren und die Mustererkennung miteinander vergleichbar. Doch erst dann, wenn Begriffe gefunden werden und in Schlussfolgerungen münden, spricht man bei Menschen von Vernunft und in der KI von symbolischer Verarbeitung, wobei es dann seit Aristoteles elementar um Logik geht. Die aber hat Regeln und das ist vorteilhaft. Wenn ein begrifflicher Zusammenhang in eine Schlussfolgerung mündet, ist das Ergebnis nicht nur wahrscheinlich korrekt, sondern verbindlicher als Meinungen und Ansichten, weil aus nachvollziehbaren Gründen beweisbar.

Die Aufgabe, die wir dementsprechend in den Blick nehmen müssen, besteht darin, die symbolischen, wissens- und modellbasierten Verfahren zu optimieren und sie mit dem Besten, was das maschinelle Lernen erlaubt, zu verbinden. Solche hybriden KI-Systeme sollen es ermöglichen, Tendenzen in der Wirtschaft zu erkennen, aber eben auch disruptive Ereignisse. KI soll helfen, die Folgen adäquat einzuschätzen und Maßnahmen richtig zu dimensionieren. Man braucht die wissensbasierte und die datenbasierte Bewertung von Ereignissen, um die Wirkung auf Prozesse, Produkte, Angebot und Nachfrage abzuleiten. In diesem Sinne soll KI Szenarien bis hin zu Stresstests kognitiv simulieren, um ökonomische Risiken und Belastungsgrenzen früh zu identifizieren und Lösungsansätze zu verproben. In Lieferketten geht es eben nicht nur um den Lieferanten selbst, sondern auch um die mittelbaren Zulieferernetze zweiten Grades, die, wie im Frühjahr 2020, plötzlich von Grenzschließungen betroffen sein können. Hybride KI-Systeme können aber auch ökologisch holistische Produktentwicklungen unterstützen, die Nachhaltigkeit in den Designprozess integriert, eine Produktion, in der Menschen und Roboter flexibel kooperieren, eine Schienenmobilität mit autonomen Kleinsttransportern oder die Entfernung von Plastikmüll aus Flüssen und Seen, bevor er überhaupt die Ozeane erreicht.


Gute Aussichten

In den letzten Jahrzehnten haben wir viel gelernt, doch die symbolische KI ist durch zu große Prognosen und Erwartungen an das maschinelle Lernen zunehmend aus dem Fokus geraten, zumal die Hoffnung bestand, dass sich alle Probleme mit nur einem Ansatz lösen lassen. Das ist so gewesen, weil die regelbasierte Verarbeitung situativer Unschärfen, Mehrdeutigkeiten und Inkonsistenzen des menschlichen Handelns zwar anwendungsorientiert, aber immer noch Grundlagenforschung ist. Um nachvollziehbare, zertifizierbare und diskriminierungsfreie Ergebnisse zu bekommen wird eine Bandbreite sich ergänzender KI-Verfahren gebraucht. Wir sollten also die Stärken addieren und hybride Systeme herstellen, die die subsymbolische Klassifikation und das regel- oder modellbasierte Verstehen verbinden.

Bei alledem bleibt es so, dass wir uns im Wettbewerb mit anderen Wissensnationen befinden, aber ich bin zuversichtlich. Die deutsche und die europäische Forschung, die zunehmende Kooperation und praktische Anwendungen von KI-Technologie in Europa wird zu Ergebnissen führen, die - und das soll nicht pathetisch klingen - in der ideengeschichtlichen Tradition der Aufklärung qualitativ absolut überzeugen. Darüber entscheiden Kriterien wie die Ergebnisqualität und die kausale Begründungstiefe bzw. die Diskursfähigkeit der maschinellen Entscheidungsassistenten.

KI kann also nur dann etwas Bedeutendes leisten, wenn wir die Euphorie und den Hype kritisch prüfen und selbst ernannten Propheten auf die Finger schauen. In diesem Sinne möchte ich heute nicht für eine bestimmte Technologie oder für ein spezifisches Werkzeug argumentieren, sondern dazu beitragen, dass die Lautsprecher weder den Diskurs übertönen noch davon abhalten, nachzudenken. Außerdem werbe ich dafür, dass hybride und keine eindimensionalen monolithischen Systeme entstehen. Die Chancen sind wirklich groß und ich freue mich, wenn wir sie gemeinsam nutzen können.

Antonio Krüger ist CEO des DFKI, Wissenschaftlicher Direktor Forschungsbereich Kognitive Assistenzsysteme und Mitglied der Enquete-Kommission Künstliche Intelligenz des Deutschen Bundestags.

Beitrag teilen auf:

Kontakt

Reinhard Karger M.A.
Unternehmenssprecher DFKI

Tel.: +49 681 85775 5253


Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)
Saarland Informatics Campus
Stuhlsatzenhausweg 3
66123 Saarbrücken
Deutschland

PDF-Sonderdruck des Artikels zum Download.

Deutsches Forschungszentrum für Künstliche Intelligenz
German Research Center for Artificial Intelligence