KI-Trends 2020 von CB Insights Künstliche Intelligenz – wohin geht die Reise?

Das Marktforschungsinstitut CB Insights hat anhand von Daten aus vielen Quellen wichtige KI-Trends für das Jahr 2020 herausdestilliert. Sie sind zum Teil spannend und stimmen optimistisch. Der hohe Energieverbrauch der Künstlichen Intelligenz muss sich allerdings ändern.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Fivetran Germany GmbH

In den nächsten Jahren werden es die IT-Sicherheitsspezialisten und Medien noch schwerer als bisher haben, sich gegen digitales Ungeziefer wirksam zur Wehr zu setzen, meint CB Insights. Denn die Angreifer entdecken die Fähigkeiten der Künstlichen Intelligenz (KI) für sich. Beispielsweise gehen Hacker dazu über, die Lerndatensätze von ML-Algorithmen zu korrumpieren. Oder sie ahmen mittels entsprechender KI-Algorithmen naturgetreu Stimmen von vertrauenswürdigen Geschäftspartnern digital nach, um diese beispielsweise zu Überweisungen zu motivieren. Besonders schlecht auf intelligente Angriffe vorbereitet sind ausgerechnet die Schwerindustrie, Stromerzeuger und die Betreiber von Energienetzen.

Die dunkle Seite der KI

Künstliche Intelligenz als Angriffswerkzeug

Medien und Werbung werden immer öfter Deep-Fake-AI, also kaum zu enttarnende Bildmanipulationen einsetzen, um etwa verstorbene Schauspieler virtuell wieder zu beleben oder digitale Werbung mit extremer Personalisierung zu betreiben. So kann die durch Werbung adressierte Person direkt im Ad auftaucht oder auf dem Screen in Kleidung abgebildet sein, die sie kaufen möchte. Gleichzeitig können Deepfakes auch missbräuchlich verwendet werden, um den politischen Meinungsbildungsprozess zu korrumpieren.

Maschinelles Lernen und Datenschutz zusammenbringen

Durch Federated-Learning-Modelle wie die auf dem Digitalgipfel 2019 vorgestellte Initiative Gaia-X wird es möglich, Daten zur Analyse aus verschiedenen Quellen zusammenzufassen, gleichzeitig aber den Datenschutz zu berücksichtigen und die Daten bei ihrem Erzeuger zu belassen. Ein bereits funktionierendes Beispiel ist Googles Gboard-Software (siehe Bild). Wichtig sind solche Verfahren etwa in der Medizin mit ihren hohen Datenschutzhürden, oder um das geistige Eigentum von Firmen zu schützen.

Neuronale Netze werden zukünftig häufiger automatisch trainiert (AutoML). Das senkt die Kosten und macht Machine Learning für weitere Anwenderkreise nutzbar. Ein Beispiel ist die intelligenzgestützte Suche nach dem richtigen neuronalen Algorithmus oder der Kombination der richtigen Arbeitsschritte für das angestrebte Ziel. Der Fachbegriff dafür heißt Neural Architecture Search (NAS). AutoML kombiniert auch automatisch die nötigen Bearbeitungsschritte von Datenvorbereitung über Training, Wahl des richtigen Modells und dessen Parametrisierung. Databricks, DataRobot, H2O und RapidMiner sind Firmen, die diesen Ansatz verfolgen.

KI und ML werden sehr wichtig für den Smart-City-Bereich. Hier investiert Alphabet massiv. Dafür arbeitet der Konzern vielerorts mit der lokalen Verwaltung zusammen, etwa in Toronto. Für die Stadt hat das Tochterunternehmen Sidewalk einen 1,3 Milliarden US-Dollar schweren Investitionsplan für ein „intelligentes“ Viertel entwickelt. Die Umsetzung dieser Pläne würde alle möglichen traditionellen Märkte umkrempeln: von Maklerwesen über Energie- und Transportdienstleistung bis zur Beratung.

Energieeinsparungen durch KI? Bislang Fehlanzeige

Leider ist die Mär, KI und IT würden durch indirekte Effekte gesellschaftsweit Energie einsparen, bislang nicht von der Realität belegt. Im Gegenteil, Künstliche Intelligenz verbraucht Unmengen von Energie, weil die Technologie sehr rechenintensiv ist. Das Thema wird laut CB Insights zukünftig stärker beachtet werden. Deshalb arbeitet die Branche jetzt an energieeffizienten KI-Systemen und gleichzeitig an Werkzeugen für das Energiemanagement in großem Maßstab. Kneron, ein Start-up, hat beispielsweise einen energieeffizienten Prozessor fürs Edge entwickelt und Xnor.ai baut energiesparsame KI-Kameras ebenfalls fürs Edge.

Neue Lösungen wird es auch für das Problem kleiner ML-Datensets geben. Neben synthetischen Daten wird dabei zunehmend mit sogenanntem Transferlernen gearbeitet werden, meint CB Insights. Das bedeutet, dass man für eine bestimmte Aufgabe ein Datensatz oder vortrainiertes Modell aus einem verwandten Bereich nutzt. So könnte man für ein Modell, das Blumen identifizieren soll, ein vortrainiertes Modell zum Thema Pflanzen verwenden, denn immerhin sind alle Blumen Pflanzen. Die Patentanmeldungen in diesem Bereich sind stark gestiegen. Hauptanwendungsgebiet waren bisher Vision-Aufgaben, nun rückt auch auf die Verarbeitung natürlicher Sprache in den Vordergrund. Dabei lernt der Algorithmus aus dem Satzzusammenhang, was einzelne unbekannte Worte bedeuten. OpenAI etwa bietet ein vortrainiertes KI-Modell an, das anhand von acht Millionen Seiten Text im Internet gelernt hat. Facebook und Google sind bei dem Thema sehr engagiert.

Selbstüberwachtes Lernen in der Genomanalyse

Ähnliche Verfahren werden wohl zukünftig auch verstärkt in der Genomanalyse eingesetzt werden, denn Gene und Proteine sind ebenfalls sequenziell. Selbstüberwachtes Lernen kann helfen, fehlende Aminosäuren oder Proteine zu bestimmen. Ein Unternehmen, das sich auf dem Gebiet der Genom-Modellierung betätigt, ist DeepMind. Dessen Algorithmus Alphafold macht Aussagen über die Faltung von Proteinen, die deren Eigenschaften beeinflusst. Die Ergebnisse können zur Entwicklung besserer Medikamente oder Materialien beitragen.

Schließlich wird wohl in Zukunft Quantencomputing, kombiniert mit klassischen ML-Algos, für die KI eingesetzt werden. Die Forschung an neuronalen Netzen, die auf Quantencomputing basieren (Quantum Neural Networks, QNNs) steckt allerdings noch in ihren Anfängen. Das Start-up Xanadu beispielsweise verwendete solche hybriden Algorithmen für Transferlernen bei der Bildklassifikation.

(ID:46392207)