Interview mit Volker Tresp, Siemens

„Jedes Unternehmen hat erfolgreiche KI-Projekte“

| Autor / Redakteur: Dr. Susanne Ardisson / Nico Litzel

Volker Tresp, Distinguished Research Scientist bei Siemens
Volker Tresp, Distinguished Research Scientist bei Siemens (Bild: privat)

BigData-Insider sprach mit Volker Tresp, Distinguished Research Scientist bei Siemens, über seine Erfahrungen mit praktischen Anwendungsfällen und in welchen Bereichen er die vielversprechendsten Entwicklungen der Künstlichen Intelligenz sieht.

BigData-Insider: Wo sehen Sie die größten Herausforderungen für Unternehmen, die Machine Learning, Autonome Systeme und KI einsetzen?

Tresp: Kein Unternehmen, dessen Geschäfte über das Internet laufen, kann aktuell auf KI verzichten. Die wichtigste Aufgabe der Verantwortlichen besteht darin, ein Geschäftsmodell zu finden, das für ihr Unternehmen geeignet ist. Ich würde behaupten, dass jedes Unternehmen erfolgreiche KI-Projekte hat. Aber das bedeutet nicht automatisch, dass die Unternehmen wissen, wie sie diesen Erfolg in ihr Geschäftsmodell übertragen. Wenn ein Unternehmen KI einsetzt, kann das die Kultur im Unternehmen drastisch verändern. Erfolgreich sind Sie nur, wenn Sie die besten Talente einstellen und die Unternehmenskultur so verändern, dass diese Talente gehört und gewertschätzt werden

Ihre Eröffnungsrede bei der jüngsten Semantics-Konferenz beschäftigt sich mit dem Thema „Lernen mit Memory Embeddings und deren Anwendung bei der Digitalisierung des Gesundheitswesens“. Welchen Nutzen haben Patienten davon, die Menge an medizinischen Informationen, die sie tagtäglich erzeugen, verwertbar zu machen? Spielen Wissensgraphen dabei eine Rolle?

Tresp: KI-Anwendungen werden beispielsweise in der Bildanalyse seit mehr als fünf Jahren eingesetzt. Siemens Healthineers hat hier Pionierarbeit geleistet und arbeitet an vielen zukünftigen Anwendungsfällen.

Ganz allgemein würde ich sagen, dass die Datenlage im medizinischen Bereich genauso gut oder schlecht ist wie in jedem anderen Sektor. Die Qualität missionskritischer Daten ist hoch, der Rest ist weniger gut gepflegt. Anders sieht es in klinischen Studien aus, in denen Personal bezahlt wird, um eine hohe Qualität der studienrelevanten Daten zu gewährleisten. Dieser Prozess kann zwar teilweise automatisiert werden, beinhaltet aber immer auch ein hohes Maß an manueller Tätigkeit.

Ich bin fest davon überzeugt, dass Wissensgraphen immer wichtiger werden. Wie im Medizinbereich bestehen die meisten Domänen aus unstrukturierten Daten – Sensordaten, Bilder – sowie strukturierten Daten, etwa Diagnose, Verfahren, Laborergebnisse, Blutwerte etc. Grob gesagt fallen strukturierte Daten in das Gebiet von Wissensgraphen und unstrukturierte Daten in den Bereich von Deep Learning. Eine Herausforderung ist es, beide miteinander in Verbindung zu bringen. Daran arbeiten wir.

Wo sehen Sie die vielversprechendsten Entwicklungen in der Künstlichen Intelligenz?

Tresp: Ohne Frage war Deep Learning ursächlich für die jüngsten Durchbrüche in der KI und wird Basis für die Fortschritte in den kommenden Jahren sein. Deep Learning baut auf verfügbaren gelabelten Daten, neuen Algorithmen, Rechenleistung und einer starken Community auf. Deep Learning wird immer stärker mit anderen Ansätzen interagieren und wir werden zunehmend Hybrid-Lösungen sehen. Zum Beispiel verbinden wir und andere Forschungsgruppen Wissensgraphen mit Machine Learning und Deep Learning. Außerdem bin ich davon überzeugt, dass bei den Technologien Verknüpfungen mit Kognition stärker in den Mittelpunkt treten werden – man kann viel von der Organisationsstruktur des Gehirns lernen. Wir Menschen sind fähig zur Symbolmanipulation und das wird auch für die KI immer wichtiger. Wir müssen neue Wege gehen und nicht alte aufwärmen. Ich sage immer: KI ist nicht nur Machine Learning, aber ohne Machine Learning gibt es keine KI. Wir arbeiten in meinem Team auch am Quantenmaschinenlernen, insbesondere entwickeln wir Quantenmaschinen-Lernalgorithmen für selbstlernende Wissensgraphen.

Was bedeutet die Existenz immer intelligenterer Algorithmen für den Menschen? Und wie können wir die nächste Generation auf diese Zukunft vorbereiten?

Tresp: Das ist eine schwierige Frage. In den kommenden Jahren sollten fundierte wissenschaftliche Grundlagen für Deep Learning und Machine Learning in Europa geschaffen werden. Wir müssen offen sein für neue Ideen – die kommende Generation ist wissbegierig in Bezug auf neue Entwicklungen und wir sollten in Deutschland und Europa noch mehr in die Forschung investieren. Doch wer weiß schon, was auf lange Sicht geschieht: Vielleicht sind wir alle bald KI-Experten. Aber vielleicht sieht sich die nächste Generation auch eher Bereichen wie Kunst, Umweltschutz oder sozialen Aktivitäten und ähnlichem verpflichtet.

Ergänzendes zum Thema
 
Über die Semantics-Konferenz

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45996824 / Künstliche Intelligenz)